編者按：ICFO機(jī)器學(xué)習(xí)工程師Mehmet Alican Noyan提出，我們教育和學(xué)習(xí)的方式，可以借鑒AI領(lǐng)域機(jī)器學(xué)習(xí)的一些經(jīng)驗(yàn).

人工智能（AI）和人類智能的比較，一直以來(lái)引起各種激烈的爭(zhēng)論。

機(jī)器有可能像人類一樣思考嗎？

離智能機(jī)器統(tǒng)治世界還有多遠(yuǎn)？

人工神經(jīng)網(wǎng)絡(luò)借鑒了大腦嗎？

這類問(wèn)題的焦點(diǎn)是塑造AI的未來(lái)。但我們?yōu)槭裁床幌胂笕绾谓梃bAI改進(jìn)人類智能呢？我知道你的懷疑，別擔(dān)心，這不是一篇關(guān)于編輯基因升級(jí)大腦的文章。

人類智能不僅關(guān)乎大腦，教育也是我們的智能的基本部分。我們可以通過(guò)更好的教育改進(jìn)人類智能。但是看起來(lái)我們?cè)谟?xùn)練機(jī)器方面要比訓(xùn)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(xué)構(gòu)造，大部分情況下我們都能得出一種定義更好的表現(xiàn)測(cè)度，而教育包含經(jīng)濟(jì)、社會(huì)、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(jìn)行試驗(yàn)，以找出效果最好的學(xué)習(xí)方法。另一方面，教育領(lǐng)域的試驗(yàn)卻有諸多限制（經(jīng)濟(jì)、時(shí)間，等等）。最后，我們有基準(zhǔn)數(shù)據(jù)集幫助世界各地的人比較他們的機(jī)器學(xué)習(xí)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(wú)路。Asimov說(shuō)過(guò)：“當(dāng)下最可悲的事情是，科學(xué)積累知識(shí)的速度超過(guò)社會(huì)積累智慧的速度。”為了做出改變，讓我們使用AI方面的知識(shí)來(lái)改進(jìn)人類智能。

基于規(guī)則和自行學(xué)習(xí)

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(xué)習(xí)（即機(jī)器學(xué)習(xí)），給算法提供數(shù)據(jù)，算法自行學(xué)習(xí)模式、關(guān)系、變換。在視覺(jué)任務(wù)上，大家公認(rèn)機(jī)器學(xué)習(xí)表現(xiàn)優(yōu)于基于規(guī)則的算法。換句話說(shuō)，我們偏向于展示數(shù)據(jù)，而不是告訴機(jī)器怎么做。

但在人類教育上我們的做法不同。我們告知、強(qiáng)行灌輸所謂的真理，而不是向?qū)W生展示數(shù)據(jù)讓他們自己學(xué)到真理。這阻止學(xué)生內(nèi)化概念。對(duì)重復(fù)性任務(wù)等一些有限的問(wèn)題而言，這可能已經(jīng)足夠。然而，要處理新問(wèn)題，需要習(xí)慣變通、混合不同的想法。這只有在理解概念的本質(zhì)，而不是僅僅死記硬背的情況下才能發(fā)生。

不要求學(xué)生知道，只要求學(xué)生記憶老師講授的內(nèi)容。

—— Paulo Freire

如同在機(jī)器學(xué)習(xí)中所做的，我們應(yīng)該信賴自行學(xué)習(xí)，也就是自我教育。學(xué)校應(yīng)該創(chuàng)建一個(gè)可以激勵(lì)自我教育的環(huán)境。

我堅(jiān)信，自我教育是唯一的教育形式。學(xué)校的唯一功能是讓自我教育更容易；做不到這一點(diǎn)，那它就什么也沒(méi)做。

—— Isaac Asimov

如何激勵(lì)自行學(xué)習(xí)？

即使我們同意自行學(xué)習(xí)是前進(jìn)的方向，我們?nèi)绾螆?zhí)行呢？AI研究者投入了大量的精力，研究機(jī)器學(xué)習(xí)，我們有廣泛的知識(shí)可供借鑒。

在許多機(jī)器學(xué)習(xí)任務(wù)中，我們使用一種稱為梯度下降的優(yōu)化算法。這是機(jī)器實(shí)際學(xué)習(xí)的方式。理解這一算法的基礎(chǔ)很容易。它是一個(gè)迭代算法，逐步逼近答案。它從做出一個(gè)預(yù)測(cè)開(kāi)始，然后得到一個(gè)離真相有多遠(yuǎn)的反饋，然后做出一個(gè)略微改善的預(yù)測(cè)。這一序列不斷繼續(xù)，直到我們滿意于預(yù)測(cè)和真相的差距。換句話說(shuō)，學(xué)習(xí)是一個(gè)主動(dòng)的一步一步的過(guò)程，其中算法在每一步重新考慮它的假定，并逐漸改進(jìn)。

