■机器学习只是在总结数据

事实上， 机器学习的主要目的是预测未知。 知道你过去看了什么电影只是一种推测你之后想看什么电影的方式； 你的信用记录预示了你会否按时付账单。 而对于机器人科学家，学习算法提出假设，改进假设， 而只有假设提出的预测成真时才会相信这些假设。 学习算法并不比科学家聪明，但却有比科学家百万倍快速的计算能力。

■学习算法只是发现了事件之间的关联

这是你对媒体口中机器学习的第一印象。 一个非常著名的例子就是，谷歌搜索中关于“流感” 搜索的增加是流感流行的迹象。 当然这没有错，但是大多学习算法可以发现更丰富的信息， 例如如果痣有着奇怪的形状和颜色，并且在逐渐变大，那么这可能会是皮肤癌。

■机器学习只能发现相关性 ，而无法发现因果关系

实际上， 最流行的机器学习算法之一就是由尝试不同的行为之后观察行为的结果（本质上是发现因果关系）所组成的。 比方说， 电商网站可以尝试不同呈现商品的方式， 然后选择其中能带来最高购买量的方式。 你可能不经意间已经参与了成千次这种实验。 因果关系甚至可以在一些无法进行实验只能通过计算机处理之前记录的数据的情形下被发现。

■机器学习无法预测未见过的事件，也称作“黑天鹅”效应

如果某些事之前从未发生过， 那么预测它发生的概率必然为零，不然呢？ 相反，机器学习很擅长高精度地预测稀有事件。如果A是B发生的原因，B又是C发生的原因，那么A可能导致C发生，即便我们从未

见过其发生过。 每一天，垃圾邮件过滤器可以标记出刚刚捏造而成的垃圾邮件（之前未出现过）。像2008年发生的房地产危机实际上是被广泛预测到了的， 只不过不是那时大多数银行所使用的有缺陷的模型而已。

■你有越多的数据，你越可能得到错误的模式

试想， 国家安全局查看了越多的电话记录，越可能把一个无辜的人标记为恐怖分子，因为他的通话记录正好匹配了恐怖分子检测的机制。 对同一个体挖掘越多的属性是会增加误判的可能性， 然而机器学习专家们是很善于把这种可能性降到最低的。 另一方面，挖掘不同个体的同种属性可以降低误判风险，因为从中学习的规则有更多的依据。 而且有些学习算法可以在不同个体之间找到某些模式，从而使检测机制更加稳定。 也许某人拍摄纽约市政府的视频并不可疑， 同时另外一个大量购买硝酸铵的人也不可疑； 然而如果这两个人之间有电话联系，也许FBI应该调查一下以保证他们之间不是在密谋爆炸袭击了。

■机器学习无视现存的知识

许多被机器学习渗透的领域里的专家质疑像机器学习这样不需掌握任何领域知识的方法。 真正的知识是一个长期推理与实验的过程中累积下的， 你无法靠在一个数据库里跑一个原型算法而学到。 但不是所有的学习算法都不使用领域知识； 其中一些就会用数据去精炼已有的繁杂知识， 使其变得十分精巧，进而呈现为计算机所能理解的形式。

■计算机习得的模型人类无法理解

这自然会是一个引起人们关心的原因。如果一个学习算法是黑箱模型， 那么我们怎么能相信它给出的推荐呢？ 某些模型却是非常难理解， 比如给机器学习带来最大成功的深度神经网络（从Youtube的视频里识别猫

咪）。 但其他大多模型都完全可以被理解，比如我们之前提到的诊断皮肤癌用到的方法。

以上所有的误解都是负向的， 它们认为机器学习的能力比实际上更有限。 以下的则是过于正向的错误观念：

■越简单的模型越准确

这个观念有时来自“奥卡姆剃刀”，但只说了我们应该倾向于更简单的模型却没有给出原因。 简单模型更可取是因为他们更易于解释和推理。 但是有时与数据相容的简单假设比复杂模型更不准确。 一些强有力的学习算法输出模型看起来毫无理由的复杂， 甚至还会继续给复杂模型添加组件即便他们已经完美拟合了数据， 但这也是它们比简单模型更准确的原因。

■机器学习发现的模式可以直接被采纳

如果一个学习算法输出了一条诊断皮肤癌的规则，并且极其准确（任何符合这个条件的痣都是皮肤癌），这也不意味着你应该相信它。 对于数据微小的改动都会导致算法输出同等精确却非常不同的规则。 只有那些对于数据中随机扰动稳定的规则可以被相信，而不仅仅是作为预测的方式。

■机器学习不久后会变成超级智慧

从每天人工智能发展的新闻来看， 非常容易有一种感觉， 计算机已经接近于像我们一样可以看、说话、推理，不久后就会把我们抛弃在尘土里了。 我们在人工智能的第一个五十年走了条长路， 机器学习是其近来成功的主要原因，然而我们还有很长的路要走。 计算机可以非常好地完成特定的任务， 却依然没有通用智能， 也还没有人知道怎么去教它们。

