--- schema_version: "library-reader-v1" source_type: "original_book" title: "被算法操控的生活：重新定义精准广告、大数据和AI" author: null edition: null publisher: null year: null isbn: "9787571003012" library_document_id: "094ce2a7-d7e6-4de6-a84c-9994a96a3c4a" source_sha256: "f73745c23a4ed31f8601d9aadc814b093307fc01ae8680d379c67000605e8d36" pdf_physical_page_count: 257 pdf_physical_page_index_base: 0 range_start: 220 range_count: 10 html_url: "https://workshop.closeclaw.top/api/ai/read/094ce2a7-d7e6-4de6-a84c-9994a96a3c4a?start=220&limit=10" markdown_url: "https://workshop.closeclaw.top/api/ai/read/094ce2a7-d7e6-4de6-a84c-9994a96a3c4a.md?start=220&limit=10" previous_url: "https://workshop.closeclaw.top/api/ai/read/094ce2a7-d7e6-4de6-a84c-9994a96a3c4a.md?start=210&limit=10" next_url: "https://workshop.closeclaw.top/api/ai/read/094ce2a7-d7e6-4de6-a84c-9994a96a3c4a.md?start=230&limit=10" --- # 被算法操控的生活：重新定义精准广告、大数据和AI > 页码规则：PDF_PHYSICAL_PAGE_INDEX 是从 0 开始的权威文件物理页索引；PRINTED_PAGE 是页面中识别出的印刷页码，可能为空，二者不得混用。 ## PDF_PHYSICAL_PAGE_INDEX=220 | PRINTED_PAGE=200 托马斯·米科洛夫现在是脸书人工智能研究部门的科学家，他的总体目标是“开发一种智能机器，使其具备学习和使用自然语言与人沟通的能力”。他认为，要实现更深层次的概念理解只能通过一系列越来越复杂的任务逐步训练“自学”的机器人。刚开始的时候，机器人应该学习像“左转”这样的指令，一旦它熟练地掌握了移动的窍门，它就能“找到食物”，然后能举一反三地将这项能力应用到其他任务上，比如在互联网上查找信息。这个学习过程不能单靠递归神经网络来解决，因为它们缺乏长期记忆。相应地，托马斯提出了一个使用任务困难程度逐步增加的“路线图”来训练智能代理，以使它能正确地与我们人类沟通。 托马斯向我坦诚，这件事情到目前为止没有取得什么进展。他认为，研究人员每年都应该举行一次“强人工智能挑战赛”，根据各自的智能代理能够完成的任务类型来评判这些代理的能力。这些挑战应该通过机器人对新环境的反应来评估它们，而不是由人类肤浅地评价这些智能代理的反应是否真实。 尽管托马斯的忠告言犹在耳，我还是忍不住用托尔斯泰神经网络写作最后一段假托尔斯泰文字。亚历克斯有个主意。他可以用托尔斯泰的风格改写我的这本书。起初我很怀疑这怎么可能行得通呢？ “很简单，”他回答说，“你这本书中每一个词语都是50维空间中的一个点，托尔斯泰写下的每一个词亦然。