翻譯 | AI科技大本營（rgznai100）
參與 | thinkdeeper
Part 1：為什麼機器學習如此重要
AI科技大本營編者按：
這篇文章在Medium上總共獲得了6900多個贊，在Medium上極受歡迎。受歡迎最大的原因是，作者能以比較淺顯的文字，將機器學習所囊括的各類原理講得清楚透徹。而這，對於以下三類人群來說，簡直是個福利包：
想要快速提升機器學習能力的技術人員;
想要初步瞭解機器學習，並願意接觸相關概念的非技術人員;
任何對機器是如何思考感興趣的人。
雖然文章中也會討論概率、統計學、程式設計、線性代數和微積分的基本概念，但在作者的深入淺出的語言描述下，即便沒有相關背景知識，也不會覺得難懂。
如果你想在3個小時內快速瞭解機器學習的概念，也不知道上哪裡找價值高的指導性文章，建議您閱讀該作者系列文章。AI科技大本營會陸續更新該系列的Part2、3、4、5部分及資源列表。
Part 1：為什麼機器學習重要。人工智慧與機器學習概述——過去，現在，將來。
https://medium.com/machine-learning-for-humans/why-machine-learning-matters-6164faf1df12
Part 2.1：監督學習。線性迴歸，損失函式，過擬合，梯度下降。
https://medium.com/machine-learning-for-humans/supervised-learning-740383a2feab
Part 2.2：監督學習II。兩種分類方法：邏輯迴歸和SVMs。
https://medium.com/machine-learning-for-humans/supervised-learning-2-5c1c23f3560d
Part 2.3：監督學習III.。非引數學習：k最近鄰，決策樹，隨機森林。並介紹交叉驗證，如何調參和模型融合。
https://medium.com/machine-learning-for-humans/supervised-learning-3-b1551b9c4930
Part 3：無監督學習。聚類：k-means，層次聚類。降維：主成份分析法(PCA)，奇異值分解(SVD)。
https://medium.com/machine-learning-for-humans/unsupervised-learning-f45587588294
Part 4：神經網路。深度學習的工作原理，以及卷積神經網路(CNN)，迴圈神經網路(RNNs)和實際應用。
https://medium.com/machine-learning-for-humans/neural-networks-deep-learning-cdad8aeae49b
Part 5：增強學習。介紹馬爾可夫決策過程。Q-learning，策略學習，深層增強學習。價值學習問題。
https://medium.com/machine-learning-for-humans/reinforcement-learning-6eacf258b265
附錄：最好的機器學習資源機器學習課程資源列表。
https://medium.com/machine-learning-for-humans/how-to-learn-machine-learning-24d53bb64aa1
本篇為系列的第一篇文章，作者以講故事的方式，告訴你，為什麼機器學習如此重要。
這讓人想起前不久小扎與馬斯克關於“AI是否會超越人類”的論戰，小扎說AI只是幫人提升效率，讓人能夠專注於更重要的工作；而馬斯克則在twitter上公開批小扎“理解太淺薄，沒有看到更長遠的威脅”。
本篇文章的觀點與馬斯克如出一轍，作者對未來充滿擔憂，也正是這份擔憂，他提出：
雖然預測未來有點不現實，但有一件事是肯定的：2017年是瞭解機器如何思考的最好開始時間。
在他看來，人們必須深入機器瞭解世界的內部細節，搞清楚機器到底要什麼，它們的偏見和弱點是什麼。
