智慧的疆界 从图灵机到人工智能

美国虽然放弃发展工业机器人，但在具备自主移动、自主环境感知和应对的移动机器人（Mobile Robot）上的研究和技术积累仍然冠绝全球，成果累累。今天小到家庭使用的扫地机器人，大到被发射到火星上的探测器，还有非常火热的无人驾驶汽车，都受益于这些研究带来的技术红利。

1969 年， 斯 坦 福 大 学 人 工 智 能 研 究 中 心（Artificial Intelligence Centerat Stanford Research Institute，AIC@SRI^○一）的尼尔斯·尼尔森（Nils Nilssen，1933—）教授研发了一款名为“ Shakey”的车型机器人，这是世界上第一台可以自主移动的机器人（见图 5-11a），它被赋予了有限的自主观察和环境建模能力，控制它的计算机非常巨大，甚至需要填满整个房间。制造 Shakey 的目的是证明机器可以模拟生物的运动、感知和障碍规避。在 Shakey 出现十年以后，《智力后裔：机器人和人类智能的未来》的作者汉斯·莫拉维克（HansMoravec，1948—）教授在斯坦福大学建造了世界上第一台完全由计算机控制、可以自动驾驶的小车（见图 5-11b），并成功绕行斯坦福大学人工智能研究中心大楼一圈，可以称得上是无人车的鼻祖。

第 5 章 行为主义学派

165

○一 SRI 于 1970 年从斯坦福大学独立出去，成为美国一个独立的非营利性研究组织，并在1977 年改名为“SRI International”。

经过几十年的积累，斯坦福大学人工智能研究中心（即今天的斯坦福国际研究中心，SRI International）已成为探索这类具备环境探测和反应能力的自动驾驶移动机器人的世界前沿阵地。2004 年起，美国国防高级研究计划局（Defense Advanced Research Projects Agency，DARPA）曾连续举办过三年“DARPA 无人驾驶机器人挑战赛”（DARPA Grand Challenge），以大额奖金鼓励自动驾驶和无人车的研发。首届比赛中，斯坦福大学人工智能研究中心研发的“斯坦利”（Stanley）自动驾驶汽车获得冠军，它成功越野行驶 212 公里，第一个到达终点，最终赢得 200 万美元大奖。这些研究成果很快被商业公司所吸收和应用，拥有世界上第一辆美国机动车管理局合法车牌、在公共道路上不需要安全员即可进行无人驾驶实验的车辆的 Waymo 公司（于 2016 年从谷歌无人车部门独立出来成为公司，2018 年曾被摩根士丹利估值 1980 亿美元，甚至超过了丰田、福特等传统整车制造商），以及目前世界上最著名的无人车企业之一特斯拉（Tesla）公司，它们的总部都建在斯坦福大学所在的硅谷地区。

在 2001 年加入世贸组织以后，中国的制造业快速发展，逐渐成为无可争议的“世界工厂”。与美国对待工业机器人的保守态度完全不同，中国在连续多个“五年计划”和“中国制造 2025”等国家政策上都明确将发展工业机器人作为制造业产业升级的关键。在宽松的发展环境和庞大的需求的共同驱动下，中国不仅在消费端成为工业机器人最大的单一市场，在供应端中国品牌的工业机器人也占据了全球 52% 的市场份额（2022 年统计数据），创立仅 20 余年的深圳市汇川技术股份有限公司（简称汇川技术）的市值就已超过了原工业机器人四大企业之一、有着 100 多年历史的日本安川电机。即使在美国重点发展的无人驾驶领域，也形成了以华为自动驾驶系统（Autonomous Driving System，ADS）为代表的中国智驾技术与美国特斯拉全自动驾驶（Full Self-Driving，FSD）为代表的西方技术相互竞争的格局。

