機器學習是現(xiàn)在大家都打了雞血想用的技術(shù)。

但是，多數(shù)人認為只有那些懂技術(shù)的專家才能用好它。其實，現(xiàn)在機器學習已經(jīng)集成到了各個領(lǐng)域，并且對用戶非常友好。一些非技術(shù)的小白完全能夠使用現(xiàn)成的軟件解決自己領(lǐng)域的專業(yè)問題。

這次，我們?yōu)榇蠹規(guī)砹薌oogle研究主管 Peter Norvig在O'Reilly和Intel共同舉辦的AI Conference舊金山站所做的演講——《AI的應用廣度：正在擴展中》，來看看那些非計算機領(lǐng)域的專家如何利用機器學習解決問題。

首先講一個熟悉的故事，這個故事是關(guān)于人工智能和機器學習技術(shù)的快速發(fā)展的，具體來說時候發(fā)生在2010年。

那時理論學家,數(shù)學家,和計算機科學家開始重新關(guān)注神經(jīng)網(wǎng)絡和機器學習技術(shù)，并且在這些方面取得了一些進展，并且讓一些應用的性能有了很高的提升。

就拿熟悉的計算機視覺來說，2010年ImageNet比賽的競賽成績和錯誤率，已經(jīng)取得不錯的成績，而且在那之后我們很快達到并且超過人類水平。

在自然語言方面我們也有相似的故事，上圖里表示的是我們在機器翻譯方面的進展，縱軸是翻譯質(zhì)量，越高代表結(jié)果越好，橫軸代表不同語言的翻譯任務。藍色是傳統(tǒng)統(tǒng)計模型的最好成績，綠色是新一代的端到端神經(jīng)網(wǎng)絡模型。

注：端到端指的是輸入是原始數(shù)據(jù)，輸出是最后的結(jié)果，特征提取這一步融入到算法當中，不需要人為干預。

通過這兩個“故事”，我們可以知道傳統(tǒng)模型和人類間的差距，已經(jīng)被新一代技術(shù)追上了一半甚至90%，可以說機器翻譯幾乎已經(jīng)發(fā)展到人類翻譯的水平了。

技術(shù)進步的背后

對于這些偉大的技術(shù)突破，我們要感謝人工智能領(lǐng)域內(nèi)的幾位大師，比如Feifei，Jeff和Quoc 等。他們已經(jīng)在相關(guān)領(lǐng)域鉆研多年，提出創(chuàng)新的理論并把這些創(chuàng)新應用到實踐。

同時另外一些專家也在這方面做出了貢獻。Bengio說： 哎 我覺得激活方程不應該這么彎彎曲曲的，我覺得它應該是條直線。Goodfellow說：我們不應該只訓練一個網(wǎng)絡，我們應該同時訓練兩個然后讓他們倆打架。然后Sergey說：我們不應該只隨機打亂數(shù)據(jù)一次，因為我們有可以并行計算的機器，我們應該優(yōu)化數(shù)據(jù)隨機化方式，我們把各種技術(shù)都融合在一起。

正是因為這些學者的努力，才能建立了我們今天的機制，才達到了今天取得的技術(shù)進展。

非專家也能用機器學習解決問題

我們現(xiàn)在更需要的是各個領(lǐng)域的從業(yè)者主動參與進來。雖然我們不是機器學習專家，但是我們知道該如何解決我們領(lǐng)域中需要解決的問題。

可能你的疑問是機器學習工具能幫助我們解決這些問題么？下面有幾個很棒的案例將會回答你。

機器學習破解引力透鏡效應

斯坦福大學的一些天體物理學家希望探索引力透鏡效應。

引力透鏡效應：愛因斯坦的廣義相對論所預言的一種現(xiàn)象。由于時空在大質(zhì)量天體附近會發(fā)生畸變，使得光線經(jīng)過大質(zhì)量天體附近時發(fā)生彎曲。如果在觀測者到光源的直線上有一個大質(zhì)量的天體，則觀測者會看到由于光線彎曲而形成的一個或多個像，這種現(xiàn)象稱之為引力透鏡現(xiàn)象。

如果我們能弄清楚這個過程，我們就完全可以測量出第二個星系的質(zhì)量，甚至能幫助我們研究更有趣的事情，比如暗物質(zhì)等等。

一直以來物理學家是這么解決這個問題的呢？通過光向前傳播的物理公式，如果我們也知道這些星系的質(zhì)量，我們就可以用超級計算機來模擬出這些光到達地球時的樣子，然后我們比較模擬結(jié)果和望遠鏡觀測到的真實結(jié)果。如果這兩個結(jié)果有差異，我們就回去把星系質(zhì)量的參數(shù)調(diào)整一下。但是這個過程非常容易出錯。

顯然機器學習技術(shù)能夠求微分，并且可以從模型的結(jié)果反向推導出模型的參數(shù)，如果從光線的結(jié)果出發(fā)來反向推導，機器學習技術(shù)似乎能幫助我們解決引力透鏡效應。

