机器学习：人工智能的三种设计模式

在人类社会发展的进程中，工具、技术一直都是非常重要的推动力。尤其是在18世纪中叶进入工业文明时代以来，在工业革命、技术革新的推动下，社会发生了巨大的变革，机器生产代替了手工劳动，手工业逐渐消失，大批种类繁多的自动化机器不断出现。这种现象在计算机出现之后变得更加严重。

1946年，第一台计算机诞生，自此，计算机在人类的生产、生活中扮演的角色越来越多。起初，计算机只是单纯地帮助人类解决计算难题，后来随着计算机技术的发展和互联网的出现，计算机不仅为人类提供了搜索、储存、游戏、娱乐、控制等服务，还催生了很多工种，如软件工程师、计算机系统工程师等，提供了诸多就业岗位。

现如今，人工智能也面临着与计算机相似的境况，在其引导下的人类发展方向也有了诸多可能。目前，谷歌、英特尔、联想等公司在人工智能产品开发方面取得了很多成就，在这些成就的影响下，未来，人工智能的设计模式有三种，如图所示。

图人工智能的三种设计模式

“训练数据”模式

目前，有监督的机器学习领域是人工智能技术应用最为广泛的领域，有监督就代表算法需要通过学习从训练数据中获得，这与人类的间接学习方法有很大的不同。

在这种情况下，机器学习算法的效果如何，在很大程度上取决于训练数据的质量和数量。训练数据的搜集是一项非常具有挑战性的工作，即便是诸如谷歌这样的大公司也不得不小心谨慎，谷歌每年在搜集整理训练数据方面需要耗费的时间和精力都非常大。

但显然，训练数据的搜集和整理工作是一项“无底洞”。例如，Facebook推出一个新表情，为了了解这个新表情的使用情境，机器学习算法需要大量的例子。所以，在机器学习算法中，搜集训练数据需要大量的人工劳动。

“人工参与的循环链”模式

自计算机出现之后，借助计算机，很多问题都能得到快速解决。但是，又有很多看似简单的问题而计算机却难以提出解决方案，例如，如何使用计算机引导类人机器人走路的问题。在人工智能领域，也有一些类似的问题存在，例如，针对某个问题，人工智能算法预测的精确度能够达到80％，却难以提升到90％。

但机器学习算法有一个很大的优点，就是对其优劣势非常清楚。对于不能做出精确判断的问题，机器学习算法能清楚地告知工程师，由工程师予以解决。在这种情况下，形成了一种“人工参与的循环链”模式，其具体内容是对于某个问题，当机器难以解决时，可以交由人类解决。

在以前，我们总认为这种“人工参与的循环链”模式只是一种美好的想象而已，与现实有很大的差距，但事实上，这种模式的发展速度非常快，超乎人类想象，其典型产品有Facebook M等。

Facebook研发了一款人工智能助手服务，名为M，它能够听懂人类发出的语言指令，并根据指令去完成某些工作，如帮主人订花、购买商品、安排约会等。而对于一些复杂的、难以完成的指令，M则交由人类自行解决。

自动驾驶与ATM（自动取款机）也是如此。到目前为止，自动驾驶难以脱离人工控制，虽然自动驾驶能够实现自动泊车，能在好的路况条件下实现自动驾驶，但是遇到复杂的路况条件，就必须人工操控。ATM的自助存取款服务也有一定的限制，只能处理完整的、清晰的、整额的钞票，对于那些有污渍、破损、零散的钞票还需要到人工柜台上进行处理。这些例子都表明，机器能够帮助人类解决一些问题，但仍有很多问题需要人类自行解决。

从这个角度来看，该设计模式与“训练数据”的设计模式有很大不同，只是用机器学习算法对部分工作进行了替换，使工作效率得以有效提升。该设计模式可能会缩小企业的用工数量，但也有可能创造出很多新的就业岗位。

主动学习模式

主动学习模式是训练数据模式和人工参与的循环链模式的结合。人工参与的循环链模式收集了很多训练数据，这些数据能反馈到机器学习算法中使其性能得以有效提升。对于那些机器学习算法不能解决的复杂问题，人类对该问题的解决方法和思路能给机器提供学习机会。这也就意味着，人类在解决机器不能解决的问题时培养了一批“对手”，同时，这些“对手”实力的增强也在很大程度上减轻了人类的工作负担，并使工作效率得以有效提升。

在过去，机器学习算法之所以迟迟得不到有效应用，是因为场景不同，所需要的机器算法也不同，机器学习算法是需要定制的，这需要一大笔费用。受高成本的影响，只有大公司才有能力引进机器学习模式，使用机器学习算法。

但是，现如今，随着计算能耗的持续降低和机器学习算法产品的增多，机器学习算法的应用成本正在逐渐降低。例如，在2015年，仅一年的时间就有4家企业发布了云机器学习平台，给众多小企业使用机器学习提供了机会。总之，随着机器学习应用门槛的降低，机器学习的应用范围正在迅速扩展。