如维纳所料，控制科学、机器人学和人工智能这些学科的出现和发展，确实极大地改变了人类的经济和生活方式，不过，维纳的预言并没有完全应验，科技的发展并未淘汰掉人类，没有削弱人类在智力上的优势，也没有抢夺人类的工作。目前，人工智能、机器学习、深度学习和大数据等相关的工作职位大量涌现，这是第三次工业革命从自动化、信息化逐步发展到智能化阶段的表现，是技术深刻影响经济活动和社会生活的缩影。在这场数字革命中，我们取得了一些成绩，但这仅仅是智能化阶段的开端，未来的道路还十分漫长。

166

第二部分 学派争鸣

5.8 本章小结

在本章，我们接触到了人工智能三大学派中的最后一个—行为主义学派，行为主义所追寻的智能来自“感知—动作”模式，这个学派认为是否存在智能，取决于感知能力和表现出来的外在可见的行为，而智能行为又是必须通过现实世界与周围环境交互才能表现出来的，因此智能不是仅存在于脑部的智能，而是与身体和所处的环境都有密切的联系。

控制科学、行为主义方法在机器人学中有非常广泛的应用，并且取得了一些成果。不过这种“自下而上”寻找智能的方式，是止步于昆虫层面的应用智能，还是能直达人类层面的通用智能，这一点连现在这个学派的学者都普遍存疑。现在，人工智能三大学派都遇到了难以突破的瓶颈，将三大学派的方法糅合起来共同运用、相互取长补短是未来寻求智能的一种趋势，也是一条相对更具有突破可能性的道路。

第 5 章 行为主义学派

167

第三部分

第三波高潮

第 6 章

机器学习概览

Machine learning is the study of algorithms that allow computer programs to automatically improve through experience.

机器学习就是一种可以让机器根据历史经验自动改进自身的学习算法。

—汤姆·米切尔（Tom Mitchell），《机器学习》，1998 年

6.1 概述

图灵在《计算机器和智能》中首次提出了“学习机器”（Learning Machine）的概念，以极具预见性的眼光洞察到能否实现人工智能的关键，很可能就取决于能否或者说何时解决“如何让机器拥有学习能力”这个问题。

“学习”是一种伴随人类终生的普遍的行为，它的含义是很广泛的，并不是一定要在学校接受教育才算是学习，也不一定只有读书、思考才算是学习。所有的对象，不论人类还是动物，甚至是无生命机械，如果受到外界信息的刺激之后能形成经验反应，并影响日后的行为，那这个过程就可以称为“学习”。就这种广义的定义而言，学习并不局限于人类，几乎所有的生命体与生俱来都拥有着不同程度的学习能力，而现在还没有找到确切答案的问题是：学习是不是上帝赋予生命的特权？机器是否也能够拥有学习的能力？经过众多科学家数十年的持续研究，目前在机器自主学习方面已经取得了一些进展，但仍然存在很多还未得到妥善解决的问题。

曾经人们试图绕过“机器学习”这个障碍，尝试尽可能地发挥机器本身的特长，如高速的计算能力和海量的存储能力，用逻辑符号推理来模拟人脑的思考、用人类总结从外部给机器灌输知识等去寻找获得智能的可能性（这些努力可详见第 3 章），但这些尝试都遇到了巨大的困难，均没有获得明显突破。相比自然界之中无穷无尽的自然规律，以及人类历史发展数千年的庞大知识积累，机器引以为傲的运算速度和人类总结灌输知识的效率都显得微不足道。

经过各种方向的探索尝试，今天人工智能的主流研究方向不得不又重新回到了死磕“如何让机器学会‘学习’”这个课题上，人工智能的学者基本已经接受了必须让机器具有通过历史经验修正自身的能力、具有接受外界输入的刺激并获得自我进步的能力，才是迄今最有希望通往人工智能的路径。

