“如果一個人可以在1秒以內(nèi)完成一項思維任務，那么可能在現(xiàn)在或者不久的將來，我們可以使用人工智能（AI）來自動化處理這項任務?！?

——吳恩達

本文讀者大多數(shù)比較熟悉機器學習，也會使用相關算法來根據(jù)數(shù)據(jù)對結(jié)果進行分類和預測。然而，很重要的一點，就是機器學習并不是解決一切問題的萬能鑰匙。機器學習如此有用，所以大家很難接受一個事實——有時候機器學習并不是一個問題的最佳解決方法。

這篇文章就是想告訴大家，機器學習有時候是好的解決方案，有時候則不是。

眾所周知，機器學習作為人工智能的一部分，在過去十年對世界產(chǎn)生了革命性的影響。信息爆炸引起了大數(shù)據(jù)的采集，尤其是像臉書、谷歌這樣的大公司。數(shù)據(jù)量加上處理器功耗和計算機并行處理的快速發(fā)展，使得大數(shù)據(jù)的獲取和學習變得相對容易。

今天，對機器學習和人工智能的吹捧無處不再。這可能是對的，因為這個領域的潛力是巨大的。人工智能公司數(shù)量在過去幾年里爆發(fā)式增加，根據(jù) Indeed 的一份報告，2015-2018 年，與人工智能相關的崗位數(shù)量增加了 100%。

截至2018年12月，福布斯發(fā)現(xiàn) 47% 的企業(yè)在其業(yè)務流程中包含至少一個人工智能功能。根據(jù) Deloitte 的報告，內(nèi)置 AI 和基于云的 AI 開發(fā)服務在企業(yè)軟件的滲透率估計分別達到 87% 和 83%。這些數(shù)據(jù)是非常驚人的——如果近期你想做些職業(yè)變動，人工智能看上去是個不錯的選擇。

一切看上去都挺美好的？公司滿意，想來消費者也是滿意的——否則企業(yè)是不會使用人工智能的。

這很好，因為我是機器學習和人工智能的超級粉絲。然而，有時候使用機器學習就沒什么必要，也說不通，甚至在操作的時候會給人帶來困難。

局限1——倫理

眾所周知，機器學習作為人工智能的一部分，在過去十年對世界產(chǎn)生了革命性的影響。信息爆炸引起了大數(shù)據(jù)的采集，尤其是像臉書、谷歌這樣的大公司。數(shù)據(jù)量加上處理器功耗和計算機并行處理的快速發(fā)展，使得大數(shù)據(jù)的獲取和學習變得相對容易。

不難理解為什么機器學習會對世界產(chǎn)生如此大的影響，不用再明確它的能力是什么，可能更重要的，是知道它的局限是什么。尤瓦爾·赫拉利創(chuàng)造了有名的“數(shù)據(jù)主義”一詞，指的是我們正在進入的一個假定的文明新階段，在這個階段里，我們對算法和數(shù)據(jù)的信任超過了對我們自身判斷和邏輯的信任。

雖然會覺得這個想法可笑，但你想想上次去旅行的時候，是不是跟著 GPS 的導航而不是自己看著地圖走——你質(zhì)疑過 GPS 的判斷嗎？人們盲目地跟隨 GPS 的指引，結(jié)果掉進了湖里...

信任數(shù)據(jù)和算法超過自身的判斷，有利有弊。顯然地，我們從算法中獲益，不然一開始也不會使用。算法通過可用數(shù)據(jù)作出預期判斷來實現(xiàn)自動化處理。雖然有時候，這意味著某個人的工作會被一種算法取代，產(chǎn)生一些倫理問題。加之，如果事情變得糟糕，我們應歸責于誰？

