使用AI方面的知識來改進人類智能

編者按：ICFO機器學習工程師Mehmet Alican Noyan提出，我們教育和學習的方式，可以借鑒AI領域機器學習的一些經驗.

人工智能（AI）和人類智能的比較，一直以來引起各種激烈的爭論。

機器有可能像人類一樣思考嗎？

離智能機器統(tǒng)治世界還有多遠？

人工神經網絡借鑒了大腦嗎？

這類問題的焦點是塑造AI的未來。但我們?yōu)槭裁床幌胂笕绾谓梃bAI改進人類智能呢？我知道你的懷疑，別擔心，這不是一篇關于編輯基因升級大腦的文章。

人類智能不僅關乎大腦，教育也是我們的智能的基本部分。我們可以通過更好的教育改進人類智能。但是看起來我們在訓練機器方面要比訓練人類成功得多。

這一現(xiàn)象有多種可能的解釋。AI是一種數(shù)學構造，大部分情況下我們都能得出一種定義更好的表現(xiàn)測度，而教育包含經濟、社會、政治、宗教成分，更好的定義變得主觀。此外，在AI中，我們可以更加自由地進行試驗，以找出效果最好的學習方法。另一方面，教育領域的試驗卻有諸多限制（經濟、時間，等等）。最后，我們有基準數(shù)據(jù)集幫助世界各地的人比較他們的機器學習方法。而教育方面很難做這種普適的比較。

這些挑戰(zhàn)并不意味著我們走投無路。Asimov說過：“當下最可悲的事情是，科學積累知識的速度超過社會積累智慧的速度?！睘榱俗龀龈淖儯屛覀兪褂肁I方面的知識來改進人類智能。

基于規(guī)則和自行學習

AI有兩種方法：基于規(guī)則的系統(tǒng)，硬編碼算法遵循的規(guī)則；自行學習（即機器學習），給算法提供數(shù)據(jù)，算法自行學習模式、關系、變換。在視覺任務上，大家公認機器學習表現(xiàn)優(yōu)于基于規(guī)則的算法。換句話說，我們偏向于展示數(shù)據(jù)，而不是告訴機器怎么做。

但在人類教育上我們的做法不同。我們告知、強行灌輸所謂的真理，而不是向學生展示數(shù)據(jù)讓他們自己學到真理。這阻止學生內化概念。對重復性任務等一些有限的問題而言，這可能已經足夠。然而，要處理新問題，需要習慣變通、混合不同的想法。這只有在理解概念的本質，而不是僅僅死記硬背的情況下才能發(fā)生。

不要求學生知道，只要求學生記憶老師講授的內容。

—— Paulo Freire

如同在機器學習中所做的，我們應該信賴自行學習，也就是自我教育。學校應該創(chuàng)建一個可以激勵自我教育的環(huán)境。

我堅信，自我教育是唯一的教育形式。學校的唯一功能是讓自我教育更容易；做不到這一點，那它就什么也沒做。

—— Isaac Asimov

如何激勵自行學習？

即使我們同意自行學習是前進的方向，我們如何執(zhí)行呢？AI研究者投入了大量的精力，研究機器學習，我們有廣泛的知識可供借鑒。

在許多機器學習任務中，我們使用一種稱為梯度下降的優(yōu)化算法。這是機器實際學習的方式。理解這一算法的基礎很容易。它是一個迭代算法，逐步逼近答案。它從做出一個預測開始，然后得到一個離真相有多遠的反饋，然后做出一個略微改善的預測。這一序列不斷繼續(xù)，直到我們滿意于預測和真相的差距。換句話說，學習是一個主動的一步一步的過程，其中算法在每一步重新考慮它的假定，并逐漸改進。

我無法替別人思考，也無法不借助于別人而思考，別人也無法替我思考。即使人們的想法是迷信，或者很幼稚，只有當他們在行動中重新思考他們的假定時，他們才能做出改變。在這一過程中，必須生產自己的想法，并據(jù)此行動，而不是消費其他人的想法。

—— Paulo Freire

（這不是很像梯度下降嗎？還是說我讀了太多關于AI的東西走火入魔了？）

如你所見，梯度下降可能幫助我們理解如何執(zhí)行自行學習。我們也可以從測試階段得到一些經驗。

每個從事ML的人都牢記的一點是訓練算法時使用一個數(shù)據(jù)集（稱為訓練數(shù)據(jù)），然后使用另一個數(shù)據(jù)集測試（稱為測試數(shù)據(jù)），以確保算法并不是在記憶（過擬合），確實在學習。當然，訓練數(shù)據(jù)和測試數(shù)據(jù)必須來自同一分布。你不能教授數(shù)學，然后期望算法能夠很好地回答歷史問題。

例如，如果我們創(chuàng)建貓分類器，我們通過展示加菲貓、Hello Kitty、跳跳虎等圖片訓練算法，然后使用不同種類的貓：菲力貓、Cosmo貓、費加羅……如果算法能夠說菲力貓是貓，那么它學習了什么是“貓性”。如果算法說加菲貓是貓，那它也許學習了“貓性”，但也可能只是記住了加菲貓是貓這一事實而已。因此，這一領域的每個從業(yè)者都贊同我們不應該使用訓練數(shù)據(jù)來測試。你覺得人類學習也適用這一原則嗎？