我们可以从机器生成的托尔斯泰文本中去掉托尔斯泰的词语，然后用你这本书中离那个点最近的词替换。 这个方法和我在上一章里计算“特朗普’之于……正如默克尔”之于………”所用的方法完全一样，只是这里使用的维度远远比之前高得多。亚历克斯将他的想法付诸行动了。以下是我最喜欢的“神来之笔”，精选出来供你欣赏： 被算法操控的生活OUTNUMBERED 200 ## PDF_PHYSICAL_PAGE_INDEX=221 | PRINTED_PAGE=201 然后所有的预测算法，感觉都在于一个关于报告注意力的表达，和算法的空中预测和辩论和唐纳德·希拉里的6000。 在两个人的统计中，他的妻子认为，无论这些人在网上有多么广泛，他都更愿意把自已对这两种浏览器的结果的感受放到网上。 他的笔记和现实与他的结果一样多，但在投票的可能性上却不是这样。“我马上就去，因为，”问题说，“把那个年轻女人交出来！”只有在小数点后面。 或许我可以让算法帮我把这本书写完？我看还是算了。还有一些严肃问题需要我们解答，尤其是人工智能到底会把我们带向何方这个问题。我想了解我们到底处于托马斯的路线图中的哪个位置。人工智能离赶上我们人类还有多远距离？ 第三部分 人工智能的未来算法越来越像人类了吗？ 201 ## PDF_PHYSICAL_PAGE_INDEX=222 | PRINTED_PAGE=202 第16 章|智能超级玩家 我对国际象棋从来不是特别感兴趣。我确信我之所以对这个游戏产生抵触心理，很大一部分原因是我无法理解它。下棋规则我都知道，但当我看到这些棋子时，我的大脑一片空白。我分不清这是一步好棋还是一步臭棋，我也无法预见后面一步或两步棋怎么走。这个游戏对我来说就是个谜。 所以1997年一台电脑击败国际象棋世界冠军加里·卡斯帕罗夫(Garry Kasparov）的消息并未使我特别兴奋。我只是有点奇怪这件事没有早点发生。电脑每秒可以计算出比人类更多的步数，它们最终会战胜我们似乎是迟早的事情。 当IBM的超级计算机“深蓝”完成这项任务时，我一点也不惊讶。这个算法储存了70万场大师级比赛的数据，每秒可以评估2亿种棋局。它积累了卡斯帕罗夫根本无法存储的数据，进行了他根本无法进行的计算，最后用赤裸裸的蛮力击败了他，因此，这台电脑可以说是胜之不武。 被算法操控的生活OUTNUMBERED 202 ## PDF_PHYSICAL_PAGE_INDEX=223 | PRINTED_PAGE=203 从游戏白痴到游戏天才，算法仅需自学数周 人们并没有广泛认为“深蓝”战胜卡斯帕罗夫是迈向更通用的人工智能的重要一步。在深蓝获胜的时候，人工智能这个领域正处于自己的衰落期。虽然电脑可以在国际象棋比赛中获胜，但要让一只机械臂接起一杯水却很困难。即使是最先进的机器人把一个杯子挪个位置或者将带柄的杯子放到原位，也会把水洒得到处都是。20世纪90年代初，当我还是一个本科生，在爱丁堡大学（Edinburgh University）学习计算机科学的时候，我有机会修一个计算机科学和人工智能的联合学位。但我的课程指导老师告诉我这门人工智能课程没有前途，我应该去修计算机科学-统计学的联合学位。他是对的。20世纪90年代用“自上而下”方法创造出来的人工智能逐渐退出舞台，统计学取而代之逐渐成为现代算法背后的工具。 纯粹的计算能力在越来越多的游戏中击败了我们。2017年1月，一个名为Libratus的算法以一敌四，与顶尖专业牌手进行了12万轮一对一、无限下注的得州扑克比赛，并夺得冠军。设计这一算法的卡内基·梅隆大学的科学家们计算了每一手可能的牌的获胜概率。扑克玩到最高境界时，赢牌靠的不再是心理战，而是对概率的了如指掌。经过2500万个“处理器时”的学习，Libratus比任何人都更了解这种概率。它毫不手软地蚕食着对手的筹码，直到将全部筹码据为己有。 