最近討論最廣泛的例子就是自動駕駛——我們應該如何選擇汽車在撞死人后應該作出的反應？未來我們在購買汽車的時候，也不得不選擇自己購買自動駕駛車輛的倫理框架嗎？

如果我的自動駕駛車在路上撞死了人，那么是誰的責任？

這些都是引人深思的問題，但并不是本文的主要目的。顯然，機器學習不能告訴我們應該接受什么規(guī)范價值，即在世界上特定的處境里，應該如何采取行動。就像大衛(wèi)·休謨著名諺語所說，一個人永遠不能從“本來如此”得出“應該如此”。

限制2——確定性問題

這是我個人必須面對的一個問題，因為我的專業(yè)領域是環(huán)境科學，它嚴重依賴于計算建模和使用傳感器/物聯(lián)網(wǎng)設備。

機器學習對于傳感器來說是非常強大的，當連接到其他測量環(huán)境變量(如溫度、壓力和濕度)的傳感器時，機器學習可以幫助校準和校正傳感器。這些傳感器信號之間的相關性可以用來發(fā)展自校準程序，這在我研究的大氣化學研究領域中是一個熱點研究課題。

然而，當涉及到計算建模時，事情會變得更有趣。

運行模擬全球天氣、地球的排放和這些排放的傳輸?shù)挠嬎隳Ｐ驮谟嬎闵鲜欠浅０嘿F的。事實上，計算成本太高，即使在超級計算機上運行，研究級的模擬也可能需要數(shù)周的時間。

MM5和WRF是這方面的很好的例子，它們是用于氣候研究和在早間新聞上給你天氣預報的數(shù)值天氣預報模型。知道天氣預報員一整天都做些什么嗎？答案：運行并研究這些模型。

運行天氣模型是很好，但是現(xiàn)在我們有了機器學習，我們是否可以用它來獲取我們的天氣預報呢？我們能利用衛(wèi)星、氣象站的數(shù)據(jù)，并使用基本的預測算法來判斷明天是否會下雨嗎？

令人驚訝，答案是肯定的。如果我們了解某一區(qū)域周圍的空氣壓力、空氣中的濕度水平、風速、與相鄰點及其自身變量有關的信息，就有可能訓練，例如，神經(jīng)網(wǎng)絡。但代價是什么？

用一個有上千個輸入的神經(jīng)網(wǎng)絡來確定明天波士頓是否會下雨是可能的。然而，利用神經(jīng)網(wǎng)絡忽略了整個天氣系統(tǒng)的物理過程。

機器學習是隨機的，而不是確定性的。

神經(jīng)網(wǎng)絡不理解牛頓第二定律，或者說密度不可能是負的-沒有物理約束。

然而，這可能不會是一個長期的限制。有多個研究人員正在研究在神經(jīng)網(wǎng)絡和其他算法中加入物理約束，以便它們能夠被用于類似這樣的目的。

局限3——數(shù)據(jù)

這是最明顯的限制。模型喂得不好，輸出結(jié)果就不好，主要表現(xiàn)為兩種方式：缺乏數(shù)據(jù)和缺乏優(yōu)質(zhì)數(shù)據(jù)。

缺乏數(shù)據(jù)

許多機器學習算法在給出有用結(jié)果之前需要大量的數(shù)據(jù)，一個好的例子就是神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡是需要大量訓練數(shù)據(jù)的數(shù)據(jù)喂養(yǎng)機器。網(wǎng)絡的架構(gòu)越大，產(chǎn)生可用結(jié)果需要的數(shù)據(jù)就越多。重復使用數(shù)據(jù)是不好的想法，一定程度上數(shù)據(jù)增強是有用的，但是有更多的數(shù)據(jù)往往是更好的解決方法。

如果可以獲得數(shù)據(jù)，那就用上。

缺乏優(yōu)質(zhì)數(shù)據(jù)

雖然看上去相似，這種情況和上述情況也是不同的。我們來想象一下，你認為你可以通過給神經(jīng)網(wǎng)絡放入1萬個生成的假數(shù)據(jù)來蒙混過關，當你把它們放進入的時候，會發(fā)生什么？

