——讀《追問人工智能》有感

1.推薦系統(tǒng)歷史與現(xiàn)狀

隨著信息技術(shù)與互聯(lián)網(wǎng)技術(shù)飛速進(jìn)步，電子商務(wù)、社交媒體、影音娛樂等領(lǐng)域蓬勃發(fā)展。特別是隨著移動互聯(lián)網(wǎng)的興起與社交網(wǎng)絡(luò)的繁榮，互聯(lián)網(wǎng)用戶正在從以前的信息接收者變?yōu)樾畔⑸a(chǎn)者與參與者。據(jù)中國互聯(lián)網(wǎng)絡(luò)信息中心（CNNIC）發(fā)布的《第45次中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計報告》，截至2020年3月，中國網(wǎng)民規(guī)模已達(dá)9.04億，網(wǎng)絡(luò)購物用戶規(guī)模達(dá)7.01億，網(wǎng)絡(luò)視頻（含短視頻）、網(wǎng)絡(luò)音樂和網(wǎng)絡(luò)游戲的用戶規(guī)模分別為8.50億、6.35億和 5.32億，使用率分別為94.1%、70.3%和58.9%。互聯(lián)網(wǎng)產(chǎn)生的數(shù)據(jù)是海量的，根據(jù)統(tǒng)計，YouTube全球用戶超過10億，每分鐘上傳超過500小時新內(nèi)容；微信公眾號每天發(fā)布超過70萬篇新文章；QQ音樂有1500萬首歌，全部聽完需要142年。面對如此大規(guī)模的數(shù)據(jù)信息，使得我們不再受制于信息匱乏給我們?nèi)粘Ｉ顜淼谋?，但隨之而來的是從這些巨量信息中查找到自己所需要的有用信息變得越來越困難，這就是“信息過載”。

面對“信息過載”問題，目前主要有三類解決方案：分類目錄，搜索引擎和推薦系統(tǒng)。分類目錄即通過在互聯(lián)網(wǎng)中對網(wǎng)絡(luò)資源進(jìn)行分類整理，從而降低查找難度，類似的比較著名的分類目錄網(wǎng)站如Hao123等。搜索引擎通過關(guān)鍵詞過濾掉大量的無關(guān)信息，直接為用戶呈現(xiàn)與關(guān)鍵詞相關(guān)的結(jié)果信息。推薦系統(tǒng)則是根據(jù)用戶的興趣特點(diǎn)和購買行為，向用戶直接推薦用戶感興趣的信息和商品。

推薦系統(tǒng)的研究起源被認(rèn)為是20世紀(jì)90年代的Tapestry系統(tǒng)，其為用戶提供文檔過濾、檢索服務(wù)，該系統(tǒng)的一個重要貢獻(xiàn)就是首次提出了使用協(xié)同過濾思想來進(jìn)行推薦。隨后在1994年，明尼蘇達(dá)大學(xué)GroupLens研究組提出完全自動的GroupLens推薦系統(tǒng)，該系統(tǒng)向用戶推薦新聞及電影。在這之后，推薦系統(tǒng)成為在人機(jī)交互、機(jī)器學(xué)習(xí)和信息檢索領(lǐng)域的熱門研究課題，大量推薦應(yīng)用系統(tǒng)被提出。

隨著推薦系統(tǒng)在購物網(wǎng)站中的潛在作用逐步被認(rèn)識到，其在商業(yè)領(lǐng)域的應(yīng)用愈發(fā)廣泛。Amazon根據(jù)用戶的購物記錄、瀏覽記錄和正在查看的物品記錄，向用戶推薦一些其可能喜歡的物品，其所提供的個性化推薦服務(wù)使其銷售額提升了30%；Netfilx宣稱其60%左右的會員根據(jù)推薦名單定制影片訂閱順序。推薦系統(tǒng)目前正以一種更快的速度在影音娛樂、內(nèi)容信息服務(wù)、電子商務(wù)、社交網(wǎng)絡(luò)、中介服務(wù)等領(lǐng)域中被部署應(yīng)用，并在其中扮演了重要的角色。推薦系統(tǒng)所取得的巨大成功，也促進(jìn)了更多的學(xué)者對該領(lǐng)域的關(guān)注，2007年，ACM成立并召開了推薦系統(tǒng)會議（RecSys），其已經(jīng)成為目前最新的推薦技術(shù)和應(yīng)用的頂級年度盛會，此外，像數(shù)據(jù)庫、信息系統(tǒng)和自適應(yīng)系統(tǒng)領(lǐng)域等更傳統(tǒng)的大會也經(jīng)常會包括以推薦系統(tǒng)為主題的會議，如ACM SIGIR、ACM SIGMOD、WWW、NIPS、KDD等重要國際會議每年都有大量與推薦系統(tǒng)相關(guān)的研究成果發(fā)表。