幾個月后這些物理學家成功地完成了這項工作，新模型的計算效率比傳統(tǒng)方法要快一千萬倍。這可以說是個很大的進展。

深度學習能夠回溯數(shù)據(jù)，揭露以往未被發(fā)現(xiàn)的行星

科學家們試圖用開普勒望遠鏡尋找系外行星。當行星圍繞恒星運行時，一顆行星圍繞著另一顆恒星運行，就形成了光蝕（類似月蝕），來自恒星的光線也就減弱了。如果這個行星夠大，接近太陽大小，它會遮擋掉大量的光線。我們也就能探測到它了，實際上，我們也就是這么找星星的，并且使用這種方法我們發(fā)現(xiàn)了前幾百顆太陽系外的行星。

但是一旦我們挖掘了所有這些數(shù)據(jù)，我們可能知道的更多，例如隱藏在太陽系外的小行星還有多少。這種情況下，傳統(tǒng)的統(tǒng)計模型精度就不夠了。需要更精確的模型去探測星空中的其他事情。恒星發(fā)出的光線有變化嗎？中間是否有一個小行星場呢？將深度學習應用到這個場景中，我們可以回溯數(shù)據(jù)，揭露以往未被發(fā)現(xiàn)的行星。

預測植物是否得病

對于有些人，你甚至都不用太多的背景知識，就可以通過機器學習直接解決這些問題。這些技術(shù)不僅可用于人，也可以用于植物。對于熱帶木薯植物，它們?nèi)菀谆几鞣N疾病，如果你是個有經(jīng)驗的農(nóng)民，你大概知道出現(xiàn)上圖這種棕色的東西意味著植物得了這種疾病。

因為我們需要及時治療這些植物，但不是所有農(nóng)民都那么有經(jīng)驗呀。而且，隨著氣候變化，又出現(xiàn)了新的疾病類型。因此在AI時代，農(nóng)民可以通過手機給植物拍照上傳到云實時獲取植物的診斷結(jié)果。

視頻自動生成字幕

另外還有視頻自動生成字幕的案例，從某種意義上說，這只是語音識別，但是由于某些原因，它們也不完全相同，對于語音識別當你對著麥克風說話時，一次只有一個說話人。而字幕生成時，有不同的聲音在響，像撞車聲啊，爆炸聲啊，等等這些。

而字幕生成的任務也不僅僅是把視頻中的聽到的詞語組合在一起，你得判斷出哪些是需要出現(xiàn)在字幕中的詞語。哪些是應該忽略的詞語，你還得考慮何時需要加上一些備注。比如用括弧添加“音樂響起”之類的說明。可見，字幕生成是比講話識別復雜得多的問題。而這類問題正是機器學習的用武之地。機器學習可以告訴你：雖然無法提前預知要發(fā)生的一切，但根據(jù)以往的案例，我們?nèi)匀挥锌赡茏龀瞿承┡袛唷?/p>

拍照不再依賴專業(yè)的相機

很多人喜歡用專業(yè)的相機來拍照，不僅是因為更清晰，而且專業(yè)相機的鏡頭可以把背景虛化，拍出的照片更加有美感。

機器學習背景下，軟件做到這一點。雖然我們不能用軟件處理相機上的鏡頭，但我們可以剖析一張圖片，找到前景是什么，背景又是什么，然后將背景進行適度的虛化，上圖展示的每一張圖片，都顯示了機器學習能做的工作。

分析偏見

偏見普遍存在，例如性別偏見和社會上的各種其他偏見。最明顯體現(xiàn)在電影當中。在電影中我們可以剖析每部電影的角色畫面時間和角色發(fā)聲時間，然后用機器學習技術(shù)自動分析，誰在畫面當中，在做什么，誰是主要角色，誰是發(fā)聲的角色等等

然后可以展示數(shù)據(jù)，結(jié)果可能稍微有點復雜，不過基本上數(shù)據(jù)確實顯示偏見的存在

當女性做電影主角的時候，她的畫面時間要多于男性角色，但只多一點。而當男性做主角的時候他們的畫面時間要多得多，這說明偏見確實存在。

機器學習大幅度提高工作效率

上面的例子說明：機器學習用數(shù)據(jù)能夠告訴我們很多，但并不是機器學習專家才能使用。只要有一個想要探索的目標和探索的方向，并且想要簡單的過程，想要直接告訴技術(shù)人員，希望他們當天提供分析的結(jié)果，而不是進行復雜建模然后在一年以后給出答案，機器學習顯然能夠幫大忙。

作為實踐者我們可以說，我們不需要在每個環(huán)節(jié)都咨詢專家，我們可以提出任何想要解決的問題，使用更快、更好、更經(jīng)濟和更新的方法，利用機器學習的各種應用來解決這些問題。因為機器學習現(xiàn)在已經(jīng)給我們提供了可以輕松使用的工具。