而对于公众来说，大约是 2012 年开始，机器学习几乎是一夜之间成为流行词。经过以 Gartner Group 等公司为首的一大批信息技术咨询公司在这些年的大肆宣传，人们对机器学习的期望和关注都已积累颇多，可能已经超过了机器学习本身所能解决的问题的范畴。正式探讨“学习机器”这个热门话题之前，我们需要先给它设定一个合理的期望与定位：机器学习是人工智能中的一种重要技术，做出了许多令人惊讶的成果，它相对于人工智能的地位，有点类似于数学相对于科学的地位，基础而且重要。不过，机器学习并不是魔法，也不是科幻想象中那种能把机器从一张白纸逐渐教育成智慧机械生命的神奇手段，它其实与人类从懵懂到睿智的教育过程几乎没有相同之处，让机器沿用学习一词，是取其“从经验中改进自身”的含义，而不是说它与人类的学习行为有相近之处。

我们还应意识到要实现能有效解决问题的机器学习是困难的，原因是没有能够学习所有知识的通用方法，也不会有能够解决所有问题的通用知识，每一个问题都需要通过专门的学习过程，寻找出能够解决问题的正确模型。而且，找到正确模型这件事情同样困难，机器学习相关的工作在业内常被自嘲为“炼丹”，意思是迄今尚未出现一套完整的、严谨的、可一步步参照着操作的关于机器学习中如何建模的方法论，机器学习问题大多是需要处理者根据实际场景的特点和自身的经验去解决的。这个过程考验操作者的技术和经验，运气和灵感这种难以琢磨的因素的占比也不小。训练模型常会由于模型的函数、参数和网络结构选择不当，优化策略或者算法不对，训练的数据不够等问题，导致机器学习不能交付令人满意的结果。

第 6 章 机器学习概览

171

本章会系统地探讨一系列关于机器学习的话题，希望在讨论中获得该领域中某些关键问题的答案，至少要解释清楚以下 4 个最基础的问题：

1）机器学习是什么？有什么价值 ?

2）它能解决哪些问题？

3）它通过哪些步骤来解决问题？

4）如何验证、评估它的解决效果？

在这个过程中，读者将会接触到不少新的概念和知识，这些新知识虽然和统计学、数据挖掘这些老牌学科与技术有很深的关联继承关系，但是对于普通人来说，大多属于日常学习和工作中并不会接触的“冷知识”。由此决定了本章内容势必会显得更“学术化”，也少了一些故事性。如果读者不是理工科专业出身，只是抱着科普的目的来阅读本书，那在后续阅读中看见涉及公式推导和运算的内容时可以直接略过，笔者写作时已经认真考虑了在不去理解这些专业内容的前提下，如何令读者获悉人工智能的概貌，以保证跳过它们不会对理解后续内容带来明显的影响。但是，如果读者阅读本书的目的是入门人工智能这个领域的话，那这些“不友好的文字”便是你日后探索“神经网络”“深度学习”等内容必要的背景知识和专业基础，现在多花费一点时间和心思，认真扎实地掌握这些新知识，对后续人工智能的学习是很有价值的。

6.2 什么是机器学习

创投、管理、技术、产品等各种圈子里提及人工智能，基本都要讲到“机器学习”，这个词语相信大家已经耳熟能详了，但是，听了很多遍“机器学习”这个名词后，大家想过“机器学习”到底是什么吗？这是一个概念性的开篇话题。

172

第三部分 第三波高潮

机器学习是人工智能与统计学、数据挖掘结合而发展出来的一门分支学科，目前的机器学习与统计学、数据挖掘仍有大量的概念、思想和算法是互相重叠或者存在继承关系的。许多时候，我们甚至习惯于把机器学习三大基本方法中的无监督学习和数据挖掘中的数据分析技术混为一谈，二者都是研究数据的结构、模式、分布特征方面的问题，如数据聚类、主成分分析等。不过，当前机器学习领域中更显热闹（更被大众所关注）的是另外两种基本学习方法，即研究智能模型输入数据与输出结果中隐含的关联关系的监督学习，以及研究环境反馈对智能模型行为影响的强化学习。

