black-and-white-city-skyline-buildings   
文編/Teresa


想跟上資訊革命時代的多變世界,大演算是你的敲門磚
──美商凱博數據創辦人/總經理 張宗堯


「自從Google 的深度學習人工智慧系統AlphaGo 四度打敗世界
圍棋冠軍李世石後,
一夕間全球新創公司、科研機構、科技業巨頭
都紛紛宣告,
將在人工智慧領域投入更大量的人力與金錢,
現在全
世界都關切:「機器取代了勞力後,竟然也能思考、學習,那接下來還能做什麼?
顯然這股席捲全球的人工智慧熱潮正撲天蓋地而
來。

事實上,人工智慧早就不是新課題,問世以來少說有60 年歷史,
只是這門學科近期火熱,除了受惠這場話題十足的圍城之戰,

主要還是歸因行動網路、物聯網、大數據、雲端,以及GPU 運算等核心關鍵技術的重大突破,
人工智慧得以從in vitro( 體外)階
段,進入in vivo( 體內)階段。
人工智慧因而跨出研究中心,充分
展現在生活中, 
也讓令人切實感受人類正邁向下一個新時代。

如今導入人工智慧的機器,
已經能夠精準地模仿出截然不同的
繪畫風格、音樂曲調,
這全有賴日益精進的演算法,機器可以從海

量數據中,分析出各種迥異的風格,甚至還能進行預測。

現階段,
全世界所有硬體都面臨著「被智慧化」,
而人類對於智慧化的終極
追求無非為了更好的生活品質。
機器學習的演算法大致上可以分成五個理論學派,
本書以深入
淺出的文字分別細數之,這些學派各有優缺點,
對於某些狀況處理
得宜,但面對其他事情卻可能很糟,
有沒有一種「終極的演算
法」,可以集結各門各派的優點,
從海量的數據資料中,整合出世
界上所有關乎過去、現在和未來的知識,
這種大演算法無疑是科學
史上最偉大的進步之一,
它不但會全面加速機器學習的進展,並且
以我們幾乎無法想像的方式改變世界。

我從與企業接觸的經驗中觀察到一個現象:
傳統企業營運思維
下,要完成一份專案,
通常是先設定目標與明確預期投資回報率
(ROI),
然後才一步步地往目標前進;

然而在演算法的時代裡,專
案執行前,須先經過統計思維,
將所有資料進行演算、分析,在沒
有得到分析結果前,
這個專案是絕對無法準確估計的,這與企業現
行評估計畫、資源分配的方式有顯著差異。

這種差異也正是我想推薦這本書的理由,
許多企業不乏可以解
決數據問題的優秀員工,
然而他們的主管卻極少有數據思維,這種
落差會導致企業營運出現斷層,
在全球產業競爭激烈的環境下,著
實是個危機。

機器替代藍領的工業革命時代過去了,
在這資訊革命的時代,
下一個會被取代的是白領階級,
速度甚至會比想像中來得快,人類
能掌握的聖杯,
就是不斷適應新的時代,跟上世界的腳步,
而我相
信這本書會是幫助你快速適應這個多變世界的敲門磚。」

binary-1536651_1280      

 

機器學習領域存有許多競爭的思想學派,
所以我們在大演算的尋求過程,可以說是相當複雜,但也因此變得十分有趣。

這些主要的學派包括符號理論學派
Symbolists)、類神經網路學派Connectionists)、
演化論學派
Evolutionaries)、貝氏定理學派Bayesians)和類比推理學派Analogizers)。

每個學派都有一套核心理念,以及一個它最關心的特定問題。
不過它已經針對這個特定問題,基於其相關領域的科學概念,
找到一個適合的解決方案,並且擁有一個主要的演算法,可以適度體現它的機器學習行為。


對於符號理論學派來說,所有的智慧可以被簡化成操縱符號,
就像數學家求解方程式的過程,是透過用其他表達式來替換表達式的方法。
符號理論學派明白,你不能從頭學起,你需要一些初步的知識,與數據資料相配合。
符號理論學派們已經找到了如何將先前存在的知識納入學習,
以及如何快速地將不同的知識進行結合,以解決新的問題。

 

對於類神經網路學派來說,學習就是人類大腦所做的事情,
所以我們需要做的,就是對大腦進行反向工程。
大腦的學習是透過調整神經元之間的連結強度,
而關鍵的問題是找出哪些神經元的連接,必須對哪些錯誤負責,並依此相對應地改變它們。

 

演化論學派則認為,所有學習之母就是物競天擇。
如果物競天擇可以造就我們,那麼它就可以造就任何事情,
而我們所需要做的,就是在電腦上模擬它。
演化論學派所解決的關鍵性問題就是學習的結構,
不只是調整參數而已,就像倒傳遞理論演算法所做的,
可以創建一種能夠讓這些調整進行微調的大腦。

 

貝氏定理學派最關注的課題就是不確定性。
這門學派主張所有學到的知識都是不確定的,
而且學習本身就是一種不確定的推理形式。
那麼這個問題就變成如何處理雜訊、不完整,以及相互矛盾的資訊,而不會造成分崩離析。

 

對於類比推理學派而言,
學習的關鍵是認識各種情況之間的相似之處,從而推斷其他情境的相似地方。
如果兩位患者都有相似的症狀,也許他們患有相同的疾病,
問題的關鍵是要判斷兩件事情之間是如何相似。

 

針對各個學派的核心問題,每個學派都有提出相對應的解決方案,
這些解決方案都是相當卓越,且得來不易的進展。

然而真正的大演算,是必須同時解決這五類問題,而不只是一個。

機器學習觸動我們每個人的生活,它取決於我們所有的人,
自主決定我們想要用它來做什麼。
憑藉著你對機器學習的新理解,你處於一個更好的位置,
可以去思考類似隱私和數據資料分享、未來的工作、機器人作戰,
以及人工智慧的希望和危險等問題;
如果我們有越多人擁有這樣的理解,
我們就越可能可以避免重蹈覆轍,並且找到正確的成功途徑。

本文出自文章出自:《大演算:機器學習的終極演算法將如何改變我們的未來,創造新紀元的文明?

 

立體封面(無書腰)     

 

 

 

arrow
arrow

    三采文化 發表在 痞客邦 留言(0) 人氣()