摘要：机器学习如今成为了科技领域最热门的话题之一：这个人工智能子集如何捕捉全世界的心灵、思想和想象力？一般来说都会失败。

    机器学习如今成为了科技领域最热门的话题之一：这个人工智能子集如何捕捉全世界的心灵、思想和想象力？一般来说都会失败。
　　
　　什么是机器学习？
　　
　　所以，在开始之前，重要的是条款是正确的。有许多重叠的术语和短语偶尔（但不总是）可以互换使用。人工智能是机器模拟智能的概念。
　　
　　机器学习（简称ML）是人工智能中的一个子领域。它使用统计技术使计算机系统能够从数据“学习”（例如，逐步提高特定任务的性能），而无需明确编程。
　　
　　基本上，通过在神经网络（一个旨在复制生物神经系统的计算框架）上传递大量信息，网络开发了自己的规则来理解信息。通过一些有用的参数和培训，旨在开发自己的框架来处理图像识别等事情。
　　
　　显然，这是一个巨大的过度简化，但它代表了人们如何处理人工智能的巨大转变。人们的问题是“计算机可以做我们能做的各种事情吗？”而不是“电脑可以思考吗？”。在某些情况下是这样的的，而其他人认为没有。
　　
　　机器学习对于非常具体的任务非常有用。虽然人们还不能开发下一个Jarvis，但是仍然可以在机器学习的太空中找到暗物质。特别是，机器学习擅长图像识别、自然语言处理，改进搜索引擎、情感分析、语音和手写分析以及机器翻译等。这并不是说没有失误，但这些都是机器学习擅长的东西。
　　
　　为什么？那么，图像识别等任务依赖于已预先标记的大量图像数据集。有了足够深的数据集，企业的萌芽神经网络应该能够决定那东西是绵羊还是云。
　　
　　TensorFlow是最受欢迎的机器学习框架之一。TensorFlow由谷歌公司开发，是一个用于数值计算和大规模机器学习的开源库。它用于训练和运行神经网络，用于从图像识别到机器翻译和自然语言处理的各种任务。
　　
　　TensorFlow创建数据流图，这是一种显示数据如何通过一系列处理节点移动的结构。图中的每个节点代表一个数学运算；节点之间的每个连接都是张量。尽管TensorFlow是用Python编写的，但实际的数学运算是由库在C++二进制文件中执行的。
　　
　　当然，有许多机器学习工具可供开发人员选择，如PyTorch、CNTK和Deeplearning 4j。虽然这些工具中的每一种都有各自的优点和缺点，但机器学习存在潜在的问题需要仔细研究。
　　
　　数据通常是垃圾进，垃圾出
　　
　　这种跨越人类表现的飞跃并未因认知的突破而得到推动。通过添加大量数据和一些有用的参数，人们发现神经网络可以接近正确的答案。但真的不明白它是如何做到的！
　　
　　神经网络之类的机器学习工具是在人们自己的大脑之后设计的，而不是线性的逻辑流程，这是一种数字化的Gordian结。由于它可以在某些领域（如图像识别）中以接近人类的水平执行，因此有人会相信它与人们的大脑一样有效。这是非常错误的。
　　
　　“我们并不真正了解系统学到了什么。事实上，这就是它的力量。这不像给计算机发指令;更像训练我们并不真正理解或控制的小狗机器生物。”Zeynep Tufekci解释说。“机器智能可能以不符合人类错误模式的方式失败，人们不会期望并做好准备。”
　　
　　由于机器学习遵循自己的逻辑，他们可能会以人类大脑不会被欺骗的方式被欺骗。MaciejCegowski指出，可以通过向图像添加一层静态图像来破坏图像分类器。人类不会被愚弄，但图像分类器可能会将校车视为鸵鸟。
　　
　　在其他方面，机器只是人类编码它的客观或道德。计算机科学不需要道德规范，尽管自驾车团队很快就可以通过推车问题来解决问题。数据集可以是种族主义、性别歧视、同性恋或反犹太主义。但由于它来自一台机器，人们可以告诉自己这是“客观、中立的计算”，即使它正在验证人类最糟糕的冲动。
　　
　　机器学习的未来
　　
　　机器学习能否超越这种障碍？有很多聪明人在解决这个问题。
　　
　　就在近日，麻省理工学院宣布他们正在建设一所拥有10亿美元用于人工智能和机器学习的整个学院。不仅关注计算方面，主要目标还包括教学生负责任地使用和开发人工智能和计算技术。
　　
　　“随着计算重塑我们的世界，麻省理工学院打算帮助确保它为所有人的利益做到这一点，”麻省理工学院院长L.RafaelReif说。
　　
　　这只是第一步，但希望我作为一个社区可以向前迈进，以实现更开放，对机器学习采取更开放、更不陌生的方法。否则，我们正在建造的怪物可能会在未来困扰着我们。
　　
　　编辑：Harris