机器学习

试想一台无需编程的电脑。 这个系统可以像你一样通过观察世界来学习。 你已看到早期人工智能系统 使用过一种符号方法。 其中的理念是，如果一个系统能识别符号， 那它看似就很智能。 程序员要与专家一起来创建这个系统， 这才是其中的一大难关。 这就是为什么它们被称为专家系统。 后来，计算机科学家放弃了这种方法， 因为它产生了太多的组合。 他们认为， 仅把智能编程到系统中去是不够的， 但也许可以通过观察来使一个系统变得智能。 这种智能并不像人去感觉， 运用视觉、听觉或嗅觉。 相反，它凭借的是感知数据。 1959 年，计算机科学家亚瑟·塞缪尔 发明了一个跳棋程序， 可以通过与自己对弈来学习。 它两方都玩，通过观察来自学策略。 机器玩得次数越多， 它知道的获胜规律就越多。 计算机科学家没对机器进行编程来玩跳棋， 而是让它通过自己的经验进行学习。 亚瑟·塞缪尔将这个理念称为机器学习。 与它不同的是， 符号系统没有编程机器对弈时的攻防要领。 相反，机器学习系统 旨在自主学习和自我提升。 这个系统学习新跳棋策略的速度很快， 能在短时间内连续击败程序员。 这是一个突破性发现。 只有一个缺点是这些系统 只能通过自玩来学习， 但在 1950 年代， 却没有那么多的数字数据可以学习。 记住，机器学习使用数据作为它的五感。 所以没有数据，它就只会最简单的模式， 但这一情形随后就发生了巨变。 1990 年代初，互联网的爆炸式增长 突然给人们提供了 每天都在创造大量数据的机会。 1990 年代是机器学习系统 迅猛发展的时期。 新数据就像浇灌在人工智能 这片干涸田地上的活水。 此时，机器学习系统 获得了更智能化的加速器。 因此，如果想教系统如何识别猫， 就可以上网访问数百万张猫的照片。 计算机科学家开始创造新的机器学习算法。 甚至有一些研究人员 开始模仿人类大脑的系统。 从数据中学习的一大优势是， 机器可以凭借更多的数据不断优化。 如果机器发现了新模式，它就能适应新信息。 但要记住，仍会有一些相同的挑战。 机器学习系统仍然只是识别模式。 尽管如此，在过去几年中， 机器学习一直是人工智能发展 最迅速的领域之一。 随着数据不断增长， 这个领域未来发展前途无量。 虽然很多公司不断收集大量新数据， 但如何处理这些庞大的数据是当今的大难题。 在某种意义上， 人工智能系统可以帮你分析数据， 让你的公司了解它所发现的内容。