好了， 到这你已经知道机器学习有时比我们想象的更强力，有时却不那么好。 如何使我们更好运用机器学习也取决于我们！ 我们要对它们有更准确的理解！

机器快速、准确但有点“笨”，而人缓慢、不精准却充满创造力！ ———李飞飞阿尔法狗毫无悬念地击败人类最优秀的围棋手后，华裔科学家李飞飞在推特推荐了一篇文章说明机器学习的十大误区。 文中说：机器学习过去往往发生在幕后：亚马逊通过挖掘你的点击和购买记录来给你推荐新物品；谷歌通过挖掘你的搜索来投放广告；脸书

通过挖掘你的社交网络来选择给你展示不同的新鲜事。然而机器学习现在已然登上了头版头条，成为被热烈讨论的话题！机器学习算法可以驾驶车辆，可以翻译演讲，可以赢得危险边缘游

戏（哥伦比亚广播公司益智问答游戏节目）！我们不由自主会问：“他们到底能做什么不能做到什么？他们会是隐私、工作甚至是人类消失的开始吗？”大家对机器学习的关注固然

很好，因为机器学习将会是塑造未来的主要推动力，但是这其中又有太多关于机器学习的错误观念，我接下去要做的第一步就是纠正这些错误的观念。 让我们快速浏览一下那些错误观念。

去年11月，谷歌宣布斯坦福大学教授李飞飞加入其云团队，成为谷歌人工智能团队新任领导者。 作为第一代中国移民，这位图像识别领域的杰出学者被认为击碎了“玻璃天花板（指无形中的职位升迁限制）”。

人工智能没有你想的强大□张礼俊 刘晓莉

在接受时尚杂志采访时，现年48岁的詹妮弗·安妮斯顿透露自己的保养秘诀是微电流美容，“这仿佛是给脸部做健身运动。 ” 这位老牌甜心美女在《人物》杂志一年一度的“全球最美50人”2016年度榜单上再度夺冠，依然是美国人心中的“最美女人”。

然而，微电流美容真的有她说的这么神奇吗？ 专家对此表示质疑。

“微电流美容是运用与生物电流相似的低强度微电流来刺激皮肤产生更多的胶原蛋白和弹力蛋白，加快面部血液循环，由此达到紧致、去皱、去水肿等功效”———广告词是这样夸夸其谈的，而以此为基础、号称“非手术的拉皮”的微电流美容仪也应运而生，成为爱美人士追逐的香饽饽。

然而，美国加利福尼亚大学旧金山分校医学中心面部整形和重建外科主任丹尼尔·诺特（Daniel� Knott）博士称，这种无创物理美容方法并非广告上说的那么有效，“事实上，微电流美容背后的原理就是肌肉神经电刺激技术，该技术用于治疗面瘫或贝尔氏麻症（即面神经麻痹）已经有大约70年历史，该物理治疗方法还可用于身体的其他部位， 比如背部拉伤、背部酸痛等。 而如今，这一技术被放到美容领域大做文章。 但据我所知，电刺激只是对神经、 肌肉产生作用，而对表皮、真皮、脂肪都起不了任何作用。 所以，从美容效果而言，微电流最多是改善肌肉张力而已，而且要坚持长期做才会见效。 ”

在做微电流美容时，美容师会在你脸上涂一层导电凝胶，这种导电凝胶通常也用于做超声波扫描的时候，以减小电脉冲对皮肤的刺激。 美国亚特兰大整形美容中心的美容师贝茨（Bays） 称：“微电流在脸部流动的方向是从下往上， 和地心引力相反，通过刺激表皮和肌肉，以起到推拉提升的作用。 有些人在做微电流美容时，会感觉脸部有轻微刺痛感，或者嘴里有一股金属味，但是做好之后会有种放松感。 ”

尽管在临床上，电刺激被运用于面瘫或贝尔氏麻症（即面神经麻痹）的康复训练，但是对于其疗效，在医学界仍有争议。 根据美国梅奥医学中心的资料显示，贝尔氏麻症还能通过抗炎药物、抗病毒药物、手术等方法治疗。 据权威学术期刊《创新物理疗法》（JNP）在2015年刊登的一篇论文称：“目前， 尚无充足临床证据显示，电刺激能治疗贝尔氏麻症。 ”美国罗切斯特大学医学中心将电刺激列为治疗贝尔氏麻症的“替代疗法”。 对此，丹尼尔·诺特（Daniel� Knott）博士表示：“总之，电刺激技术无论是用于治疗面瘫、贝尔氏麻症，或者用于微电流美容，都是相对安全的，但是尚无任何数据表明其真的有效。 ”

专家认为“微电流美容”

最多改善肌肉张力

□陈明明

责任编辑：施亚泽 校对：李蔚2017年 6月 19日 星期一百科14�������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������