林永青

驚恐的算法登場

最早讓人們最深切地體會到計算機算法威力的，不是圍棋機器人，而是華爾街的股票分析算法（軟件）。

2010年5月6日早上，全球股市受希臘動蕩局勢的拖累而走低。很多人擔心希臘債務(wù)違約在所難免，并且會引發(fā)全球經(jīng)濟蕭條。紐約時間上午10點左右，美國股市大跌2.5%，損失慘重。

事情很快由糟糕透頂發(fā)展成令人費解。當日美國東部時間下午2點42分，股市劇烈波動后進入自由落體狀態(tài)。2點47分，僅僅300秒之后，道瓊斯指數(shù)下跌達998.5點，為其有史以來最大單日跌幅。全球最受重視的股票指數(shù)道瓊斯工業(yè)平均指數(shù)的走勢看起來就像是被人惡搞了一樣。近1萬億美元的財富就這樣蒸發(fā)了。

某些股票每股購入價狂跌至1美分，但卻在數(shù)秒之內(nèi)又反彈回30美元或40美元。美股陷入劇烈動蕩，無人知曉原因，不管問題出在哪里，總之不能全部歸結(jié)到某個有嚴重錯誤的交易單或是某個流氓交易員。動蕩來得如此迅疾，有些交易員或許就在上個廁所或喝杯咖啡的時間里，就完全錯過了千點大跌又急速反彈的一幕。

閃電崩盤的確切成因，仍然眾說紛紜。有人把矛頭指向堪薩斯城的一位財富投資經(jīng)理人，他的算法過快出售掉價值40億美元的股指期貨，導致其他算法跟風。有人指責一伙不明交易商合謀共同利用算法打壓股價。有人認為這不過是老式的恐慌造成的，跟1929年的大崩盤不無相似之處。然而可以肯定的是，如果不是因為不受人類管束的算法占據(jù)了市場，不到1秒內(nèi)獨立下單并完成交易，股價波動幅度不可能如此之大，波動速度也不可能如此之快。但這樣的算法確實統(tǒng)治了市場。

算法通常都是按設(shè)定好的方式運行，有的安靜地交易，有的根據(jù)供需關(guān)系給商品定價。但算法一旦處于失控的狀態(tài)，我們便會弄不清誰或是什么在幕后操縱。算法在不知不覺中悄悄侵入我們的世界，直到閃電崩盤使我們驚醒！這讓算法上了晚間新聞，它也很快地出現(xiàn)在關(guān)于約會、購物、娛樂和就醫(yī)等任何你可以想得到的領(lǐng)域的故事中。閃電崩盤只是預(yù)示了一個更大的趨勢：算法掌控一切。

理解算法

佩德羅·多明戈斯（Pedro Domingos）是美國華盛頓大學計算機科學教授，加州大學歐文分校信息與計算機科學博士，在機器學習與數(shù)據(jù)挖掘方面著有200多部專業(yè)著作和數(shù)百篇論文。他在自己的《終極算法》一書中開篇就直截了當?shù)靥岢鰜怼八兄R都可以通過一個單一的終極算法來獲得”。

人工智能的起源時期，最初的主流研究方向是“神經(jīng)網(wǎng)絡(luò)”。那時，人們認為通過研究人類大腦的“仿生學”方法，可以找到機器智能的出路，結(jié)果卻是機器學習的另一方向——算法——后來居上。從今天人工智能各個研究方向的發(fā)展來看，都離不開算法，將智能定義為算法，大致上是準確的。

如果終極算法存在

算法（Algorithm）原指對解題方案準確而完整的描述，是一系列解決問題的清晰指令，算法代表著用系統(tǒng)的方法描述解決問題的策略機制。也就是說，能夠通過對一定規(guī)范的輸入，在有限時間內(nèi)獲得所要求的輸出。如果一個算法有缺陷，或不適合于某個問題，執(zhí)行這個算法將不會解決這個問題。不同的算法可能用不同的時間、空間或效率來完成同樣的任務(wù)。一個算法的優(yōu)劣可以用空間復(fù)雜度與時間復(fù)雜度來衡量。

對全部算法的理解過于技術(shù)化，不容易理解，但我們可以舉兩個重要的算法思想，以管中窺豹，建立一些認知。

比如，窮舉法，或稱為暴力破解法?；舅悸肥?，對要解決的問題，列舉出所有可能的情況，逐個判斷有哪些是符合問題所要求的條件，從而得到問題的解。它常用于密碼破譯，即對密碼逐個推算直到找出真正的密碼為止。例如一個四位并且全部由數(shù)字組成的密碼，其可能有的組合會有上萬種，由此，試過相應(yīng)的次數(shù)就能找到正確的密碼。理論上利用這種方法可以破解任何一種密碼，問題只在于如何縮短試錯時間。因此有人運用計算機來增加效率，有人輔以字典來縮小密碼組合的范圍。