尽管算法在棋牌类游戏上取得了让人印象深刻的成就，但是它们仍然需要程序员来教会它们怎么使用“自上而下”的方法解决问题。它们对推动“自下而上”的人工智能的发展贡献不大。 不过《太空入侵者》（SpaceInvader）是个例外。这款雅达利（Atari)的经典游戏与其他游戏有着天壤之别，它或许对智力没有那么高的要求，但它对战略规划、手眼协调和快速反应都有综合要求。这些能力和打篮球所需要的能力一样。我碰巧也很喜欢打篮球，在九岁或十岁的时候，我是一个相当不错的球员。《太空入侵者》是一个我们大多数人都玩过的游戏。虽然它是在电脑上玩的，但它对人的能力要求很高。 第三部分 智能的未类了吗？ 203 ## PDF_PHYSICAL_PAGE_INDEX=224 | PRINTED_PAGE=204 因此，当2015年谷歌的DeepMind研究团队在《自然》杂志上发表文章称，电脑经过学习能够以职业玩家的水平玩《太空入侵者》的时候，我对此着实印象深刻。谷歌发明的玩《太空入侵者》的算法是自学的，这是它和IBM的国际象棋算法的最大区别。就像我曾坐在电视屏幕前接通家人从朋友处借来的雅达利2600游戏机，然后在情况允许下没日没夜地玩几个星期一样，谷歌的神经网络也通过实战来学习这款游戏。在与电脑屏幕和手柄接通后，神经网络会一遍又一遍地玩这个游戏。一开始它玩得很烂，但慢慢地越玩越好。在玩了相当于38天后，它在游戏中的表现比我以往任何时候都好。事实上，它的水平比一个专业的人类游戏测试员还要高出20%左右。 看着谷歌的神经网络玩这个游戏，我仿佛又回到了20世纪80年代初。谷歌的神经网络把坦克藏在障碍物后面，一次消灭一排入侵者，再把飞船开过去拾取奖励分数。当最后一排外星人加速接近地球时，它小心翼翼地找准位置，将外星人一个接一个地消灭掉。这个算法并没有在房子里开一条窄缝并从那里往外射击，玩家认为那种策略是在作弊。雅达利的粉丝们听说这条消息后可能会很有兴趣，计算机并没有作弊，而是依靠精确的射击来击落外星人。 谷歌团队没有止步于《太空入侵者》。他们设计了一个神经网络，让它学着玩雅达利2600游戏机上49款不同的游戏。这个神经网络在其中的23款游戏中击败了职业玩家，并在另外6款比赛中达到了与普通玩家相当的水平。它特别擅长《打砖块》（Breakout）这款游戏，游戏的玩法是控制球拍把所有的砖块从墙上敲下来。经过相当于一个星期的不间断游戏后，它学会了“挖隧道”的策略：在砖块的一侧打开一个小洞，然后将球通过这个小洞直接送入砖墙顶部。一旦把缺口打开，球就会在墙头来回反弹，很快就能将砖块都打掉。当我和我的朋友们发现这个策略时，我们一下子就觉得这个游戏索然无味了。但谷歌的神经网络却不这样认为。它继续玩个不停，获得的游戏分数远远超过了人所能达到的分数。 被算法操控的生活OUTNUMBERED 204 ## PDF_PHYSICAL_PAGE_INDEX=225 | PRINTED_PAGE=205 在神经网络能够顺利地玩游戏之前，科学家需要调整隐藏神经元之间的连接，以便为每个输入获得正确的输出集。如果外星人在飞船上方，我们希望算法按下按钮将其击落。如果一颗外星人的子弹即将打到宇宙飞船的船头，我们就需要让算法马上将飞船开到障碍物后面。训练就是这样进行的。开始时，谷歌工程师没有告诉他们的神经网络与这款它马上要玩的游戏有关的任何信息。他们用神经元之间的随机连接建立了网络，这意味着飞船的移动和射击也或多或少是随机的。 在随机设置的情况下，神经网络会输掉很多场游戏，但偶尔它会“不小心”射杀一个外星人并得分。训练过程涉及查看一长串的屏幕截图（输入）、手柄移动（动作）和分数（结果)，并计算出这些动作是增加还是减少了神经网络的游戏分数。然后网络就会被更新，能够获取得分的神经元连接得到加强，在游戏中丢命的神经元连接则被减弱。