2.推薦系統(tǒng)中的“休謨之問”

“休謨在他的哲學(xué)體系里邊，提出了很重要的“休謨之問”：“是”推不出“應(yīng)該”，這句話的意思是從事實里邊，推不出價值觀。中國古代著名的一句話“天行健，君子必自強(qiáng)不息”是不成立的。天行健是一個事實，君子必自強(qiáng)不息，是一種價值觀，二者不能劃等號，這里面涉及到一個很重要的詞“change”，“變”，人會不斷的“change”，而機(jī)器則不能，只會按部就班、因循守舊、刻舟求劍。”

《追問人工智能》一書中認(rèn)為智能的起點(diǎn)不僅包括“being”，還存在著“should”。人類智能比機(jī)器智能的優(yōu)越性體現(xiàn)在人有“want”、“can”、“change”，即個體欲望、行為約束與意識變化。機(jī)器只能在已定規(guī)則下按部就班。如此這般，機(jī)器智能永遠(yuǎn)是“死”的而不是“活”的。其實推薦系統(tǒng)中也有類似問題：推薦系統(tǒng)如何真正實現(xiàn)個性化？推薦系統(tǒng)如何破除信息繭房？推薦系統(tǒng)如何自我迭代？

目前的推薦系統(tǒng)通過在多源異構(gòu)的事實性數(shù)據(jù)中發(fā)掘出隱性的興趣、愛好、情感等價值類信息?，F(xiàn)在常規(guī)的做法從傳統(tǒng)的協(xié)同過濾算法、矩陣分解算法到目前基于長短期記憶神經(jīng)網(wǎng)絡(luò)、注意力機(jī)制、圖神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)方法，通過挖掘用戶和對象的隱性特征，基于特征相似關(guān)聯(lián)的原理，將不同的對象分配給不同的目標(biāo)用戶。目前看來，這些方法都以準(zhǔn)確率為首要追求目標(biāo)，推薦的對象很多是與之前自己喜歡的對象類似的，而非挖掘到對象的潛藏的愛好，即驚喜度并不高?，F(xiàn)在在推薦系統(tǒng)中開始加入知識圖譜，即為推薦系統(tǒng)引入了邏輯性，如此使推薦系統(tǒng)更具有實用性，但是推薦系統(tǒng)對人的非邏輯即思維的跳躍性仍沒有較好的解決方式。所謂個性化推薦應(yīng)該是系統(tǒng)了解個體的差異性，不只是推薦與之前喜好相關(guān)的事物，而是能夠幫助用戶發(fā)掘新的愛好。

在當(dāng)前時代中，人們已經(jīng)處于海量信息中，每個人都有海量的選擇，但個體往往只會選擇自己感興趣的信息。推薦算法通過分析用戶行為數(shù)據(jù)，不斷向用戶推薦與用戶興趣相似的對象，用戶只能獲得特定領(lǐng)域的信息，便與其他領(lǐng)域的信息之間形成一道無形的墻，就像蠶寶寶一樣被束縛在“繭房”之中。長此以往，在互聯(lián)網(wǎng)空間中，用戶因為血緣、地緣、學(xué)緣、業(yè)緣等關(guān)系產(chǎn)生分化和類聚，乃至形成了網(wǎng)絡(luò)群體的極化，進(jìn)而形成“信息繭房”。每個人活在由推薦算法造就的“信息繭房”中，只能看到自己的觀點(diǎn)被認(rèn)同被肯定，而缺少相反或更多元化的呈現(xiàn)，算法推薦開始代替?zhèn)€人的自主選擇，用戶的認(rèn)知不斷固化，現(xiàn)在的網(wǎng)絡(luò)環(huán)境如微博、貼吧已經(jīng)展現(xiàn)出這種趨勢，大家觀念對立，并且群體的觀點(diǎn)容易極化，社會的包容性與多元性被大大打擊。目前解決信息繭房的手段主要在信源管理，后臺盡量引導(dǎo)用戶拓寬信息接收渠道，并對偏激的立場觀點(diǎn)和不良信息進(jìn)行過濾和篩選。但在算法層如何引導(dǎo)用戶破除信息繭房仍未有較好的措施，是未來推薦系統(tǒng)需要重點(diǎn)考慮的問題。