再比如遞歸法。程序調(diào)用自身的編程技巧稱為遞歸（recursion）。它通常把一個大型復(fù)雜的問題層層轉(zhuǎn)化為一個與原問題相似的規(guī)模較小的問題來求解，遞歸策略只需少量的程序就可描述出解題過程所需要的多次重復(fù)計算，大大地減少了程序的代碼量。遞歸的能力在于用有限的語句來定義對象的無限集合。遞歸法可以類比索羅斯對金融市場的反身性研究，即股市參與者對每一次股票交易的定價和心理預(yù)期，又“反身性”地影響了股票的價格，即人類觀察者自身對于觀察對象有著實質(zhì)的影響?？梢哉f，機器算法自身，也是個“生命體”。因為時間維度的存在，當一個算法變量要開始計算反饋時，變量本身已經(jīng)開始變化了。

今天，不同于傳統(tǒng)算法，悄然主導我們生活的是“能夠?qū)W習的機器”，它們通過學習人們瑣碎的數(shù)據(jù)，來執(zhí)行任務(wù)；它們甚至在人們還沒提出要求時，就能“預(yù)知”到我們想做的事。《終極算法》中說：“如果這種終極算法存在，那么它將可以通過數(shù)據(jù)獲得世界上過去、現(xiàn)在、未來的所有知識。這個算法的發(fā)明將會是科學史最偉大的進步之一?！?/p>

機器學習，自我建構(gòu)的技術(shù)

和算法一樣，在我們幾乎還不知情的時候，機器學習已經(jīng)就在我們身邊了。當我們把查詢信息輸入搜索引擎，它確定該顯示哪些搜索結(jié)果（包括顯示哪些廣告）；當我們打開郵箱時，大部分垃圾郵件已經(jīng)被屏蔽，因為計算機已經(jīng)把這些垃圾郵件過濾了；我們登錄亞馬遜網(wǎng)站購買一本書，或登錄網(wǎng)飛（Netflix）公司網(wǎng)站觀看視頻，機器學習系統(tǒng)會推薦一些我們可能喜歡的產(chǎn)品；臉書（Facebook）利用機器學習決定該向你展示哪些更新，推特（Twitter）也同樣會決定顯示哪些文章。

機器學習正在重塑科學、技術(shù)、商業(yè)、政治以及戰(zhàn)爭。衛(wèi)星、DNA（脫氧核糖核酸）測序儀以及粒子加速器以前所未有的精細程度探索自然，同時，學習算法將龐大的數(shù)據(jù)轉(zhuǎn)變成新的科學知識。企業(yè)從未像現(xiàn)在這樣了解自己的用戶。在美國大選中，擁有最佳選舉模型的候選人奧巴馬最終戰(zhàn)勝了對手羅姆尼，獲得了競選勝利。無人駕駛汽車、輪船、飛機分別在陸地、海面、空中進行生產(chǎn)前測試。學習算法通過匯總你過去的購買經(jīng)歷就能確定你的喜好。谷歌的無人駕駛汽車，是因為配有學習算法的汽車能通過觀察司機的操作來掌握開車技能。

傳統(tǒng)上認為，讓計算機完成某件事情的唯一方法（從把兩個數(shù)相加到駕駛飛機），就是非常詳細地記錄某個算法并解釋其如何運行。但機器學習算法不一樣，它是通過從數(shù)據(jù)中推斷，它們自己會弄明白做事方法。掌握的數(shù)據(jù)越多，它們的工作就越順利，無需給計算機編程，它們自己給自己編程。

機器學習是“太陽底下的新鮮事”——一種能夠構(gòu)建自我的技術(shù)。從遠古祖先學會打磨石頭開始，人類就一直在設(shè)計工具，無論這些工具是手工完成的，還是大批量生產(chǎn)的。算法本身也屬于工具，可以用它們來設(shè)計其他工具?！坝嬎銠C毫無用處，”畢加索說，“它們只能給你提供答案?！庇嬎銠C并沒有創(chuàng)造性，它們只能做你讓它們做的事。如果你告訴它們要做的事涉及創(chuàng)造力，那么就要用到機器學習。學習算法就像技藝精湛的工匠，它生產(chǎn)的每個產(chǎn)品都不一樣，而且專門根據(jù)顧客的需要精細定制。但是不像把石頭變成磚、把金子變成珠寶，學習算法是把數(shù)據(jù)變成算法。它們掌握的數(shù)據(jù)越多，算法也就越精準。

現(xiàn)代人希望讓世界來適應(yīng)自己，而不是改變自己來適應(yīng)世界。機器學習是100萬年傳奇中最新的篇章。其核心就是預(yù)測：預(yù)測我們想要什么，預(yù)測我們行為的結(jié)果，預(yù)測如何能實現(xiàn)我們的目標，預(yù)測世界將如何改變。從前，我們依賴巫醫(yī)和占卜師進行預(yù)測，但他們太不可靠；科學的預(yù)測就更值得信賴，但也僅限于我們能系統(tǒng)觀察和易于模仿的事物，大數(shù)據(jù)和機器學習卻大大超出這個范圍。我們可通過獨立的思維來預(yù)測一些常見的事情，包括接球和與人對話，但有些事情，即便我們很努力，也無法預(yù)測?？深A(yù)測與難以預(yù)測之間的巨大鴻溝，也許可以交給機器學習來填補。（作者為價值中國創(chuàng)始人、價值家創(chuàng)始人）