【果言科技】淺談機器學習 Machine Learning

在現今這個世代,雖然我們每日不停地去接觸創新科技,但我們又可否知道其實現今的科技技術是非常落後呢?

Machine Learning
圖片來源:http://www.acznw.com

早在1950 年的時候,一位計算機科學家阿蘭圖靈 Alan Mathison Turing 已經提出了一個問題:究竟機器有否思考的功能? 一直以來,不少人覺得我們製造人工智能會幫助到我們解開人類知識的起源,甚至是人類在地球上的位置。但問題是現時AI 的程式是非常複雜,可能真的要通過追蹤一些歷史令我們能夠真正知道到底機器學習是怎麼樣的一回事。

如果我擁有寵大的數據的時候,我可以製造自己的一套人工智能嗎?

為了解開這個迷團,我們的第一步便去嘗試去製造一部機器並希望將不同的訊息集合在一起。有些人認為Google 正是這個功能的代表因為他已經整合了超過30萬億的網頁。但是我們並不希望這樣做。相反,我們要明白機器的美妙之處是在於我們能夠幫他們進行推理甚至讓他們學到新的知識。共實機器作為人工智能的一員,他們是能夠處理到不同類型的數據並利用他們去構建一個更好的框架甚至更廣泛的應用。

當我們在1950 年代的時候,電腦技術仍然有限,對一些數據採用或演算的方式是相當的簡陋的時候,人們已經不停去嘗試去創造更多先進的科技。直至1952 年的時候,有人利用AI 發明了一個名叫alpha beta pruning 的程式並減少了電腦進行計算時的負荷。

在現時感知器行先的時代,愈來愈多人利用神經科學來推進機器學習。深入點來說,機器學習的問題可以分為兩類,一是分類,二是回歸。然而,分類器的作用主要用來將數據分類而回歸模型則利用趨勢作出預測。

Machine Learning感應器的誤會

其實感應器只是不少機器學習的例子之一。在未來的幾十年,AI主要去探究人類心靈的思考方式而非進行表面探索。深層學習在未來已經是一個趨勢,AI將會有更多層的神經網絡。

要去理解這一點,簡單來說就好像電腦能夠將貓和人類進行分類是因為機器是能夠在固定的框架內利用獨有的抽象想法完成任務。對於電腦來說,他們的深層學習模型能夠讓他們能夠識別不同類型的抽象模型,包括由像素到線到2D甚至是3D幾何。

儘管電腦是愚蠢,但已經通過圖靈測試

有不少人認為電腦早在2014年的時候已經通過了圖靈 測試,因為電腦成功模擬與人類間的對話並令到在場有10位的科學家相信他們的聊天對象是人類而非電腦(實際上是AI)。但問題是人類與機器在對世界的看法上已經為AI帶來了不少的挑戰。現時很多人為了評估AI 的發展已經將圖靈測試變得概念化。在現時來說,圖靈測試已經變為一個側重於到底電腦能否模擬人類生產力的利為主義測試。

AI 的發展已經踏入寒冬?

由於AI的高速進步,不少的科學家和企業家都過度承諾了對於人工智能的能力,令到AI踏入寒冬。

不過,在這一刻我們已經能夠利用機器學習去做一些令人難以置信的事。就好像我們能夠利用衛星圖像去預測農作物產量等。然而,其實我們人類的長短期記憶亦正在幫助機器去強化學習甚至加強他們自身的分析能力。

儘管現時不少的機器正在高速進步,但仍然有不少的秘密我們還未解開。例如對於一些需要機器去解決的問題,當中包括輸入、輸入指令編碼、最後輸出。但是在這三個過程之間的關係和細節往往成為了不少研發人員研發的挑戰。雖然一部機器中間的指令處理過程十分複雜,但是其實人的大腦也毫不例外。我們往往不能夠去理解大腦是如何去工作的。

參考來源: TechCrunch

One thought on “【果言科技】淺談機器學習 Machine Learning

發表迴響

你的電子郵件位址並不會被公開。 必要欄位標記為 *

限制時效已用盡。請重新載入驗證碼。