在世界上速度最快的计算机上进行了几周的训练后，神经网络就可以将屏幕上特定的模式与得分最多的手柄动作关联起来。 同样的方法也可以用来学习其他不同的游戏，比如《机甲坦克大战》(Robotank)、《Q伯特》(Q\*bert)、《拳击》(Boxing)和《公路奔逃者》(RoadRunner)。这些游戏的屏幕模式非常不同：在《机甲坦克大战》中，你必须追逐敌人的坦克并试着向它们开火；在《Q伯特》中，你必须控制着一个试图给六边形涂色的橙色小怪物，避免它被紫色的蛇抓住；在《拳击》中，你需要击打对手的脸；在《公路奔逃者》中，你必须在路上奔跑，还要避免被狐狸撞倒或抓住。将每个游戏都玩了许多次后，神经网络会慢慢地掌握游戏的基本模式，并搞清楚哪些物体对于玩好游戏是至关重要的。谷歌的研究人员由此创造出一种人工智能，可以从零开始学习任何一款游戏。 第三部分 人工能的未类了吗？ 205 ## PDF_PHYSICAL_PAGE_INDEX=226 | PRINTED_PAGE=206 卷积神经网，卷积出奇迹 对于人来说，识别游戏的模式简直轻而易举。当九岁的我第一次看到《太空入侵者》时，我马上就能分辨出外星人、房子和防御坦克。但是在以往让电脑学会玩游戏的尝试中，寻找游戏模式的任务一直是一道电脑难以逾越的障碍，因为电脑理解不了游戏的原理。 被算法操控的生活OUTNUMBERED 206 ## PDF_PHYSICAL_PAGE_INDEX=227 | PRINTED_PAGE=207 谷歌的解决方案很大程度上要归功于一种叫作“卷积”（convolution)的数学方法。我们经常将convoluted(意为“复杂的”，“费解的”）这个词用于convoluted explanation（复杂的解释）这一词组，代指复杂深奥、千头万绪、一言难尽的事情。对于学玩游戏的神经网络来说，最复杂的是游戏的截图。当算法玩《太空入侵者》时，输入到神经网络的是雅达利2600系列游戏机上像素为210×160的屏幕画面。在神经网络的第一个隐藏层中，初始屏幕截图会被拉伸为一系列更小的图像，这些更小的图像随后被输入到网络中的隐藏神经元（图16.1)。新产生的图像在第二层和第三层的网络中重复前面这个过程，然后在更深的隐藏神经元中产生更小的图像。到了这一步，初始屏幕截图已经被高度卷积：它现在由大量的小图像组成，每个小图像只捕获整体图像的一小部分。这些小图像存在一定的重复性，因此难以被置于一个大的背景下，就像你某个叔叔没完没了地给你讲那些学生时代的故事一样。 通过将这些小图像传至第四层和第五层，深层的神经网络可以将这些图像拼到一起（图16.1)。第四层和第五层的神经元之间有丰富的连接，神经网络正是在第四和第五层中学习小图像和最佳操作之间的关系。也正是在这里，它分析出了游戏中重要物体的大小。如果在网络学习的游戏里面，重要的物体都很大，比如《拳击》中的拳击手，那么网络就会在相近的神经元之间形成很多非常相似的连接；如果这些物体很小，比如太空入侵者，或者Q伯特打算染色的六边形，那么神经元之间的连接将会更加复杂。如果物体可以改变大小，就像《机甲坦克大战》中的坦克一样，那么不同卷积层之间的连接就会变得相似。卷积神经网络是一种异常强大的技术，因为它可以自动地找到重要物体的大小和形状，而不需要程序员来告诉它要寻找的目标物是什么。 卷积神经网络的概念在20世纪90年代左右就出现了，但在很长一段时间里，它都只是许多被认为可以用来帮助计算机检测模式的算法中的一种。直到亚历克斯·克利泽夫斯基（Alex Krizhevsky）2012年在加利福尼亚州塔霍湖举行的神经信息处理系统（Neural Information ProcessingSystem）大会上做了一场为时四分钟的报告，研究人员才开始特别注意卷积方法。这个大会每年都会举办一项比赛，内容是让人工智能自动识别图片中的不同物体，亚历克斯也参加了那年的比赛。