在堆积如山的数据中游刃有余--> Bernhard Schölkopf教授，43岁，是蒂宾根和斯图加特的新马普研究所智能系统的负责人，也是范围机器智能领域内的。作为物理学家和数学家的Schölkopf开发了一种新的学习技能，用来从复杂的数据库中找出其规律性。他曾在贝尔实验室和微软研究所等地从事研究，并在2011年被授予了马普研究奖。

从科学的角度来说，学习的真正意义是什么？

Schölkopf：这要看你提问的对象是谁。心理学家会说学习是根据经验而改变行为。但是，这只是其中的一部分。如果有人伤到了脚，就会一瘸一拐——不是因为他学会了这样走路，而是因为脚受伤了。我是一个物理学家，从另一方面，就要找出某个特定输入值为什么产生某种结果，其中的规律是什么。科学家把这种基于观察而得出因果结论的推理称为“实证推理”。我的研究所希望将相关的机制转化为运算法则，这样就可以找出人类自己无法解决的问题的答案。

您能举一个例子吗？

Schölkopf：面对大量数据时，就会出现这种问题。例如生物信息学。基因学家想要找出DNA链条上基因起始和结束的位置。你可以在实验室里做一个实验，会产生大量的数据，其中有数以百万计的数据点之间通过高维连接通道相联系。人类无法从这里找出任何规律，无法预测在哪里可以找出正确的界面。但是如果你使用这些数据去训练软件，就会进展得相当顺利。规律性的东西会逐渐汇合到一起，也就是说，从本质上这意味着输入的数据越多，结果就越。这正是机器学习的优势。机器从大量数据中找出不同的结构，而人类却做不到。这并不奇怪，因为我们的大脑擅长的是感知和行动——而不是科学过程。机器学习的另一个优势体现在用感应器去观察环境，而我们人类完全不具备这种能力。例如，毕竟我们没有装备内置的激光扫描仪，不能测量距离。

人类大脑的优势何在？

Schölkopf：大脑是一种复杂的器官，可以通过学习从而非常地、高效地完成一些任务。大脑在进化过程中面对重要问题时，比如识别视觉模式，这一点就体现得很明显。这就是为什么我们在不到一秒种的时间内就可以识别出数字和字母，但是电脑却做不到的原因。另一方面，如果将这些符号转化成条形码，我们却读不懂，但是电脑可以。这是因为我们的大脑在整个生活过程中已经得到了训练，可以抽象出数字和字母的规律性。神经科学家Horace Barlow就曾经说大脑是统计决策器官。但是，我们必须认识到，它只能高效地完成某些统计任务——也就是那些在进化过程中重要的任务。

在您看来，感觉在学习过程中发挥着什么样的作用？

Schölkopf：感觉在人类学习中毫无疑问地发挥着作用——例如，判断哪些是重要的，哪些是有意义的，或者有关动机的情况。进化似乎表明人类“实现”的一切都是有用的。这就是为什么我相信在智能系统设计中迟早会提到并用到心理学议题。然而，我自己的感觉告诉我，要想理解并利用这种人工智能系统并使其发挥作用，还要走很长的路。

40年前，科学家就认为很快能给机器人安装人工智能系统。但是哪里出了问题，才使这一目标迟迟未能实现？

Schölkopf：那些机器是工程师制造的，这就是为什么人类能够理解它们。这种机器人里的感应器显示测量出的数据，随后它身体里的发动机就会开始相应地运动。但是，从传统的角度来看，人工智能可不是工程师能够解决的问题。生物系统是真正的智能系统，所以，人们很难理解它们。像过去那种简单的项目在这里行不通。

您的意思是机器需要学会如何学习吗？

Schölkopf：学习型系统是有一些优势，但它们也是由工程师设计出来的。在这方面，的进步体现在监督学习中，人类需要首先评估测量得出的数据，或者我们可以说，给它贴上标签。例如你可以告诉一个程序某个特定的人何时会进入某个图像中，这样来训练面部识别软件。如果训练的时间足够长，即使这个人每次看起来都略有不同，软件也能进行一些计算并识别出这个人。

换言之，人类和动物的学习不属于监督学习？

Schölkopf：对。在大多数情况下，不是。但是，例如，父母指着一张照片上的猫，告诉孩子这是猫，这种就属于监督学习。但是抓住东西这个动作，这是孩子们自己就可以学会的。机器现在还做不到。这就是为什么我们不断地使用“强化学习”这种折中的办法。这种情况下，机器人的设计者不再告诉机器如何用胳膊来抓东西。他/她只是给机器人是否成功地抓到了东西。机器人就会知道哪种办法有效，并决定用的运动方式来移动胳膊。

在您的大脑界面中脑电波被转化成肌肉运动，生物系统和机器相结合时，会出现什么情况？

Schölkopf：设计大脑界面的初衷是想帮助瘫痪的人通过想象运动的过程来真正做到移动胳膊，与此同时，我们要测量其脑电波。人类大脑的运动是我们无法通过数字模型来反映的，所以在这里我们也需要使用监督学习。在训练阶段，研究人员不仅要记录病人的脑电波还要记录病人所想象的运动。如果我们输入足够的数据，识别率能够达到80%至90%。但是，普及的程度——就是将此能力推广去解决相似问题的可能性——很低。例如，即使知道了手运动时的脑电波，并不意味着你可以据此判断腿如何运动。我们人类是这方面的大师——毕竟，我们学会如何用手在纸上写字，就能够在黑板上写出同样的字，不同之处就是稍微大点。

如今机器学习主要应用在哪些方面？

Schölkopf：它被用在我们看不到，但每天却离不开的一些东西上——如搜索引擎。谷歌聘用的很多人都是机器学习方面的。再比如，银行使用机器学习去预测股票价格的走势。还有一项有趣的医疗设备：正电子断层扫描仪（PET），一般在医疗应用中和计算机断层扫描仪器一起使用，后者的图像被用来修正PET图像数据的强度值。但是，医生们更偏爱核磁共振断层扫描（MRT）设备，因为它们还能够提供生理信息。西门子近来推出了一种融合二者功能的MR-PET系统。我们的研究所已经开发出一种方法，可以根据MRT图像来预测合成的CT图像。通过用成对的MRT-CT图像去训练机器学习，才完成这项研发。所以，现在我们再处理PET图像时，就像它已经被计算机断层扫描设备处理过一样。

在未来十年或20年中，机器学习研究会有如何进展？

Schölkopf：通过越来越强大的计算机，肯定会在处理大量数据方面有长足的发展。但是究竟是否会研发出全新的方法很难说。我希望可以在因果学习中有所斩获。目前，我们已经可以找出统计的规律，但是还没有找到背后的因果法则。设想一下：鹳多的国家也一般人口出生率也比较高。那这是不是就表明鹳会带来孩子呢？当然不是——但是我们目前使用的办法还不能区分这种情况，所以我们需要找出因果法则。

那人们一直以来想让机器人学习的梦想会实现吗？

Schölkopf：我相信实际在未来将会出现更多的行动自动化的系统。40年前，研究人员就设想今天机器人会随处可见。但是现实并不是这样，例如我不相信在医院会看到机器人护士。毕竟，人类比机器更擅长照顾其他人。我们更可能看到的是安装了人工智能系统的微型机器人，能够做一些人类无法进行的操作，比如可以进入人体内治疗并消灭肿瘤。