教育小孩的時候，我們常常使用特定的一組問題訓練和測試。然而，生活中的問題沒有預定義的嚴格結構。它們不斷演化。我們只有內化概念而不是死記硬背才能應對生活中的問題。因此我們應該用開放的問題挑戰(zhàn)學生，讓他們面對不確定性，讓他們在領域中自己猜測和探索。

例子：如何教授導數(shù)？

我們來舉一個具體的例子，比較下基于規(guī)則的方法和自行學習的方法在教授導數(shù)上有什么不一樣。如果你愿意，可以跳過這一部分。這里的目標是展示如何激勵自行學習導數(shù)，而不是教你導數(shù)是什么。

傳統(tǒng)上，導數(shù)的教學是通過介紹求導公式以及展示幾種常見函數(shù)的導數(shù)。接著，學生通過求解一些問題記憶公式。這和基于規(guī)則的AI一樣，硬編碼算法需要遵循的規(guī)則。

下面讓我們看下另一種方法，也就是自行學習的方法。和我們在機器學習中做的一樣，這里的目標是創(chuàng)建一個可以激勵自行學習的環(huán)境。我們不會灌輸任何東西，學生會自己學習。

導數(shù)的本質是瞬間變化，但改變是在整個時間段發(fā)生的，瞬間僅僅是其中的一個時刻。為了捕捉導數(shù)的思想，人們應該自己察覺其中的矛盾。我們怎么能做到這一點呢？

我們可以討論下芝諾悖論中的一個：“假設你希望到達離你1米遠的一面墻。為了到達目標，你首先需要通過一半的路程，到達中點（1/2米）。剩下的路程同理。要通過剩下的1/2米，你首先需要到達1/2的中點（1/4米）。以此類推，你和墻之間總是剩下一段極小的距離。你可以逼近這面墻，但永遠也到不了——或者也許你可以在無窮次之后到達。但在現(xiàn)實生活中，我們知道我們確實可以到達墻。讓我們討論下這里發(fā)生了什么……”

希望這樣的討論能引導學生掌握無窮小和無限的概念，或者至少給他們帶來一點感覺。否則我們就迭代這一步驟，直到他們掌握概念或者至少有些感性認識為止，就像我們在梯度下降中做的一樣。具備了對無窮小和無限的理解之后，我們可以讓學生討論瞬時速度：

“平均速度是在特定時間段中的位移。但我們如何測量瞬時速度呢？瞬時意味著時間段是零，而如果時間停止，我們無法移動。看起來瞬時速度應該是0/0=未定義。你怎么看？”

同樣，經過幾次迭代后（5個epoch應該夠了:) ），他們大概能夠得出結論，時間段逼近零，平均速度就逼近瞬時速度，正像我們在芝諾悖論中逼近墻一樣。實際上這就是導數(shù)（位移-時間函數(shù)的導數(shù)是速度），當學生嘗試為某些問題找出答案時，他們自己就能領會這一點。我們甚至可以基于這一理解得到上面的公式。我并不建議在教學中省略公式，但學生應該理解公式背后的動機。

我并不是教人導數(shù)的專家，所以這里我嘗試給出自行學習導數(shù)的粗略輪廓。重點在于方法，而不是導數(shù)。你可以將這一概念應用于任何主題。例如，教攝影時，不要提供好照片的規(guī)則，而是引導學生去看優(yōu)秀的網站、書籍，讓他們在看各種照片的過程中形成他們自己對攝影的理解。同時，你可以為他們組織展覽，讓他們展示自己拍的照片，并在建設性的討論中迭代地改進攝影技術。

如果你對學習導數(shù)感興趣，可以看下Grant Sanderson的這個視頻。它是一個最好的恰當教學的例子。在某些時間點，他會問一些問題，然后說“停下來反思一下”。這是關鍵，需要停頓和反思才能真正學到東西。

他還說：“如果你感到古怪和矛盾，很好！你正努力對付微積分之父同樣面對過的沖突……”某種意義上，他正幫助你成為牛頓，這正是自行學習。

結論

可以說人工智能是模擬人類智能。如果我們不去利用它的結果，那將是巨大的浪費：

我們應該推廣自行學習而不是基于規(guī)則的學習。我們知道這是AI領域機器學習前進的路線。

學生應該自行改進他們的假定。和我們在梯度下降中做的一樣，我們也許需要監(jiān)督學習過程，在每一步給學生反饋，但不該給出解答。

為了確保學生是在學習而不是死記硬背，我們應該讓他們面對沒見過的情況。在機器學習中，我們用未見數(shù)據(jù)集來測試算法。

你也許在想這些關于教育的洞見早就為人所知，人類智能和人工智能之間的對應根本沒那么有用。但我們請你三思，這里的關鍵在于，AI領域幾乎一致同意這些洞見，你覺得這些在人類智能領域同樣成立嗎？我確實意識到人類和機器是不一樣的，不可能說存在100%的對應。但是，很明顯，兩者之間有很強的關系。讓我們利用人類和機器之間這一有價值的相似性，來理解和克服我們教育自己小孩的方式上的挑戰(zhàn)。