網(wǎng)絡會自己訓練自己，當你用一組沒見過的數(shù)據(jù)測試網(wǎng)絡的時候，效果就不會好：你有了數(shù)據(jù)，但是數(shù)據(jù)的質(zhì)量沒有達到標準。

同樣地，缺乏優(yōu)質(zhì)的特征會導致算法表現(xiàn)不佳，缺乏優(yōu)質(zhì)的正確標注數(shù)據(jù)也會限制模型的能力。沒有一家公司愿意使用比人工水平誤差還大的機器學習模型。

類似地，將在一種情況下一組數(shù)據(jù)訓練出地模型應用于另一種情況，效果并不相當。目前為止我發(fā)現(xiàn)最好的例子，就是乳腺癌預測。

胸部X光數(shù)據(jù)庫包含了大量照片，但是近幾年這些數(shù)據(jù)庫面臨一個共同的引發(fā)熱議的問題——幾乎所有的X光片都來源于白人女性。這聽起來不像什么大事，但實際上，因為檢測和獲取醫(yī)療的差異等各種因素，黑人女性死于乳腺癌的概率已達到了42%。因此，主要基于白人女性訓練出的算法，對黑人女性并不友好。

在這個例子里，需要的就是在訓練集中增加更多黑人病人的 X 光片數(shù)量。更多與導致這42%增加的相關特征，以及通過相關性進行數(shù)據(jù)分層的更客觀的算法。

如果你還有疑問或想要了解更多，建議閱讀這篇文章。

局限4——誤用

和前面第二個討論的局限性相關，不管是自然界中的確定性問題還是統(tǒng)計性問題，人們盲目地使用機器學習來嘗試分析系統(tǒng)，于是形成了所謂的“學術(shù)研究中機器學習的危害”。

在局限 2 中討論原因的時候提到，將機器學習應用于統(tǒng)計性系統(tǒng)是可行的，但算法不會學習兩個變量間的關系，也不知道何時違背了物理定律。我們只是給網(wǎng)絡一些輸入和輸出，告訴它們?nèi)W習聯(lián)系——就像一個人將字典又用文字翻譯一遍，算法只是掌握簡單的基礎物理。

對于統(tǒng)計性（隨機）系統(tǒng)，情況就不太明顯。機器學習用于統(tǒng)計性系統(tǒng)的危害主要有兩種表現(xiàn)形式：

P 值篡改

分析范圍

P 值篡改

當一個人可以獲得大量數(shù)據(jù)，可能上百、上千，甚至上百萬的變量，就不難發(fā)現(xiàn)顯著性統(tǒng)計結(jié)果（假設大多數(shù)研究設定的顯著性水平 p分析范圍

統(tǒng)計模型和機器學習的分析范圍存在本質(zhì)區(qū)別——統(tǒng)計模型本質(zhì)是確定性的，機器學習本質(zhì)是探索性的。

我們可以把確定性分析和模型看成某人的博士課題或研究領域。想象一下，你和一個顧問合作，試著建立一個理論框架來學習一些真實世界的系統(tǒng)。這個系統(tǒng)有一組受其影響的預定義特征，并且，在仔細設計實驗和開發(fā)假設后，可以運行測試以確定假設的有效性。

另一方面，探索性缺乏和確定性分析的相關的一些特點。事實上，在真正大量數(shù)據(jù)和信息的情況下，由于數(shù)據(jù)的巨大體量，確認性方法完全無法使用。換言之，在存在上百個、上千個，乃至上百萬個特征的情況下，根本不可能仔細地布置一組有限的可測試假設。

因此從廣義上講，在有大量數(shù)據(jù)和可計算負責特征的情況下，機器學習算法和方法是探索預測模型和分類的最佳選擇。一些人認為它們可以用于“小”數(shù)據(jù)，但為什么在經(jīng)典的多變量統(tǒng)計方法這樣做時，信息更多呢？

