机器学习和AI是实时的还是Memorex

如果您是在1970年代后期观看电视(甚至是在世的话)，您会熟悉Memorex的一次出色的广告活动，通过比较电视和真实声音来吹捧其录音带的质量。最令人难忘的是难忘的Ella Fitzgerald击中高音并弄碎了酒杯，却使镜头平移，因为她在电视上看着自己，旁边是破损的玻璃杯。

一位非常杰出的人工智能研究员和AM图灵奖得主Judea Pearl在他的最新著作(与Dana Mackenzie合着)中论证了“原因之书：因果关系的新科学”，这是因为人们对不了解什么的理解不完整智力确实是。

我倾向于同意这一点。 我在LinkedIn上最近发表的一篇文章中写道：“如果您考虑一下，迈向AI的每一个新步骤，都不会产生每个人都认可的真正智能，而只会揭示真正的智能不是。” 我的意思是，在我们拥有对话式自然语言处理的面部识别软件之前，我们以为是AI，但事实证明它并不是真正的智能或推理。这只是技巧。

在最近的AI春季中，最大的哇因素-AI冬季通常被称为70到80年代首次尝试AI到随后的直到最近的时期之间的时期-机器学习和AI的兴趣和投资激增。有一些浮华的戏法，例如IBM的Watson击败了最佳的Jeopardy冠军(尽管该Watson机器的“智能”很少保留给以后的生产版本)，Apple的Siri或AlphaGo( 围棋)由Google LLC DeepMind实验室的研究人员制造的机器击败了中国大师傅杰杰。

这些事情使珍珠不为所动。作为一个纯粹的逆势主义者，他认为这并不是什么新鲜事物，只是几十年前摩尔定律所增强的学科计算 ：浏览大量数据以寻找事物。他说的话确实引起了所有人的注意：

“深度学习的所有令人印象深刻的成就都等于曲线拟合。”

只是曲线拟合。这很苛刻，但这有效吗?

曲线拟合：根据Wolfram Research的曲线拟合文档，“在许多情况下，人们都希望找到最适合给定数据集的公式。” 听起来很简单，但事实并非如此。从简单的线性回归到对抗性神经网络，共有10到20种标准算法，从选择测试数据到选择功能，任何优秀的实验人员都应在做出许多关于应用它们的决定之后再应用它们。

一些常用的机器学习算法是：线性回归，逻辑回归，线性判别分析，分类和回归树， 朴素贝叶斯，k个近邻，收入向量量化，支持向量机，b agging和随机森林，然后启动和AdaBoost。

应当指出的是，其中每一个都是在大数据和机器学习开始之前开发的。研究使用这些算法的特征是它们现在消耗的大量数据和大量的计算资源。

只是曲线拟合?当您考虑它的复杂程度时，Pearl对“正义”的使用必须结合上下文。Pearl认为，要推动人工智能向前发展，我们必须用“因果”推理代替“联想”推理。他的论点是，无论您的数据集有多大，无论您有多少计算周期，如果您的目标是梳理数据中的关联和模式以进行预测，那么您就没有使用AI。他的愿景是机器将如何思考，而如今机器学习所缺乏的是“因果”推理。

附带说明，我有幸在20年前与Pearl一起工作，在那里我第一次了解了他的发明贝叶斯信念网络。如果我必须总结一下，我将这样描述BBN和ML的区别：前者以您已经知道的东西开始，而ML则假定您什么都不知道，除了您引入模型的有意或无意的偏差。

Pearl不忽略ML的价值。显然有一些非常有用的例子。但是，他说：“就深度学习所做的一切而言，我发现它们都停留在关联层次上。曲线拟合。这听起来像是牺牲品，可以说，深度学习的所有令人印象深刻的成就都等于仅仅将一条曲线拟合到数据上。从数学层次结构的角度来看，无论您多么熟练地操作数据以及在操作数据时读入了什么数据，它仍然是一条曲线拟合练习，尽管很复杂且很简单。”

“尽管很复杂而且很重要。” 我没有将ML与AI混为一谈，而是采用了非感知机器智能的定义，通常专注于狭窄的任务。这些狭窄的任务可能非常有用。将机器学习模型应用于软件产品的真正魔力是产生正确的组合，这些组合足以在各种情况下工作，并且功能强大，足以反复产生不平凡的结果，而不是没有用的示例，例如：驾驶员至少16岁会发生事故。”

珍珠的新书已经上市，而且有他在的前提下进一步学术阅读本文。

我对这一切的看法是，Pearl正在展望真正的AI，即我们所说的人工智能或AGI。如果没有推理和理解因果关系的能力，那么曲线拟合就很好。