有好几位人工智能的先驱都曾提出过机器学习的定义，其中最早的很可能是那位写出了第一个拥有机器学习能力的跳棋程序的 IBM 第一代程序员塞缪尔，他认为只要不用程序员显式地给机器编程就能够实现某些功能便是机器学习^○一。而第一个在学术上符合今天机器学习思想的定义，是由司马贺在 1959 年所提出的^○二：

“如果某个系统可以从经验中改进自身的能力，那这便是学习的过程。”

这句话十分简洁却极为有力，直接揭示了机器学习最本质的特征：“从经验中改进自身。”但是它还不够具体：什么是经验？什么是改进？怎样改进？如何度量改进了多少？这些要素并没有得到明确的解释，仍然要依赖人类的语言和自身的思想见识去诠释，所以在研究中其实不太好操作。

1998 年，卡内基梅隆大学的汤姆·米切尔（Tom Mitchell，1951—）教授在他撰写的《机器学习》一书中，对司马贺的定义进行了一系列补充，增加了几个具有可操作性的辅助描述符号，笔者将其英文原文部分摘录如下：

第 6 章 机器学习概览

173

○一 塞缪尔关于“机器学习”定义的原话为：“机器学习是不使用确定性编程算法为计算机提供学习能力的研究领域。”

○二 资料来源：https://www.cis.upenn.edu/\~cis519/fall2014/lectures/01\_introduction.pdf。

如果按中文的语言习惯来解读，这个定义可以理解为：“假设某项评价指标可作为系统性能的度量（Performance，简称 P），且这个指标可以在某类任务（Task，简称 T）的执行过程中随着经验（Experience，简称 E）增加而不断自我改进的话，那么我们就称该过程‘ Process<P, T, E>’是一种学习行为。”这个定义明确列出了“任务 T”“度量 P”“经验 E”与学习过程“Process<P, T, E>”这几个符号，使得它读起来显得有点拗口，但这些符号都是必要的，它们构成了机器学习的一种最基础的形式体系，只要再结合几个具体例子，就可以使这个定义变得形象。

以本轮人工智能风潮最初的热点“人机对弈”为例，机器学习采用每一步落子位置对全局胜率的影响（度量 P）来评价系统性能，在每一次对弈（任务T）中，基于机器学习算法的人机对弈软件^○一，是根据历史棋局的对局数据（经验E），来修正根据棋盘局面推算每一步的最佳落子位置的模型，通过越来越接近模型的输出结果，计算出当前形势下相对胜率最高的落子位置。

对于人工智能另一个备受关注的应用方向“汽车自动驾驶”，机器学习采用各种路况下正确的驾驶操作的概率（度量 P）来评价系统性能，在不同路况的行驶过程（任务 T）中，无人车是基于机器学习训练出来的模型来实现自动驾驶的，而不是依赖程序员的编程来判断各种路况，因为编码几乎不可能穷举出所有可能的路况，必须根据长期行驶的路况和操作记录的分析结果，基于人类应对各种路况的经验（经验 E）来修正这个驾驶模型，然后由这个模型来决定在传感器提供的图像、速度等信息下，机器采取怎样的驾驶操作才是正确的。

上面这些机器学习的定义和例子，都是从机器学习的本质出发，即从它“是什么”、要“做什么”的角度来解释机器学习这个概念。还有另一种在教科书中常见的表达形式，是从机器学习的过程元素入手，将机器学习分解为三个部分，从机器学习“怎么做”的角度来定义它。在李航老师的《统计学习方法》一书中，就提出机器学习由“模型”“策略”和“算法”三个要素构成：

174

第三部分 第三波高潮

○一 有许多棋类对弈软件是基于搜索算法的，如多数象棋软件，这里仅指通过机器学习来实现的对弈软件，譬如近年来能和职业选手对抗的围棋软件。