机器学习之父说，别把啥都往人工智能上扯
神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。
编者按：迈克尔·乔丹 “机器学习之父”、美国科学院、美国工程院、美国艺术与科学院三院院士，加州大学伯克利分校教授。他表示，人们需要跳出传统视角，戳破外界为人工智能建构的泡沫。他表示不仅公众误解了人工智能一词，连技术专家也误解了。尽管这种发展被称为 “人工智能技术”，但底层系统并不涉及高级推理或思考。这些系统不会形成人类所能做到的那种语义表达和推理，不会制定和追求长期目标。原文标题Stop Calling Everything AI, Machine-Learning Pioneer Says，作者Kathy Pretz。
摄影：Peg Skorpinski
人工智能系统还远远没有先进到可以在许多涉及推理、现实世界知识和社会互动的任务中，取代人类。它们在低级模式识别技能上表现出人类水平的能力，但在认知层面上，它们只是在模仿人类的智能，而没有深入和创造性地参与其中，人工智能和机器学习的主要研究者迈克尔·乔丹（Michael I. Jordan）说。乔丹是加州大学伯克利分校电子工程和计算机科学系以及统计系的教授。
他指出，在把机器学习作为人工智能最新进展的工程领域，模仿人类思维并不是唯一目标，甚至不是最好的目标。相反，机器学习可以通过分析大型数据集来增强人类的智慧，就像搜索引擎通过组织网络来增强人类知识一样。机器学习还可以在医疗保健、商业和交通等领域为人类提供新的服务，将多个数据集中发现的信息整合在一起，寻找模式，并提出新的行动方案。
“在讨论技术趋势时，人们对人工智能的含义越来越感到困惑：认为计算机中存在某种智能思想，它是负责进步的，它正在与人类竞争。”他说。“没有这种情况，但人们说得好像我们有一样。”
乔丹应该知道其中的区别，毕竟，这位IEEE院士是全球机器学习领域的权威之一。据《科学》报道，2016年，他被一个分析研究出版物的项目评为最有影响力的计算机科学家。工程与技术史维基百科解释说，乔丹帮助将无监督机器学习（可以在没有预先存在的标签的情况下在数据中找到结构）从一个不相关的算法集合转变为一个智力上一致的领域。无监督学习在科学应用中扮演着重要的角色，在这些应用中，没有既定的理论可以提供有标签的训练数据。
乔丹的贡献为他赢得了许多奖项，包括今年美国数学协会颁发的随机理论和建模的Ulf Grenander奖。去年，他获得了IEEE约翰·冯·诺依曼奖章，以表彰他对机器学习和数据科学的贡献。
近年来，他一直致力于帮助科学家、工程师和其他各方了解机器学习。他认为机器学习的发展反映了一个新的工程领域的出现。他将其与20世纪初化学工程从化学和流体力学基础上的兴起相提并论，指出机器学习是建立在计算机科学、统计学和控制理论几十年的进展之上的。此外，他说，机器学习是第一个以人为中心的工程领域，专注于人与技术之间的接口。
“虽然关于人工智能和超级智能的科幻讨论很有趣，但它们是一种分散注意力的事。”他说。“真正的问题还没有得到足够的关注，那就是建立基于行星尺度的机器学习系统，这些系统能够真正发挥作用，为人类提供价值，并且不会放大不公平现象。”
加入人工智能运动
作为一名60后，乔丹一直对哲学和文化视角下的大脑运作方式感兴趣。他在阅读了英国逻辑学家伯特兰·罗素的自传后，受到启发，开始学习心理学和统计学。罗素将思想作为一个逻辑数学过程进行探索。
“思考思维是一个逻辑过程，计算机已经从逻辑的软件和硬件实现中产生，我看到了与心灵和大脑平行的东西。”乔丹说。“我感觉哲学可以从关于心灵和大脑的模糊讨论过渡到更具体、算法和逻辑的东西，这吸引了我。”
