机器学习已是现在进行式，当其发展成人工智能 AI，终究会对我们造成影响，但机器到底能学会什么？ 机器能学会什么？ 机器人（Robot）行动笨拙，除了制造业的专用机器手臂，机器人的动作远不如人类灵敏，是因为机械操演不够灵活。但机器学习（Machine Learning， ML）则是另一个领域，是人工智能 AI 的核心技术，不需要机械的操演，但能学习人类相当多的技术，甚至替代人类的工作。 一旦机器人的机械操演技术进一步进展，也就会学到一些人类日常生活的动作，当然这也要用机器学习产生的 AI 做为脑子。所以机器学习 ML，恐怕不是一个机器人坐在书堆上，一本本的读。 上个月《科学》（Science）杂志有一篇报导，探讨机器学习的特性与功能，有些领域机器可以学的非常好，这领域的工作迟早会被机器替代，但有的领域机器却学不了，在这些领域人类仍然主导。 目前的机器学习主要是用计算机仿真的神经网络，模仿我们思考的方式，然后用大量的数据（大数据）来训练，增进智慧，训练结束之后，就成为一个 AI 软件。当然这句话的解释过于简单，实际上用计算机软件模仿我们脑神经的运作，适用性仍有争议，这只是目前的技术。 机器虽然不同于人类，但学习的情形有类似的地方，比如从病历诊断哪一种疾病发生的机率，从贷款申请预测未来偿还的机率，这些都是医师与理财专家天天做的事，但机器可能比人做的更快更好，因为因果关系、也就是输入与输出的连结，定义清楚，适合机器的学习运算。 机器学习不单靠规则，还要靠经验数据来训练，越多的资料、学习的越精准，大数据的概念就用到这里。大数据可来自监测网络的交易与互动，人工加注分类整理，或针对特定问题制作的仿真，但数据来自非结构化的来源，像是网络聊天，可能产生偏差，机器学习的结果也难免偏颇。另外，靠数据训练，并非适合所有的领域。 最有意思的是，只要有明确的目标，甚至不必知道达到目标的最好方法，只要运用整理好的数据来训练，机器的学习效果就特别好。这种方式通常用在系统层面的宏观领域，像是让公司获取最大的利润，让市区的交通流畅无阻，而不是用在细微枝节上，因为枝节的数据范围太窄，难免有错。 另一个有意思的是，机器是不讲理的，学习得到结果，却说不出演绎的道理，医师能从病历耐心的解释诊断的结果，但机器的解说显然不如医师。这正说明了计算机仿真与人的思维运作不同，神经网络从输入到输出可能有很多层次，每一层次运算出多项结果传递给下一层，这些中间结果并不做他用，所以我们看到最终结果，却看不到中间过程。 机器学习的算术法，都是用统计与或然率求得答案，学的再好，一旦用到 AI 解决问题，都没有100%的肯定答案，也就是仍然有出错的机会，如同最好的人类专家一样，我们用 AI 解决问题，要把容忍出错放在心上。 综合机器学习的特性，需要大量数据，定义严谨的输入与输出连结，使用统计与或然率，不能发展出单一的最佳答案，不能做清晰解释。机器「受困」于计算机仿真的神经网络，缺乏人类的适应性，不能突然改变。 所以底线是，许多工作难以自动化，至少要比传说的来得慢。但仍不能掉以轻心，机器学习发展成 AI，终究会对我们造成影响，在不同的领域，以不同的程度替代我们的工作。 值得注意的是，机器学习也不断的在“学习”，学习能力一天天提升。 责任编辑：ct