而要搞清楚這些問題，作者強調“得把機器當成人來研究”；正如研究心理學和神經科學，探索人類如何學習、決策、感覺等課題。從這個層面來說，這已經不單單是技術問題了，而是需要綜合邏輯、心理、哲學、語言學等各學科，才能真正摸清楚黑匣子背後的祕密。
正文：
人工智慧比本世紀的任何其他創新都來得更猛，而它也將更有力地塑造我們的未來。
在這個技術統治的世界裡，任何不瞭解它的人，會很快發現自己落..伍...了...他會對即將到來的魔法世界，呈一臉懵逼狀。
雖然人工智慧歷代的潮起潮落已經被各大資料文章說爛了，早已老生常談，但請保持點耐心，我仍想用自己的方式，將其梳理一遍。
在經歷了過去四十年的幾番AI停滯和發展週期之後，資料的爆發和算力的提升讓人工智慧終於突破了瓶頸。
2015年，Google訓練了一個對話機器人(AI)，不僅可以作為技術支援與人進行交流，還可以跟人討論道德問題，表達意見和回答一般性的基於事實的問題。
Vinyals＆Le，2017
同年，DeepMind開發出一個程式，僅以畫素和遊戲得分作為輸入，在49局 Atari遊戲中超越人的表現。
不久後，DeepMind再次實現自我超越，釋出一款名叫A3C的新的前沿遊戲演算法。
與此同時，AlphaGo擊敗了世界頂級圍棋選手，這是繼機器征服國際象棋後，歷經二十年時間，再次在以人類為主導的遊戲中大獲全勝。
許多圍棋大師不理解，為什麼一臺機器能掌握這個古老的中國戰略遊戲，機器怎麼可能掌握其中的精髓和複雜，在10¹⁷⁰個可能的佈局中大敗人類。要知道，宇宙中原子的數量也就 10⁸⁰。這太不可思議了。
圖為與AlphaGo進行了一場比賽失敗後，職業圍棋選手Lee Sedol在覆盤這局棋局
不過，這還沒完。
2017年3月，OpenAI用自己發明的語言開發機器人，有效地實現了自己的目標。不久之後，Facebook成功訓練了會談判甚至說謊的機器人。
2017年8月11日，在多人線上遊戲Dota 2的1v1比賽中，OpenAI擊敗世界頂尖遊戲選手人士，這又讓好一波人受到了驚嚇。
觀看全程比賽，請移步YouTube，Dendi (human) vs. OpenAI (bot)
除了這些驚天大逆襲，人工智慧也開始滲透到我們的日常生活。
比如下面兩張圖片，你只用將相機對準選單，選中的圖片就可以通過Google翻譯APP自動翻譯成英文。
如果下一次你入住某酒店，致電前臺讓送牙膏到房間。當你開啟門，眼前是一個小的家政送貨機器人，不必驚訝。
各細分領域也開始藉助人工智慧進行智慧化升級。
（小編多一句嘴：作者會在本系列的5個章節中，深入探討這些技術背後的核心機器學習概念，並教你利用工具構建類似應用程式。）
下面我給出一個知識樹的圖片，從中可以看出，機器學習主要包括監督學習，無監督學習和增強學習三個方面。
人工智慧主要是研究能感知周圍世界、制定計劃、並做出決策以實現其目標的機器人。其所需要的基礎包括數學、邏輯、哲學、概率、語言學、神經科學和決策理論。許多領域都屬於AI，如計算機視覺，機器人，機器學習和自然語言處理。
機器學習則是人工智慧的一個子領域。它的目標是讓計算機自己學習。機器學習演算法使其能夠在資料中識別模式，從而構建模型，而不是利用預定義的規則進行預測。
智力大爆炸
其實，上述討論的例子，儘管會讓人一驚，但都屬於弱人工智慧(ANI)，不過它確實能高效解決特定任務。
我們一直在為強人工智慧(AGI)做一些基礎性的推進工作。AGI的定義是一種能執行人類所要求的各類複雜任務，包括在不確定情況下進行學習、規劃和決策，用跟人類一模一樣的語言方式進行交流、講笑話，指揮股票交易或自己程式設計。
會自己程式設計，這一點尤為關鍵。一旦我們創造了一個能自我改進的AI，它將會以一種迴圈遞迴的方式進行自我完善。這預示著，我們將在未來的某個時期，將進入到一個智慧爆炸的時代，
超智慧機器可以超越任何人的智力活動。由此可以推出，設計這臺超智慧機器是人類智力活動之一，超智慧機器大於人類的智力活動，那超智慧機器可以設計出更好的機器。
