Datawhale干货

作者：太子长琴，算法工程师，Datawhale成员

本文涉及到的思考从我 2017 年接触人工智能就开始萌芽了，由于个人经历关系，我一开始是从认知科学的角度开始自己的工程师生涯的，看的论文也更偏向如何构建真正的人工智能。比如，Few-Shot 或 One-Shot Learning、因果推理、快速思考、学习如何学习，甚至开始思考语言学以及究竟什么是智能。很自然地也熟知了图灵、冯诺依曼、维特根斯坦。直至现在依然对这些理论相当沉迷，这是我当初下定决心从事 AI 的原因。

虽然目前从事 NLP 研发工作，但我对自己的定位一直都是 AI 工程师，AI 不应该被割裂，它从来都是个整体。

分类是本能

言归正传，我们今天将从基础的分类说起。乍一看这个问题好像很简单：分类不就是对给定样本根据特征不同做划分吗？

从表面来看这么说当然没问题，但让我们再往深多想一点点，为什么是分类？或者说，为什么要做分类？

要回答这个问题我们得先了解分类到底在干什么？ 不妨先看个小例子，就拿 Ng 的猫咪识别器举例吧。

先想人是怎么区分猫和其他动物的，大多数情况下，即便是小孩子，只要给他们看少数几张（甚至一张）照片，他们就知道 “猫咪” 长啥样子了。他们不需要学习大量照片，也不需要常识（好比预训练）。这说明人类在做分类时，不仅仅是在做分类，他们还从特征中构建出了更加抽象的“概念”，也可以理解为「知识」。这正是人类「学习」的过程。正是由于人类的好奇心让我们想去学习，而在人类刚刚出现时并没有现成的“知识体系”，所以很自然地要从观察到的不同个体中去学习。

面对未知个体，很自然地我们就会尝试将其纳入我们已有的知识体系，这时候自然而然地就开始做分类了。综上所述，「分类」根本上是人类自然进化来的「学习」 方法，也是我们认识和了解这个世界的基本方法。

换个角度来看，将未知个体快速归到已知类别也是最省脑力的方法。这也可以解释为什么我们倾向于贴标签。

想象一下这样的描述：“他狮子座，A 型血，乐观，有幽默感”，是不是很有画面感？但其实仔细思考一下，这些描述并没有太多意义，每个人都有乐观和幽默的一面，星座血型更加不能说明什么。但这就是很符合我们的认知习惯，有助于我们快速在大脑中 “刻画” 出一个人形象的人来。

而且，人类倾向于觉得 “即便有个错误的认知也比完全一抹黑要好” 。我可以举个例子，假设公司某个项目出问题了，老板吩咐你和你的另一个同事小林赶紧去解决，假设你是那种谋定而后动型，喜欢先花很多时间思考；而小林正好和你相反，马上开始跑这跑那，一会儿打电话，一会儿找人沟通。现在，假设过了两个小时候，项目问题突然消失了（也就是说，实际可能并不是公司这边的问题），你觉得老板会觉得你和小林谁的表现更好些？

这就是人类认知上的问题，我们倾向于觉得遇到问题时总应该做点什么，也就是说，即使你做的事情毫无意义甚至还浪费了大家的时间和精力，但大多数人就是会认为比什么都不做好。

先别着急失望悲观，我们退一步看，其实人类本身就有很强的自我纠正能力，并不怕错；而且错误的认知并非没有意义，它至少让我们知道了那样是不对的。

虽然小林的认知是错误的（并不知道原因就开始行动），但他的行为无疑给大家极大的 “安慰”，而且并没有损失不是。你还别说，“安慰” 某种程度上就像信仰一样，我们可不能轻易说它没用。综上，星座血型有人信不足为奇，喜欢贴标签更加正常，毕竟又不损失什么。

知识是力量

现在，我们应该对分类有了一个比较深入的了解。接下来讨论人类通过 “分类” 学习到 “知识” 的过程。

说这个之前，我先介绍个关于学习和认知的模型：DIKW 模型，D 表示 Data（数据）、I 表示 Information（信息）、K 表示 Knowledge（知识）、W 表示 Wisdom（智慧）。

四个层次一个比一个抽象，我们现在的 AI 基本还停留在「数据」到「信息」的阶段，未来很重要的就是「知识」这一步。至于「智慧」，只要活得足够久（拥有足够多的知识）自然有可能会产生智慧，现在谈论为时尚早。提到「知识」，顺带讨论一下其实很早之前就有但现在突然很火的知识图谱，这玩意儿现在看来更像是个 “常识图谱”，Ontology 勉强能算，但这方面的研究又不多。不过这可以理解，毕竟具体的东西更容易做，科研需要一步一步实践。

