機器學習已是現(xiàn)在進行式，當其發(fā)展成人工智能 AI，終究會對我們造成影響，但機器到底能學會什么？

機器能學會什么？

機器人（Robot）行動笨拙，除了制造業(yè)的專用機器手臂，機器人的動作遠不如人類靈敏，是因為機械操演不夠靈活。但機器學習（Machine Learning， ML）則是另一個領域，是人工智能 AI 的核心技術，不需要機械的操演，但能學習人類相當多的技術，甚至替代人類的工作。

一旦機器人的機械操演技術進一步進展，也就會學到一些人類日常生活的動作，當然這也要用機器學習產(chǎn)生的 AI 做為腦子。所以機器學習 ML，恐怕不是一個機器人坐在書堆上，一本本的讀。

上個月《科學》（Science）雜志有一篇報導，探討機器學習的特性與功能，有些領域機器可以學的非常好，這領域的工作遲早會被機器替代，但有的領域機器卻學不了，在這些領域人類仍然主導。

目前的機器學習主要是用計算機仿真的神經(jīng)網(wǎng)絡，模仿我們思考的方式，然后用大量的數(shù)據(jù)（大數(shù)據(jù)）來訓練，增進智慧，訓練結束之后，就成為一個 AI 軟件。當然這句話的解釋過于簡單，實際上用計算機軟件模仿我們腦神經(jīng)的運作，適用性仍有爭議，這只是目前的技術。

機器雖然不同于人類，但學習的情形有類似的地方，比如從病歷診斷哪一種疾病發(fā)生的機率，從貸款申請預測未來償還的機率，這些都是醫(yī)師與理財專家天天做的事，但機器可能比人做的更快更好，因為因果關系、也就是輸入與輸出的連結，定義清楚，適合機器的學習運算。

機器學習不單靠規(guī)則，還要靠經(jīng)驗數(shù)據(jù)來訓練，越多的資料、學習的越精準，大數(shù)據(jù)的概念就用到這里。大數(shù)據(jù)可來自監(jiān)測網(wǎng)絡的交易與互動，人工加注分類整理，或針對特定問題制作的仿真，但數(shù)據(jù)來自非結構化的來源，像是網(wǎng)絡聊天，可能產(chǎn)生偏差，機器學習的結果也難免偏頗。另外，靠數(shù)據(jù)訓練，并非適合所有的領域。

最有意思的是，只要有明確的目標，甚至不必知道達到目標的最好方法，只要運用整理好的數(shù)據(jù)來訓練，機器的學習效果就特別好。這種方式通常用在系統(tǒng)層面的宏觀領域，像是讓公司獲取最大的利潤，讓市區(qū)的交通流暢無阻，而不是用在細微枝節(jié)上，因為枝節(jié)的數(shù)據(jù)范圍太窄，難免有錯。

另一個有意思的是，機器是不講理的，學習得到結果，卻說不出演繹的道理，醫(yī)師能從病歷耐心的解釋診斷的結果，但機器的解說顯然不如醫(yī)師。這正說明了計算機仿真與人的思維運作不同，神經(jīng)網(wǎng)絡從輸入到輸出可能有很多層次，每一層次運算出多項結果傳遞給下一層，這些中間結果并不做他用，所以我們看到最終結果，卻看不到中間過程。

機器學習的算術法，都是用統(tǒng)計與或然率求得答案，學的再好，一旦用到 AI 解決問題，都沒有100%的肯定答案，也就是仍然有出錯的機會，如同最好的人類專家一樣，我們用 AI 解決問題，要把容忍出錯放在心上。

綜合機器學習的特性，需要大量數(shù)據(jù)，定義嚴謹?shù)妮斎肱c輸出連結，使用統(tǒng)計與或然率，不能發(fā)展出單一的最佳答案，不能做清晰解釋。機器「受困」于計算機仿真的神經(jīng)網(wǎng)絡，缺乏人類的適應性，不能突然改變。

所以底線是，許多工作難以自動化，至少要比傳說的來得慢。但仍不能掉以輕心，機器學習發(fā)展成 AI，終究會對我們造成影響，在不同的領域，以不同的程度替代我們的工作。 值得注意的是，機器學習也不斷的在“學習”，學習能力一天天提升。