为什么机器学习这么困难？

李彦宏说互联网的下一幕就是人工智能。机器学习是其中热门的分支之一，主要研究如何在经验学习中改善具体算法的性能。机器学习有着光辉的愿景，但眼下却存在一些难以克服的障碍。TechRepubic网站撰文，从技术角度分析了为什么会出现这些困难。以下是原文翻译：

专家们纷纷炒作人工智能和机器学习就是未来的一切。可是每个对Siri喊过话的人都明白Siri在对我们提问的基本理解上还很欠缺。我们离实现人工智能的理想也还有很长的路要走。

人工智能和机器学习有哪些难以克服的难关呢？

第一个可以归结为信任。Google研究主任Peter Norvig的一份声明中表示，我们看不到机器内部来真正明白正在发生什么：“机器学习产生的东西并不是代码，而是被称作一个黑盒。里面发生的事情我们知道一点，但并不能把握全部。”

第二个原因是很难教会一个机器足够多的东西，去理解语境和上下文。Facebook的人工智能研究员Yann LeCun称，想要机器达到无障碍沟通，需要让机器理解这个世界是如何运转的，需要学习大量的背景知识，感受在任何给定的时刻里这个世界所处的状态，并且还要有理性和计划。

这是个不小的壮举。

以一种精确的方式去做这件事的麻烦在于，我们“喂”给机器的数据必然被人的主观性所左右。但这一点很难避免。

最后，机器学习的困难之处还在于进入它的编程，Norvig指出:

“缺乏明确的抽象壁垒”，让调试更加困难，因为它很难隔离一个bug；“非模块性”（non-modularity），如果你改变了其中一部分，你最终就改变了一切；“不稳定性”——需要持续输入新的数据；“这是谁的数据?“涉及到隐私、安全性和公平性的问题；缺乏足够的工具和流程进行传统软件的开发。

尽管看起来困难重重，但是未来的曙光仍落在机器学习和人工智能上。

我们曾经生活的世界是一个相对有序、整齐的关系数据库，现在的世界则是一团乱麻，一个松散的、半结构化的关系数据库。但是我们缺乏数据基础设施来构建。在用了Apache Hadoop, Apache Spark等等NoSQL数据库，我们终于获得了正确的工具，以一个合适的价格（免费、开源）来处理我们的数据。

但是我们还在努力寻找这个庞大混乱的数据库中隐含的模式。在这方面，机器学习将变得无比重要。Nervana公司的联合创始人和CEONaveen Rao说：“我的聪明之处大概是在数据中找出结构的能力。”这并不是说今天机器可以以人力难及的方式解释这个世界。它们所做的事情是在看起来杂乱无章的海量数据中找出结构，而在同样的时间里人脑不可能发现其中的模式。

解决问题的诀窍在于让机器和人类协同工作。这是未来十年人工智能和机器学习的挑战所在。尽管机器学习有其内在的困难，人工智能和机器学习还是值得期待的。