機器學習是一個領域，很大程度上解決了來自信息技術(shù)、計算機科學等領域的重要問題，這些問題既有理論性的也有應用問題。正如此，機器學習和像物理、數(shù)學、概率論、統(tǒng)計學等領域也相關，但它也確實是一個獨立的領域。機器學習領域不會受其他學科提出問題的影響。大多是機器學習專家和從業(yè)者提出的解決方法都犯了嚴重錯誤...但他們還是完成了工作。

局限5——可解釋性

可解釋性是機器學習的主要問題之一。一家人工智能公司試圖向一家只使用傳統(tǒng)統(tǒng)計方法的企業(yè)講解，但如果他們認為模型不可解釋，就可以停止了。如果你不能向客戶確保你明白算法是如何得到結(jié)果的，那如何讓他們信任你和你的專業(yè)度？

正如《商業(yè)數(shù)據(jù)挖掘——機器學習視角》中所言：

“在商務項目中，如果機器學習的結(jié)果是可解釋的，那么商業(yè)經(jīng)理人會更傾向于機器學習的推薦?！?

除非可以解釋這些模型，不然它們顯得無能為力，而且人類解釋過程遵守的規(guī)則，遠遠超出技術(shù)能力。因此，可解釋性成為機器學習應用于實踐需要實現(xiàn)的一個重要指標。

特別地，興起的組學科學（基因組學，蛋白質(zhì)組學，代謝組學等）已經(jīng)成為機器學習研究者的主要目標，因為這些科學對大型和有意義數(shù)據(jù)庫具有依賴性。然而，盡管取得了明顯的成功，但他們的方法缺乏可解釋性。

總結(jié)及Peter Voss" 列表

不可否認，在人工智能開辟了大量有前景機會的同時，也導致了一種被稱為“人工智能解決主義”的心態(tài)的出現(xiàn)。這種心態(tài)是一種哲學，假定數(shù)據(jù)足夠多，機器學習算法就可以解決所有的人類問題。

希望我在文中清楚表示了在目前情況下機器學習存在的一些限制，從而防止一些情況的發(fā)生。神經(jīng)網(wǎng)絡永遠不會告訴我們?nèi)绾巫鲆粋€好人，至少現(xiàn)在不會，也不會理解牛頓運動定律和愛因斯坦相對論。

機器學習基礎理論——計算學習理論里也存在基本限制，主要是統(tǒng)計限制。我們已經(jīng)討論了分析范圍和 p 值篡改危害的相關問題，這些會帶來虛假結(jié)論。還有結(jié)果可解釋性的問題，如果不能讓客戶和投資者確信他們的方法是準確可信的，就對商業(yè)會產(chǎn)生消極影響。

我己經(jīng)在文章內(nèi)大量介紹了人工智能的最重要的局限，最后，我會把Peter Voss’在 2016 年 10 月發(fā)布的文章列一張表，整理更全面的關于人工智能的局限。雖然目前在細小領域內(nèi)主流技術(shù)是非常強大的，但它們通常會列出部分或所有約束列表，我在這里進行完整引用：

每個特定的應用都需要經(jīng)過專門訓練

需要大量手工標記的結(jié)構(gòu)化的數(shù)據(jù)

學習通常必須要受監(jiān)督：訓練數(shù)據(jù)必須被標記

需要冗長的離線/批量訓練

不要實時地以增量或交互的方式學習

遷移學習、模型重復使用和集成的能力差

系統(tǒng)不透明，很難進行調(diào)試

“長尾”效應難以審核和保證

它們編碼相關性，而不是因果關系或本體論關系

實體之間不進行實體或空間的編碼

只能處理自然語言里非常局限的部分

不適合高層次，象征推理或計劃

話雖如此，機器學習和人工智能將繼續(xù)為工業(yè)帶來革命，而且在未來幾年只會變得更加普及。雖然我建議大家最大限度地利用機器學習和人工智能，但我也建議你記住手里工具的局限性——畢竟，沒有什么是完美的。（雷鋒網(wǎng)）