13、从人工智能到机器学习：无生命自动化及其问题

从人工智能到机器学习：无生命自动化及其问题

1. 引言

自计算机诞生以来，人们就在思考能否让计算机具备记忆能力。若能编程使计算机自然地记忆或进步，那结果将意义非凡。这一探索催生了机器学习这一现代研究领域。如今，机器学习方法已深入日常生活，如手机上的新闻阅读、手写识别等。同时，机器学习也取得了显著成就，例如AlphaGO在围棋比赛中战胜人类，ResNet在图像检测方面超越人类表现，微软的语音识别在翻译上接近人类水平。

然而，这些有效的机器学习应用距离完全自动化，即“从过去的经验中自然改进”仍有很大差距。根据“没有免费午餐定理”，没有一种算法能在所有可能的学习问题上都取得同等出色的效果。因此，机器学习应用的各个方面，如特征工程、模型选择和算法选择，都需要人类专家的参与。但由于这类专家数量稀少，机器学习的成功代价高昂。

自动化机器学习（AutoML）应运而生，它不仅是学术梦想，也吸引了研究人员的更多关注。若能将人类从机器学习应用中解放出来，就能加快机器学习算法在各组织的部署，有效验证和评估已部署解决方案的性能，让专家更专注于具有更多应用和商业价值的问题，使机器学习更适用于现实世界，带来更高的效率和定制化水平。近年来，AutoML已成为机器学习的一个新子领域，在机器学习、计算机视觉、数据挖掘和自然语言处理等领域都受到了广泛关注，并已成功应用于许多重要问题。

2. 技术现状

如今，人工智能和机器学习取得了巨大进展，涌现出大量用于实现认知能力的工具和技术。在语言处理方面，当前的技术将循环神经网络和卷积神经网络有效融合，形成了新的策略。这些策略主要围绕变压器（transformers）、自注意力机制（self - attention）和词嵌入（wor