大自然是理解人工智能的最佳指南 精選

編者按：縱觀歷史發展，技術學者也經常窺自然而研其道。對於AI來説，自然進化為我們提供了研究機器以及準備其未來發展的可借鑑框架。本文作者David Cheng是DCM Ventures的高級投資經理。
在現存的有機體中，進化是依靠基因不斷變異，代際傳承的結果。物競天擇，適者生存而不適者消亡。高度適應性是好事，但如果沒有及時進化出腮，洪水一來，全軍覆沒。

而另一方面，工程是一種精心規劃的過程，每一步紮實可靠以達到預期目標。隨着人工智能的出現，我們可以將機器學習算法的不斷進化看作類似生物學和工程學的交織發展。

為了更好理解這種對比（自然進化與機器進化）， 我們可以將機器學習中必需的數據集合看作「自然環境」，把訓練步驟看作「自然選擇」。訓練過程可以是監督學習或無監督學習，強化學習，聚類算法、決策樹或是不同的深度學習方法。
與自然進化高度相似的地方在於，生物體賴以生存的環境相同，但以各自的方式解決了相同的問題，殊途同歸。鯊魚和海豚最後會以相似生存機制存活，儘管它們有着完全不同的起源。同理，在機器學習中，經常用於圖像分割的K均值聚類算法，實際上是獲取了未分類的輸入數據（通常為圖像），然後輸出高相似度的聚類，反覆迭代直到得到預期的聚類羣組（在K均值算法中，當迭代聚類中心不再發生改變，即羣組相似度已達最高）。如果你將相同的數據給了十個人，讓他們使用不同算法解決相同問題，他們很可能會採取不同手段但得到相同結果。大自然和機器解決問題的方法，在某種程度上，高度相似。


對企業而言，這些為什麼至關重要？

隨着機器學習技術進入商業領域應用，企業面臨着研究策略以安全並高效地實施這項技術的挑戰。

• 縱觀歷史發展，技術學者也經常窺自然而研其道。以下是商業可以借鑑進化來理解人工智能潛在發展的幾種方式:
• 趨異進化：大自然中，趨異進化指的是多種生物有共同演化起源，但是演化過程中不斷分化，最終導致構造和功能不同。在人工智能中，乍看之下非常相似的問題，但即使在相關性極高的數據集中，用同源的幾種算法很難得到相同結果。例如，即便使用ImageNet進行目標識別效果不錯，並不意味着在視頻識別和麪部識別時依然奏效。
• 趨同進化：指的是自然界中兩種不同演化起源的生物體，卻有着相同的構造和功能。而人工智能中，留心觀察就能發現，看似在處理不同類型數據集，本質上都在解決同樣的問題。Google藉助用户搜索數據優化了搜索引擎中的拼寫檢查。Google通過使用搜索關鍵詞數據優化了檢索的拼寫檢查。他們會時刻跟蹤用户在查什麼，當他們注意到數百萬其他人拼寫方式不同，就會建議你做出同樣的拼寫，貼心之舉。
• 共同進化：在自然界中，可以看到捕食者和被捕食者、宿主和寄生者，互相影響，共同演化的現象。如果兩個AI系統共同發展，有趣的事情可能會發生。網絡安全公司正在研究機器學習解決方案，不斷訓練他們的系統去檢測新的網絡威脅。

眼下有大把的AI團隊幫助人們提高工作效率，但這些應用還處於起步階段，離人們的預期，還需要一次質變。或許最好的辦法就是將AI放到我們已經能理解的語境中——進化。


這對AI來説再好不過了，自然進化為我們提供了研究機器以及準備其未來發展的可借鑑框架。同時，AI團隊的領導者應該認真考慮AI發展戰略，投資必要的人才和基礎設施非常重要，以將他們的數據轉變為變革性的解決方案。


資料來源：36Kr