《AI极简经济学》第十章:驯服复杂性
本章回顾了人工智能的发展历程:1956年达特茅斯会议的学者曾乐观设想让机器参与认知思维,但因计算机算力不足,早期研究进展缓慢,80年代的专家系统又因成本高、难处理例外而遇冷……
本章回顾了人工智能的发展历程:1956年达特茅斯会议的学者曾乐观设想让机器参与认知思维,但因计算机算力不足,早期研究进展缓慢,80年代的专家系统又因成本高、难处理例外而遇冷,进入“人工智能寒冬”。如今,更丰富的数据、更好的模型和更强的算力让机器学习取得突破,改善了预测。
以预测客户流失为例,传统方法依赖回归统计,通过计算条件平均值来预测,力求平均值无偏差;但这种模型需事先设定假设,且可能每次预测都有小幅偏差。机器学习则不同,它允许平均值有偏差,以换取单次预测的准确,并通过实践验证效果。早期因数据和算力不足,回归表现更好;2004年杜克大学的竞赛中获奖的仍是回归模型。到2016年,随着数据量增至数百万客户、变量达数千个,机器学习(尤其是深度学习)能自动发现难以预料的变量组合,预测效果全面超越回归。2008年金融危机中,评级机构基于“各市场房价互不相关”假设的回归模型对CDO违约率预测严重失误,而机器学习能识别出意料之外的相关性。
机器学习被称为“人工智能”,是因为它通过“反向传播”像人脑一样从例子中学习,避免了为复杂情况(如识别各种姿态的猫)逐一编写规则的麻烦,把算法问题变成了预测问题。杰夫·霍金斯认为预测是智能的基础,虽然这一观点有争议,但预测技术的进步确实在实现达特茅斯会议的愿景。作者认为,无论是否算作智能,计算机从确定性编程转向概率性编程都是重大变革,如同19世纪概率进入社会科学、20世纪物理学转向不确定性一样,21世纪最重要的进步是认识到基于数据、以概率构建的算法效果最好。本章要点指出:机器学习追求操作有效性而非平均值正确,无需事先指定模型内容,能适应复杂互动变量;其被称为AI是因为系统能持续学习改进、预测更准、并能执行以往认为专属人类的任务。作者对预测与智能的关系持不可知态度,关注的是预测成本下降带来的结果。