AI 算法的进化：机器会引发战争吗？
现代算法是可以自学的 ， 尤其是推荐系统算法 ， 它可以根据每个人的喜好推荐有趣的东西给我们 ， 比如说适合的电影、书籍、音乐等等 。算法通过与用户之间的交互过程 ， 获取用户的个人偏好信息 ， 并从中学习进一步完善自身 ， 发现其中的关联关系 ， 以便为下一位用户提供更优质的推荐信息 。
为了满足自己的好奇心 ， 我研究了其中一种算法 ， 想知道它到底能有多了解我 。所以 ， 在剑桥微软实验室测试Xbox游戏机所用的Kinect视觉识别算法时 ， 我顺便拜访了一位同事 ， 想向他了解一个实时推荐系统的算法原理 。
该推荐系统的用户界面上随机排列了约200部影片 ， 我要做的是如果看到自己喜欢的影片 ， 就把它拖放到屏幕的右侧 。其中的确有一些是我比较喜欢的影片 ， 于是 ， 屏幕中的影片位置自动调整 ， 将我可能喜欢的电影放到靠右侧的位置 ， 而将我可能不太喜欢的电影放到靠左侧的位置 。仅仅通过一部电影是不足以训练算法的 ， 所以大部分尚未被分类的影片仍然停留在屏幕中间的区域 。
《王牌大贱谍》这部影片我觉得很无聊 ， 属于我特别不喜欢的类型 ， 所以我就把它拖到了屏幕左侧的回收站里 。这一操作为算法提供了进一步学习所需的新信息 ， 使屏幕中影片的位置又进行了一次调整 ， 我似乎能感觉到算法对自己提供的建议很有信心：它将伍迪·艾伦（Woody Allen）的《曼哈顿》推荐为我喜欢的电影 。这部影片确实是我喜欢的 ， 尽管算法是对的 ， 但此时它还没有给我特别多的惊喜 。它可能觉得我会比较喜欢《摇滚万岁》 ， 所以将这部电影向右侧移动了 。但事实恰好相反 ， 我不能忍受这部影片 ， 所以我把它拖到了回收站里 。
算法本来以为我会喜欢《摇滚万岁》 ， 但事实上我不喜欢 ， 从这个过程中它获取到了重要的新信息 。屏幕上的影片又一次进行了重新排列 ， 并且此次调整的幅度非常大 。这是因为系统后台的算法程序发生了微妙的改变—它根据我此次的选择学到了更多的“新知识” ， 并微调了推荐系统的模型参数 。它判断我可能喜欢《摇滚万岁》这部影片的概率过高 ， 所以通过修正特定的参数来降低其值 。虽然此前它从别的既喜欢韦斯·安德森又喜欢《曼哈顿》的那部分影迷处得知 ， 他们也喜欢《摇滚万岁》这部电影 ， 但这一条并不适用于我 。
正是这种人机交互给算法提供了持续学习的新数据 ， 使它可以不断进行自我调整以适配我们的喜好 。在当今社会 ， 这些算法在我们做出各种抉择时发挥了巨大作用：选择电影、音乐、书籍 ， 甚至伴侣 ， 等等 。
文章图片
如果你喜欢……
电影推荐系统的算法原理比较简单 。假定你喜欢电影A、B和C ， 而另一个用户也喜欢它们 ， 但他还喜欢电影D ， 那么 ， D极有可能也是你所喜欢的 。当然 ， 现实中数据之间的逻辑关系并非如此简单 。你喜欢电影A、B和C是因为这些影片里有你最喜欢的某位演员 ， 但他并没有出演D这部电影 。而另一个用户之所以喜欢A、B、C、D四部电影 ， 是因为它们都是惊险刺激的间谍电影 。
算法通过查看你所提供的信息 ， 分析出你喜欢某类电影的原因 ， 进而会把你和那些曾经做出过相同选择的人匹配、关联到一起 。算法需要在大量的初始数据样本基础上展开工作 ， 这一点跟许多机器学习算法是相同的 。机器学习的一个重要特点是 ， 人类必须参与到数据的分类过程中 ， 以便让机器知道它所看到的到底是什么 。这种管理数据的行为为算法提取潜在信息的模式做好了提前准备 。
算法在用户浏览影片库的行为过程中拾取关键特征值 ， 如浪漫爱情喜剧、科幻片 ， 或者是某位演员、某位导演的作品 。但是 ， 这种方法并不理想 。首先 ， 非常耗时；其次 ， 分类的过程存在不客观因素 ， 计算机最终学会的是已知的知识 ， 而不能发现新的潜在趋势 ， 从而导致计算机形成拟人态的思维定式 。从最原始的数据中学习并发现模式是训练算法最好的方式 。
推荐阅读
- 交付 沉了！这艘刚交付的“新”船只跑了3次！船东将遭起诉和高额索赔
- 理论 黑洞是什么，它又是怎样形成的，一起来认识下吧
- 速度 宇宙中比光速更快的四种“速度”，你都知道几个
- 氢能冶金 碳中和正在进行时，炼铁氢还原替代碳还原的新时代已至！
- 约瑟夫·拜登 非要跟中国较量？美国疯狂印钞6万亿，结果搬起石头砸自己的脚
- 初入职场的我们 《初入职场的我们》郑茹心为什么会离开？
- 这就是街舞3 娱乐圈中的团宠，张艺兴凭借偶像特质，征服全网观众，获赞无数
- b《心动的信号4》官宣阵容，baby加盟，郭麒麟、宋祖儿惊喜现身
- 向往的生活5 李诞拥抱张艺兴，后者一脸地抗拒，但张艺兴和杨紫却可以亲密互动
- 心动的信号4 嘉宾阵容大洗牌！baby、宋祖儿加盟，张翰、杨超越退出