我們花了好久的時間才明白，而其他人一直還不太明白，就某方面來說，只要有對的描述跟機制，學習其實不太重要，重要的是找出事情該怎麼作，只要你瞭解了，你就容易明白一件事是怎麼被學會的，在觀念上這是很深的改變。要學習上的問題，從我們看來，是去決定你要放什麼東西在你的記憶裡，這要依賴好的描述，然後在描述中找到差異，才能說，這是個新東西。所以差別不是在事情裡，是在描述裡。經過很長的時間，人們才開始能體會。
這是一本有二十五年歷史的老書，內容講的是人工智慧領域的發展跟歷史，在去年重新再出版，補上了人工智慧在這二十五年的新發展，人工智慧的科普這幾年幾乎不見新書，難得看到一本，當然是要拿下來看的，雖然新東西不多，但是聊勝於無。
上面這段是第一章的內容，可以看到人工智慧大頭 Minsky(算是人工智慧領域的開創元老之一)對於機器學習(Machine Learning)的看法，大致上說起來，就是學習沒什麼用。文中所講的「學習」指的是在人工智慧裡面的「機器學習」，而「找出事情該怎麼作」，指的是人工智慧裡面的「規劃/計畫」(planning)。
所謂機器學習，是指不用靠人類去設計複雜的演算法，而讓電腦自己從環境當中根據過去的經驗來學會應該怎麼做事情，學會怎麼把事情作對做好。電腦一開始會表現得很差，但是隨著時間過去，機器的經驗越來越豐富，越來越聰明，表現也就會越來越好。聽起來很神奇，不過他到底是怎麼做到的？
神經網路(Neural Network[1]) 用的方法是模擬生物神經傳導的方式，利用大量的神經元，互相串街連結，形成複雜的神經網路，透過輸出跟預期輸出的正確性，慢慢調適網路連結上的鍵值來達到學習的效果。一個神經網路會接受外界的刺激當作輸入，然後會產生一個動作當作輸出，如果輸出的動作是正確的，那麼本來神經連結上面的鍵值會被加強，表示這是一個正確的動作，應該被獎勵。如果神經網路產生的動作是錯誤的，那麼連結上面的鍵值會被削弱，以示為懲罰，久而久之，神經網路就會偏向產生正確的輸出，而避開錯誤的決定。
演化計算(Evolutionary Computation[2]) 模擬自然界的演化機制，設計者會設計一堆生物，而這種生物的基因，就是問題的答案，而這種生物所生存的環境，就是所要解決的問題。如果一個生物的表現不好，表示他沒辦法良好的解決這個問題，會有比較差的適存值(fitness)，如果一個生物表現的很好，表示他對於這個問題的解答不錯。基因演算法的機制會挑出活的比較好的個體，來進行交配，以產生下一代，而下一代的基因，則是來自於父母的混合交配。長久下來，適者生存，表現的越好越有機會有後代，而表現的差的，就會慢慢被淘汰掉，最後整個族群就都是表現良好的個體了。
上面兩個是目前台灣最流行最熱門的機器學習還有人工智慧技術，不過國外已經沒什麼人在玩了，人工智慧還有其他如 Independent Component Analysis(ICA)，Principle Component Analysis(PCA)，Hidden Markov Model(HMM)，Boosting，Support Vector Machine(SVM)等等技術，都是常見的機器學習模型。機器學習最常見的領域是那種需要高度容錯的系統，像是圖形辨識，語音辨識等等。
所謂「規劃」(Planning)是跟學習相反的一條路，透過程式設計師的腦力煎熬，在一開始就打造了強悍的思維模型，程式擁有強大的力量在已知的解空間裡面去尋找答案，並且透過一些有策略的搜索方法，可以在龐大的解空間當中刪除不可能的答案，或是不進行重複的搜索活動。使用 planning 的 AI 是在程式完成的那一瞬間，就展現出高度智慧，像是各種棋類程式都是屬於這一類。
人工智慧領域很少有這兩邊都通的人才，大部分的人只能專精其中一樣，Minsky 選的是 planning，他認為如果用 planning 就能解決的事情，那我幹麼用 Learning? 理論上他說的沒錯，只要用 planning 就能解決的事情，那的確不用 learning，不過實際上，有很多問題就是不能用或是不好用 planning，像是影像辨識，機械控制，這類東西，你很難仔細的描述事情應該怎麼被做好。或是當環境常常變動，你今天設計好的機制，明天就不能用了，而要設計一個什麼都能用的機制，又是難上加難，像這種時候，就是 learning 存在的理由。
本來我以為 AI 大頭都是全方位的，看到大師也會選邊站，我感覺到很有趣。
[1] AI Junkie 一個不錯的 AI 網頁，這邊是他關於神經網路的介紹
[2] 一個有 Java applet 介紹 GA 的網頁，很生動易懂
沒有留言:
張貼留言