言归正传，我们还是从人类学习到「知识」的过程开始，并假定是婴幼儿。继续拿猫咪识别器举例子，当婴儿在看到一张猫的图片后，大脑会在瞬间完成特征提取工作。这里有两个需要注意的：第一，这些特征应该并不是从零开始得到的，而是基于婴儿脑中已有的「知识」（也许是 “特征”），比如猫的一张脸，上面有两只眼睛、一个鼻子等，这些可能从婴儿脑中已有的动物或者人的面孔而来。第二，特征是整体的，婴儿可能并不会特别关注鼻子或眼睛长得怎样，他们首先用的是宏观轮廓特征，当两个图片很相像时，才会去关注具体的细节。

在这个过程中，「知识」是什么？在哪里？怎么存储的？需要时怎么使用的？发现错误时怎么更新的？

从之前的分析我们已经知道「知识」就是信息的抽象，也可以理解为特征的抽象。我觉得这里和因子分析法有点类似，它最终得到的不同因子的组合有点类似「知识」的概念，而且往往需要人肉去给个抽象的描述。

当然，「知识」又不仅仅只是简单的特征抽象，它首先就一定是综合的、可以跨领域通用的。比如，我们上面提到的 “脸” 这个知识，其实更宏观点应该是 “一张脸+四条腿” 这个抽象的知识，我们也许不知道（可能也无需知道）这个知识具体叫什么，但我们知道 “鱼” 不是它，“人” 也不是它，但比 “鱼” 像。其次，它应该既可以从具体的样本学习而来，也可以从已有的 “知识体系” 学习而来，而且还应该具备根据具体样本或知识体系更新已有体系能力。

往简单方向思考，我觉得可以先将「知识」看作是某种模式，具体而言就是一个模板或框架。模式会优先执行，搞不定时，具体特征再进一步处理。对于未知样本，我们同样首先提取模式处理。各种各样的模式之间可能并不需要继续分层次，模式的分层只需到能应付具体的场景即可。比如做猫咪识别，就到 “一张脸+四条腿” 这个层次，即便是有其他非动物的识别，也只是很多个不同的平行模式。

接下来需要探讨如何获得这些模式，理想状态下，按照人类的标准，我们可以从任何单个样本中提取到模式，并强化或更新已有的 “模式体系”。从可操作的角度看，模式可以看作是宏观层面的分类模型，而具体的个体则可以看作是微观层面的分类模型。这提醒我们在构建系统时，可以尝试采用分层的思想，不同层负责不同的职能。层内可以互相关联成网，也就是说，图谱的构建不仅要在具体的实体和关系之间进行，也应该在抽象的模式和模式关系之间进行。

智慧是生命

「智慧」是更加抽象的概念，我们首先需要尽可能地将它具体化——具备什么样的特征才能算具有「智慧」？

我们这里应该排除掉 “情绪” 或 “情感” 方面的感受，比如沉着、冷静等，这些特质可以看作是人类特有的，它们的功能可以看作是辅助 “大脑” 这台仪器产生「智慧」的工具。智慧的第一个特征应该是 “全面”，即面对问题会考虑多个因素（模式），类似芒格所提倡的跨学科多模型思维；第二个特征应该是 “长远”，即除了考虑当下也会充分考虑未来的各种可能性，也就是要有一定的前瞻性；第三个特征应该是 “深入”，即能够尽可能直达本质，也就是能将具体问题抽象到本质，再从抽象出发提出具体的针对性的方法。

通过上面的分析，我们应当可以大胆预测，当一个人拥有足够多的知识时，他就有可能产生「智慧」；那么同样，当一个机器拥有足够多的知识时，他也有可能产生「智慧」。

如果一个机器产生了「智慧」或者足够「智慧」 以至于我们无法将他与人区分，我们是否可以认为他是一个新的生命体、新的物种？当然，我们这里说的生命或物种是指至少和人类相当的“生命体”。需要说明的是，我们所说的无法区分除了 “智能” 角度外，也包括 “情绪” 角度，我们可以假定机器足以 “智慧” 到虽然他们不懂 “情绪” 但能理解它。这就类似我们不懂狗狗说话，但我们能够理解他们表达的意思。

如果到了这个阶段，人类又将如何自处？该以何种身份、何种形式存在？也许，人类会进化到 “肉体消亡、灵魂永存”，彼时的人类还能被称为 “人类” 吗？

太子长琴

算法工程师

个人博客：https://yam.gift/

作品推荐：我转行AI的成长心得‍‍‍‍‍‍‍‍‍

整理不易，点赞三连↓