对于人类来说，完成这项任务易如反掌。这些照片呈现各种各样的场景：一群正在炫耀他们捕到的大鱼的男人、一排豪华的超级跑车、一个挤满人的酒吧和两个正在自拍的女人，以及其他五花八门的生活场景。算法玩家的任务是找到图中的物体，也就是鱼、人、汽车、酒吧里的人，以及用来自拍的手机。在亚历克斯向参会者介绍他的研究之前，人们认为这个图像识别任务是非常困难的。即使科学家针对这个问题调整了算法，人工智能在执行这项任务时，每四次也至少会有一次出错。 第三部分 人工智能的未来算法越来越像人类了吗？ 207 ## PDF_PHYSICAL_PAGE_INDEX=228 | PRINTED_PAGE=208 亚历克斯使用卷积神经网络将错误率降低到了六分之一。他并没有把需要分类的物体的大小、形状告诉算法，他只是让它学习。在学习了几百万张图片后，算法已经相当出色了。其他方法依赖于人来定义物体的重要特征（如边缘、形状和颜色对比)，而亚历克斯的卷积方法只需要建立好网络，然后把一切交给网络自己去做。 神经网络能够识别人脸，却无法规划全局 2012年的比赛只是卷积神经网络大放异彩的开始。亚历克斯当时还是一名博士生，他使用的电脑仅配置了几张游戏显卡。卷积神经网络技术被各界关注后，其他研究人员就立刻开始对其进行改进，并将更强大的计算机应用到这项技术上。第二年的获奖作品已经能够在识别图片中的物体时做到八次才错一次，到2017年，其错误率已低于2%。谷歌和脸书都开始注意到这一点。他们意识到，卷积神经网络解决了他们业务的核心问题。如果一种算法可以自动识别朋友的脸、我们最喜欢的动物以及我们去过的异国他乡，那么这些公司就可以在进行营销时更好地瞄准我们的兴趣。 被算法操控的生活OUTNUMBERED 208 ## PDF_PHYSICAL_PAGE_INDEX=229 | PRINTED_PAGE=209 亚历克斯和他的博士生导师杰弗里·辛顿(Geoffrey Hinton)随即被谷歌纳入麾下。2013年，人工智能竞赛冠军之一罗伯·弗格斯(RobFergus）加入了脸书。2014年，谷歌组建了自己的竞赛团队，并火速招募了牛津大学博士生卡伦·西蒙尼扬(Karen Simonyan)，西蒙尼扬最后在当年的竞赛中获得了第二名。2015年，微软研究员何恺明和他的同事获得了比赛大奖。次年，何恺明被脸书聘用。神经网络领域顶尖的研究人员一个接一个地火速加盟了微软、谷歌和脸书新成立的人工智能小组。 这些研究人员加入网络巨头的目的不仅仅是为了识别图像中的物体。亚历克斯的重大研究突破证明了一点：无须告知卷积神经网络要解决什么问题，它就能够通过学习来处理问题。很快，卷积神经网络在手写和语音识别任务上击败了竞争对手。它可以识别视频短片中的动作，并预测接下来会发生什么。 这就是为什么玩雅达利游戏的卷积神经网络比在国际象棋比赛中击败卡斯帕罗夫的算法更令人兴奋的原因。当“深蓝”获胜时，研究人员已经肯定电脑可以在深奥的游戏上打败人类，但他们就此止步。比赛一结束，媒体做完采访，研究人员关掉“深蓝”就回到他们的日常工作中去了。喧嚣过后，一切照旧。 但神经网络的问世带来了截然不同的前景。算法解决了一个又一个问题。苹果在iPhoneX的人脸识别功能中专门使用神经网络识别手机主人的脸。特斯拉在它的汽车视觉系统中使用神经网络来警告司机可能会出现车祸。随着卷积神经网络在视觉问题上取得进步，循环神经网络在语言问题上也取得了类似的成就。通过使用新的神经网络技术，谷歌大大提高 第三部分 人工智能的未来类了吗？ 209 下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/094ce2a7-d7e6-4de6-a84c-9994a96a3c4a.md?start=230&limit=10)