我無(wú)法替別人思考，也無(wú)法不借助于別人而思考，別人也無(wú)法替我思考。即使人們的想法是迷信，或者很幼稚，只有當(dāng)他們?cè)谛袆?dòng)中重新思考他們的假定時(shí)，他們才能做出改變。在這一過(guò)程中，必須生產(chǎn)自己的想法，并據(jù)此行動(dòng)，而不是消費(fèi)其他人的想法。

—— Paulo Freire

（這不是很像梯度下降嗎？還是說(shuō)我讀了太多關(guān)于AI的東西走火入魔了？）

如你所見(jiàn)，梯度下降可能幫助我們理解如何執(zhí)行自行學(xué)習(xí)。我們也可以從測(cè)試階段得到一些經(jīng)驗(yàn)。

每個(gè)從事ML的人都牢記的一點(diǎn)是訓(xùn)練算法時(shí)使用一個(gè)數(shù)據(jù)集（稱為訓(xùn)練數(shù)據(jù)），然后使用另一個(gè)數(shù)據(jù)集測(cè)試（稱為測(cè)試數(shù)據(jù)），以確保算法并不是在記憶（過(guò)擬合），確實(shí)在學(xué)習(xí)。當(dāng)然，訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)必須來(lái)自同一分布。你不能教授數(shù)學(xué)，然后期望算法能夠很好地回答歷史問(wèn)題。

例如，如果我們創(chuàng)建貓分類器，我們通過(guò)展示加菲貓、Hello Kitty、跳跳虎等圖片訓(xùn)練算法，然后使用不同種類的貓：菲力貓、Cosmo貓、費(fèi)加羅……如果算法能夠說(shuō)菲力貓是貓，那么它學(xué)習(xí)了什么是“貓性”。如果算法說(shuō)加菲貓是貓，那它也許學(xué)習(xí)了“貓性”，但也可能只是記住了加菲貓是貓這一事實(shí)而已。因此，這一領(lǐng)域的每個(gè)從業(yè)者都贊同我們不應(yīng)該使用訓(xùn)練數(shù)據(jù)來(lái)測(cè)試。你覺(jué)得人類學(xué)習(xí)也適用這一原則嗎？

教育小孩的時(shí)候，我們常常使用特定的一組問(wèn)題訓(xùn)練和測(cè)試。然而，生活中的問(wèn)題沒(méi)有預(yù)定義的嚴(yán)格結(jié)構(gòu)。它們不斷演化。我們只有內(nèi)化概念而不是死記硬背才能應(yīng)對(duì)生活中的問(wèn)題。因此我們應(yīng)該用開(kāi)放的問(wèn)題挑戰(zhàn)學(xué)生，讓他們面對(duì)不確定性，讓他們?cè)陬I(lǐng)域中自己猜測(cè)和探索。

例子：如何教授導(dǎo)數(shù)？

我們來(lái)舉一個(gè)具體的例子，比較下基于規(guī)則的方法和自行學(xué)習(xí)的方法在教授導(dǎo)數(shù)上有什么不一樣。如果你愿意，可以跳過(guò)這一部分。這里的目標(biāo)是展示如何激勵(lì)自行學(xué)習(xí)導(dǎo)數(shù)，而不是教你導(dǎo)數(shù)是什么。

傳統(tǒng)上，導(dǎo)數(shù)的教學(xué)是通過(guò)介紹求導(dǎo)公式以及展示幾種常見(jiàn)函數(shù)的導(dǎo)數(shù)。接著，學(xué)生通過(guò)求解一些問(wèn)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(xué)習(xí)的方法。和我們?cè)跈C(jī)器學(xué)習(xí)中做的一樣，這里的目標(biāo)是創(chuàng)建一個(gè)可以激勵(lì)自行學(xué)習(xí)的環(huán)境。我們不會(huì)灌輸任何東西，學(xué)生會(huì)自己學(xué)習(xí)。

導(dǎo)數(shù)的本質(zhì)是瞬間變化，但改變是在整個(gè)時(shí)間段發(fā)生的，瞬間僅僅是其中的一個(gè)時(shí)刻。為了捕捉導(dǎo)數(shù)的思想，人們應(yīng)該自己察覺(jué)其中的矛盾。我們?cè)趺茨茏龅竭@一點(diǎn)呢？

