前言:
人工智能算法的末日来了 ?! 阿里裁掉大量算法, 数量远超过其他岗位, 因为, 算法拿著高薪, 就只知道调参数、发论文 ?!
本文:
人工智能算法的末日; 算法模型中的 “不确定性”
真正问题也许是出在：
我们总是只能针对我们能 “看得到” 的数据 (Data) 进行算法上的演算、算法模型参数上的优化。
但，我们却不知道该如何的能从我们所 “看不到” 的 “不确定性 (Uncertainty) ” 当中，去更全面、更客观的评估、优化我们所开发出来的算法模型的准确度。
也就是说，当我们只能根据我们所 “看得到” 的数据做算法的演算、算法模型的优化时，我们所开发出来的算法模型就是只能局限在某一特定的 “Task” 上；而无法达到具备商业运转价值上的 “通用性” 与 “适应性”。
只有当我们有足够的能力，能精准的掌握我们所开发出来的算法模型中的 “不确定性” 对我们的算法模型的影响为何？我们才能使得我们的算法模型能够更具备 “通用性” 与 “适应性”；我们的算法模型才能产生出更多让企业的老板、股东们满意的商业运转上的价值。
“举一反三” 的学习模式
人类的学习模式是具备 “举一反三” 的能力的。也就是说，我们是能认得在照片中的亲人、朋友；而不论照片中的背景是在家中，还是在海边，还是在山上，更不论是在白天、晚上、大晴天、刮风下雨⋯
人工智能的算法模型; 不论是机器学习，还是深度学习；是很 “不容易” 的能做得到 “举一反三” 的；也就是说，人工智能能识别出照片中在家的你，却不见得能识别出照片中在海边的你？！
人工智能的学习很难能做得到 “举一反三”，也就是说人工智能在面对 “不确定性（uncertainty ) ” 上的能力是有限的；这也使得人工智能在导入到企业的数字化的转型上，面临着成本过高、失败风险极大的困境。
所以，在人工智能的领域，我们应该要能运用 “概率（Probability) ” 将人工智能从 “科学” 导入到 “工程”；低成本、低风险的导入到各行各业的数字化管理；让人工智能可以 “举一反三”、能可靠的面对 “不确定性”;这才是我们在人工智能的领域上，所真正应该学习的方向。
Learning from Experiences 解决 Common Senses 的问题
我们过去将数学（概率）所建立的机器学习、深度学习的算法模型，是让机器 “Learning from Data”；这样子的作法，帮助了人类解决在预测、分类上的问题；但却没办法使得电脑能 “举一反三” ，而能以 “通用性”、“适应性” 的智能，解决 “Common Senses” 的问题？！
现在，我们还是在用 “概率” 在建立机器学习、深度学习上的算法模型。只是这次，我们不再使用 “Learning from Data”，而是 “Learning From Experiences”； 只有 “Learning from Experiences” 才能让电脑的智能可以举一反三，才能有更好的通用性、适应性。也就是说，电脑将能更容易的识别出照片中的你；不论照片中的背景是家中、海边、山上、白天、黑夜、晴天、下雨刮风⋯
在过往的日子，人类认为人工智能的提升指的是：算法模型的预测、分类的准确度。这样的认知，最大的问题就是：人类总是将算法模型的准确度局限在某一个 “特定” 的 “task”上；如，预测、分类照片背景是“家中” 的人。而将照片背景是 “海边” 当成是另一个 task。
现在，我们要改变这样的想法：我们应该是要以一个 “Common Sense” 来评估算法模型的准确度；也就是说：有能力识别照片中的人，就是有能力识别照片中的人，而不论照片的背景是什么？这就是 Common Sense；不是吗？
结论:
人工智能是要靠着写下一行行的代码，实实在在的实践出数学模型的。不是用 “想” 的。人工智能不是 “神话”，不是在拍电影；人工智能是很明确、很具体的、很实际的；因为，人工智能的算法模型已又再进化到与人类的学习模式是一样的:
- Learning from Experiences。
- 解决 Common Senses 的问题; 而不是局限在某个特定的 Task。
- 精准的掌握我们所开发出来的算法模型中的 “不确定性” 对我们的算法模型的影响为何？