推薦系統(tǒng)的自我迭代是一個比較前沿的問題，自我迭代聽起來仿佛通用人工智能一樣，能夠自我進(jìn)化，自我完善，其實目前的推薦系統(tǒng)主要是缺乏對自身的反饋調(diào)節(jié)機(jī)制。目前的推薦系統(tǒng)都是基于已定規(guī)則下構(gòu)建的不變系統(tǒng)，一旦規(guī)則確定，推薦系統(tǒng)便已定型，之后可以想要改變，只能是人為的再去調(diào)整，而其自身不會對自身的好壞進(jìn)行判別。如何實現(xiàn)推薦系統(tǒng)的自我迭代會是未來思考并要解決的問題。

3.推薦系統(tǒng)與態(tài)勢感知

“20世紀(jì)八十年代，美國空軍首席科學(xué)家Mica R. Endsley提出了態(tài)勢感知模型，該模型中態(tài)勢感知被分成三級，每一階段都是必要但不充分地先于下一階段，該模型沿著一個信息處理鏈，逐步地從環(huán)境感知到環(huán)境理解最后到預(yù)測規(guī)劃，實現(xiàn)了從低級到高級的態(tài)勢感知過程，具體為：第一級是對環(huán)境中各成分的感知，即信息的輸入；第二級是對目前的情境的綜合理解，即信息的處理；第三級是對隨后情境的預(yù)測和規(guī)劃，即信息的輸出?！?/span>

態(tài)勢感知目前在軍事領(lǐng)域與網(wǎng)絡(luò)安全領(lǐng)域得到廣泛利用，它是一種基于環(huán)境、人、機(jī)器之間的關(guān)系，能夠通過理解狀態(tài)從而動態(tài)、整體地洞悉趨勢的能力。整體來說，推薦系統(tǒng)是態(tài)勢感知的簡單應(yīng)用，而態(tài)勢感知則是推薦系統(tǒng)的高級形態(tài)。目前態(tài)勢感知普遍依靠人類的行為數(shù)據(jù)與狀態(tài)信息，而沒有深入考慮人與機(jī)器、人與環(huán)境、機(jī)器與環(huán)境的關(guān)系。依據(jù)《追問人工智能》一書，推薦系統(tǒng)可以考慮從以下三個方便去提升：動機(jī)性、常識、決策。

首先是動機(jī)性。動機(jī)，在心理學(xué)上一般被認(rèn)為涉及行為的發(fā)端、方向、強(qiáng)度和持續(xù)性。動機(jī)也是有層次的，不同層級可以互相轉(zhuǎn)換。馬斯洛（Abraham Maslow）于1943年在《人類激勵理論》一文中將社會需求層次與生理需求、安全需求、尊重需求和自我實現(xiàn)需求并列為人類五大需求。推薦系統(tǒng)目前考慮最多的是準(zhǔn)確率，應(yīng)該從人類的五大需求的方面綜合考慮推薦系統(tǒng)的發(fā)展方向。

然后是常識。常識的定義為在一定的文化背景下，人們擁有的相同的經(jīng)驗知識。比較常見的有空間、時間、文化、物理常識。常識對于我們?nèi)粘Ｉ钍种匾?，尤其是在我們做出決定與判斷的時候尤為如此。很多常識是潛移默化形成的，是文化與背景學(xué)習(xí)的產(chǎn)物。融入常識的推薦系統(tǒng)將會更加符合用戶的行為習(xí)慣。是否可以構(gòu)建常識圖譜，使之與推薦系統(tǒng)進(jìn)行結(jié)合。

最后是決策。無論是人類的日常生活，還是人工智能，最為關(guān)鍵的一步就是決策。如何讓機(jī)器更加智能的進(jìn)行決策，這是一個關(guān)乎到未來人工智能走向的問題。人類的決策機(jī)制主要分為三大部分：理性決策、描述性決策與自然決策。理性決策即認(rèn)為人在決策時遵循著理性價值最大化的原則，比較具有代表性的有馮·諾伊曼提出的最大期望效用理論，倫納德·薩維奇（LeonardSavage）提出的主觀期望效用理論等。而描述性決策認(rèn)為人在進(jìn)行決策時不完全遵循理性準(zhǔn)則。自然決策專門研究人們?nèi)绾卧谧匀画h(huán)境或仿真環(huán)境下實際進(jìn)行決策。推薦系統(tǒng)目前依靠的主要是理性決策，使推薦系統(tǒng)學(xué)習(xí)人類的描述性決策與自然決策會使推薦系統(tǒng)更加自然，更加理解人類的意圖，真正做到個性化推薦。

真正的智能是沒有智能