我們可以討論下芝諾悖論中的一個(gè)：“假設(shè)你希望到達(dá)離你1米遠(yuǎn)的一面墻。為了到達(dá)目標(biāo)，你首先需要通過(guò)一半的路程，到達(dá)中點(diǎn)（1/2米）。剩下的路程同理。要通過(guò)剩下的1/2米，你首先需要到達(dá)1/2的中點(diǎn)（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(yuǎn)也到不了——或者也許你可以在無(wú)窮次之后到達(dá)。但在現(xiàn)實(shí)生活中，我們知道我們確實(shí)可以到達(dá)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(dǎo)學(xué)生掌握無(wú)窮小和無(wú)限的概念，或者至少給他們帶來(lái)一點(diǎn)感覺(jué)。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(rèn)識(shí)為止，就像我們?cè)谔荻认陆抵凶龅囊粯印＞邆淞藢?duì)無(wú)窮小和無(wú)限的理解之后，我們可以讓學(xué)生討論瞬時(shí)速度：

“平均速度是在特定時(shí)間段中的位移。但我們?nèi)绾螠y(cè)量瞬時(shí)速度呢？瞬時(shí)意味著時(shí)間段是零，而如果時(shí)間停止，我們無(wú)法移動(dòng)。看起來(lái)瞬時(shí)速度應(yīng)該是0/0=未定義。你怎么看？”

同樣，經(jīng)過(guò)幾次迭代后（5個(gè)epoch應(yīng)該夠了:) ），他們大概能夠得出結(jié)論，時(shí)間段逼近零，平均速度就逼近瞬時(shí)速度，正像我們?cè)谥ブZ悖論中逼近墻一樣。實(shí)際上這就是導(dǎo)數(shù)（位移-時(shí)間函數(shù)的導(dǎo)數(shù)是速度），當(dāng)學(xué)生嘗試為某些問(wèn)題找出答案時(shí)，他們自己就能領(lǐng)會(huì)這一點(diǎn)。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(xué)中省略公式，但學(xué)生應(yīng)該理解公式背后的動(dòng)機(jī)。

我并不是教人導(dǎo)數(shù)的專家，所以這里我嘗試給出自行學(xué)習(xí)導(dǎo)數(shù)的粗略輪廓。重點(diǎn)在于方法，而不是導(dǎo)數(shù)。你可以將這一概念應(yīng)用于任何主題。例如，教攝影時(shí)，不要提供好照片的規(guī)則，而是引導(dǎo)學(xué)生去看優(yōu)秀的網(wǎng)站、書(shū)籍，讓他們?cè)诳锤鞣N照片的過(guò)程中形成他們自己對(duì)攝影的理解。同時(shí)，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(shè)性的討論中迭代地改進(jìn)攝影技術(shù)。

如果你對(duì)學(xué)習(xí)導(dǎo)數(shù)感興趣，可以看下Grant Sanderson的這個(gè)視頻。它是一個(gè)最好的恰當(dāng)教學(xué)的例子。在某些時(shí)間點(diǎn)，他會(huì)問(wèn)一些問(wèn)題，然后說(shuō)“停下來(lái)反思一下”。這是關(guān)鍵，需要停頓和反思才能真正學(xué)到東西。

他還說(shuō)：“如果你感到古怪和矛盾，很好！你正努力對(duì)付微積分之父同樣面對(duì)過(guò)的沖突……”某種意義上，他正幫助你成為牛頓，這正是自行學(xué)習(xí)。

結(jié)論

可以說(shuō)人工智能是模擬人類智能。如果我們不去利用它的結(jié)果，那將是巨大的浪費(fèi)：

我們應(yīng)該推廣自行學(xué)習(xí)而不是基于規(guī)則的學(xué)習(xí)。我們知道這是AI領(lǐng)域機(jī)器學(xué)習(xí)前進(jìn)的路線。

學(xué)生應(yīng)該自行改進(jìn)他們的假定。和我們?cè)谔荻认陆抵凶龅囊粯樱覀円苍S需要監(jiān)督學(xué)習(xí)過(guò)程，在每一步給學(xué)生反饋，但不該給出解答。

為了確保學(xué)生是在學(xué)習(xí)而不是死記硬背，我們應(yīng)該讓他們面對(duì)沒(méi)見(jiàn)過(guò)的情況。在機(jī)器學(xué)習(xí)中，我們用未見(jiàn)數(shù)據(jù)集來(lái)測(cè)試算法。

你也許在想這些關(guān)于教育的洞見(jiàn)早就為人所知，人類智能和人工智能之間的對(duì)應(yīng)根本沒(méi)那么有用。但我們請(qǐng)你三思，這里的關(guān)鍵在于，AI領(lǐng)域幾乎一致同意這些洞見(jiàn)，你覺(jué)得這些在人類智能領(lǐng)域同樣成立嗎？我確實(shí)意識(shí)到人類和機(jī)器是不一樣的，不可能說(shuō)存在100%的對(duì)應(yīng)。但是，很明顯，兩者之間有很強(qiáng)的關(guān)系。讓我們利用人類和機(jī)器之間這一有價(jià)值的相似性，來(lái)理解和克服我們教育自己小孩的方式上的挑戰(zhàn)。