如此一來，將會產生智力爆炸，遠遠超過人類的智力大爆炸。
可以這麼說：第一臺超智慧機器是人類最後的一個發明。
下圖被稱為奇點。該術語借用於發生在黑洞中心的引力奇點，一個無限擁有無限密度的一維點。在這裡，我們慣常理解的物理定律已無法適用。
我們對黑洞裡面到底是如何的一番景象完全搞不清楚，因為沒有光線可以逃脫這個黑洞。
同樣，在我們解鎖AI的自我改進能力之後，我們也沒有辦法預測將會發生什麼。
正如用於人類實驗中的小白鼠，它永遠也不知道人類在對自己做什麼，它只能膚淺地理解為人類在幫他們獲得更多的乳酪。
最近，人類未來研究所發表了一份調查報告，該報告調查了AI研究人員對實現AGI時代的預測。
研究人員認為在45年後，AI有50%的勝算超過人類。當然，有人說時間更長，有人說已經沒幾年了。
這是2005年在奇點臨近一書中的圖片。如今，2017了，牆上還能有多少我們自以為是的圖片呢？
超人工智慧的出現，對人類到底是件好事還是壞事？
先不做好壞的預測，而是談一個很實際的問題：我們怎麼能用一種對人類友好的方式，來指定AI做我們想讓他做的事情呢？
要達到這個目的，我們就瞭解機器學習，不是應用機器學習，而是真正搞明白。
機器學習——避免機器逆襲的唯一通路
所以我一直篤定一件事：2017年，該是我們瞭解機器如何思考的開始時間了。
這可不是拍腦袋，藉助哲學抽象概念或其他形象比喻來理解和學習AI。而是，我們必須深入其中，瞭解機器世界的內部細節—它們到底“想要什麼“，它們潛在的偏見和弱點到底有哪些——正如我們研究心理學和神經科學，以瞭解人類如何學習、決策、行為和感知這樣。
有關AI的複雜性和高風險的問題，將在未來幾年內越來越多引發人們的注意。不少問題亟待解決：
機器學習是通用人工智慧的核心，同時也將改變每一個行業，並對我們的日常生活產生巨大的影響。這就是為什麼我們認為了解機器學習是值得的。至少在概念層面上，我寫這些系列文章比較適合入門，不會有一種一來就將人拒之千里之外的感覺。
那麼講了這麼多，到底如何閱讀這個系列文章呢？
你不一定要把整個系列全部讀完，這裡我有三個建議，具體還得取決於你的興趣和時間。
1. T型方法。從頭到尾閱讀。並在每一節做總結。這種方式會讓你能更積極主動地閱讀，並且不容易遺忘。為了深入瞭解你最感興趣的內容，我們將會在每個部分的末尾提供一些參考資料供你擴充。
參考: Feynman technique
地址：https://mattyford.com/blog/2014/1/23/the-feynman-technique-model
2. 專注方法。直接閱讀你最感興趣的部分。
3. 80/20 法則。大概瀏覽全部內容， 對主要概念做筆記即可，並理解它。
對於80/20法則，可參考：
https://www.thebalance.com/pareto-s-principle-the-80-20-rule-2275148
好的，今天我們的開篇就到此，請關注AI科技大本營微信，獲取持續更新。
關於本系列文章作者的簡介：
Vishal最近在Upstart任職，這是一個利用機器學習來定價信貸，借貸過程自動化和獲取使用者的貸款平臺。他的研究主要基於如何思考創業，應用認知科學，道德哲學和人工智慧的倫理學。
Samer是UCSD的電腦科學與工程碩士生，Conigo Labs的聯合創始人。在畢業之前，他創立了TableScribe，這是中小型企業的商業智慧工具。他花了兩年的時間為麥肯錫的財富100強企業提供諮詢服務。Samer曾經在耶魯大學學習電腦科學與倫理學，政治學和經濟學。
兩人的目標是，鞏固自己對人工智慧，機器學習的理解，以及深入瞭解它們之間的融合方式 ，並希望在此過程中創造值得分享的東西。
原文地址
https://medium.com/machine-learning-for-humans/why-machine-learning-matters-6164faf1df12