乔丹在路易斯安那州立大学学习心理学，1978年获得该专业学士学位。1980年，他在亚利桑那州立大学获得数学硕士学位，1985年在加州大学圣地亚哥分校获得认知科学博士学位。
当他进入大学时，机器学习领域并不存在。他毕业时，机器学习才刚刚开始出现。
“虽然我对机器学习很感兴趣。”他说，“当时我已经觉得理解学习所需要的更深层次的原理要在统计学、信息论和控制论中找到，所以我没有给自己贴上机器学习研究者的标签。但我最终还是接受了机器学习，因为其中有有趣的人，而且正在进行创造性的工作。”
2003年，他和学生开发了LDA（Latent Dirichlet Allocation），这是一个概率框架，用于以无监督的方式学习文档和其他数据集合的主题结构。该技术让计算机，而不是用户，从文档中发现模式和信息。该框架是最流行的主题建模方法之一，用于发现隐藏的主题并将文档分类。
乔丹目前的项目在他早期融合计算机科学和统计学的基础上，融入了经济学的思想。他认为，学习系统的目标是做出决策，或者说是支持人类的决策，而决策者很少是孤立运作的。他们与其他决策者互动，每个人都可能有不同的需求和价值，整体互动需要以经济原则为依据。乔丹正在制定 “一个研究议程，在这个议程中，代理人从真实世界的实验中了解自己的偏好，他们在收集数据进行学习时，将探索和利用融合在一起，市场机制可以构建学习过程，为学习者提供激励，让他们收集某些种类的数据并做出某些种类的协调决策。这种研究的受益者将是现实世界的系统，它将生产者和消费者聚集在以学习为基础的市场中，关注社会福利。”
澄清人工智能
2019年，乔丹撰写了《人工智能：变革尚未发生》，发表在《哈佛数据科学评论》上。他在文章中解释说，不仅公众误解了人工智能一词，技术专家也误解了。他写道，早在20世纪50年代，当这个AI这个术语被创造出来的时候，人们就渴望制造出拥有人类水平智能的计算机器。他说，这种愿望仍然存在，但在这几十年间发生的事情却有所不同。他写道，计算机本身并没有变得“智能”，但它们提供了增强人类智能的能力。此外，它们在低级模式识别能力方面表现出色，这些能力原则上可以由人类执行，但代价巨大。例如，基于机器学习的系统能够大规模检测金融交易中的欺诈行为，从而催化电子商务。它们在制造业和医疗保健领域的供应链建模和控制中至关重要。它们还能帮助保险代理人、医生、教育工作者和电影制片人。
他写道，尽管这种发展被称为 “人工智能技术”，但底层系统并不涉及高级推理或思考。这些系统不会形成人类所能做到的那种语义表达和推理。它们不会制定和追求长期目标。
在可预见的未来，计算机在对现实世界情况进行抽象推理的能力上将无法与人类相提并论。”他写道。“我们将需要人类和计算机经过深思熟虑的互动来解决我们最紧迫的问题。我们需要明白，大规模系统的智能行为既来自于代理人之间的相互作用，也来自于单个代理人的智能。”
此外，他强调，在开发技术时，人类的幸福不应该是事后的想法。他写道：“我们有一个真正的机会来构思一些历史性的新事物：以人为本的工程学科”。
乔丹的观点包括重新讨论工程在公共政策和学术研究中的作用。他指出，当人们谈论社会科学时，听起来很吸引人，但社会工程这个词听起来不讨喜。基因组科学与基因组工程的关系也是如此。
“我认为，我们已经让工程这个术语在知识领域变得越来越少。”他说。当人们希望提及有远见的研究时，就会用科学一词代替工程。诸如仅仅是工程之类的短语也无济于事。
“重要的是要记住，对于科学为人类所做的所有美好的事情，其实都是工程：土木、电气、化学和其他工程领域。它们都最直接、最深刻地提高了人类的幸福感。”
译者：蒂克伟
本文来自翻译, 如若转载请注明出处。