（原標(biāo)題：人工智能也將遵循 80/20 法則，需要與人類攜手并進(jìn)）
曾經(jīng)有人調(diào)侃現(xiàn)在只要是個(gè)專家，只要是個(gè)有兩個(gè)人的公司都在大談“人工智能”，就算“人工智能”不火，這樣每天不停地談?wù)摚㈩l，想不火都難？人工智能真的將取代人類，主宰這個(gè)世界嗎？小編不這樣認(rèn)為，機(jī)器人在厲害也比不過人類的自覺，一件事情機(jī)器人幫你做好了80%，這已經(jīng)稱得上是“足夠好”，但還有20%，仍需人類才能完成，因此人工智能也將遵循 80/20 法則，需要與人類攜手并進(jìn)。
人工智能的發(fā)展將會(huì)讓人類變得一無是處？在Yelp（美國(guó)版大眾點(diǎn)評(píng)）搜索團(tuán)隊(duì)的產(chǎn)品經(jīng)理Yue Wu看來是無稽之談。他近日在venturebeat上發(fā)表了一篇文章指出，人類的自覺仍舊是不可取代的。在解決問題的過程中，也遵循著一種80/20法則，仍舊需要人工智能（80）與人類直覺（20）攜手并進(jìn)。
把機(jī)器學(xué)習(xí)算法放到一個(gè)具體的場(chǎng)景來進(jìn)行優(yōu)化，它將展現(xiàn)出遠(yuǎn)超人類的能力。但作為人類，我們應(yīng)該繼續(xù)專注于我們最擅長(zhǎng)的事情，比如創(chuàng)造性地思考，建立同理心，來以引導(dǎo)機(jī)器向正確的方向前進(jìn)。
比如，一個(gè)朋友想讓你推薦一些氣氛比較適合約會(huì)的餐廳。和大多數(shù)人一樣，你可能會(huì)根據(jù)一些突出的特點(diǎn)進(jìn)行評(píng)估，比如舒適、別致的氛圍、食物的口味等等，或許還會(huì)分享給他一些可口的甜點(diǎn)。根據(jù)這些特征的重要性，你會(huì)想起幾家在這些方面都做得很好的餐廳，并給出建議。
同時(shí)，這位朋友還向一個(gè)“黑匣子機(jī)器學(xué)習(xí)算法”發(fā)出了同樣的請(qǐng)求。機(jī)器學(xué)習(xí)算法可以獲取用戶評(píng)分和價(jià)格等多種商業(yè)屬性，并用所有這些數(shù)據(jù)進(jìn)行訓(xùn)練。然后，它拿出了一份有幾百家餐廳的清單，按照得分高低排好順序。
從這個(gè)簡(jiǎn)單的比較中可以清楚地看出，人類的直覺和機(jī)器學(xué)習(xí)在不同的方面有優(yōu)勢(shì)。我們的優(yōu)勢(shì)在于，作為人類，我們花了很多時(shí)間在“約會(huì)”這個(gè)場(chǎng)景中，和朋友建立了隱含的共享內(nèi)容情節(jié)。我們很了解朋友，我們知道這次約會(huì)對(duì)于他來說至關(guān)重要，我們甚至?xí)胄┠軒椭冗^一個(gè)神奇的夜晚的細(xì)節(jié)。晚上結(jié)束的時(shí)候，如果我們的朋友打電話給我們抱怨他等了近一個(gè)小時(shí)，而且停車也非常麻煩，我們也會(huì)記得這些信息，并在下次推薦餐館時(shí)把它們考慮進(jìn)去。
關(guān)于機(jī)器學(xué)習(xí)的“80/20”法則已經(jīng)有了一些討論。普遍的想法是，完成一種目標(biāo)的時(shí)候，機(jī)器能幫我們做到80%，在大多數(shù)情況下，這可能已經(jīng)稱得上是“足夠好”了。但仍有許多方面需要人類的參與和判斷，才能完成最后的20%。
理解問題
如今，隨著對(duì)機(jī)器學(xué)習(xí)的大肆宣傳，遇到問題時(shí)，人們很容易直接進(jìn)入機(jī)器學(xué)習(xí)導(dǎo)向型的解決方案。曾經(jīng)有過這樣的例子，我們熱切地盯著我鄰居們?cè)谟脥湫碌臋C(jī)器學(xué)習(xí)算法，特別想知道如果我們能把其加入一些更奇特的模型中的話，能解決什么樣的問題。這種想法很容易就會(huì)把整個(gè)團(tuán)隊(duì)帶到溝里去，最終很有可能建立一個(gè)非常強(qiáng)大的基礎(chǔ)設(shè)施來解決一個(gè)只存在于假想中的用戶問題。
在最初的浪漫餐廳推薦場(chǎng)景中，隱含著這樣一個(gè)事實(shí)：我們已經(jīng)完成了用戶的研究（了解了我們的朋友），并確定了準(zhǔn)確的用戶需求（至關(guān)重要的約會(huì)）。與機(jī)器相比，人類在各種形式的生成性用戶研究（采訪、焦點(diǎn)小組、觀察研究）中都非常出色——這些都需要極大的同理心和非結(jié)構(gòu)化的人際互動(dòng)。無數(shù)的研究（包括麥肯錫最近的一份報(bào)告）反復(fù)重申，人類在具有這些特征的領(lǐng)域會(huì)繼續(xù)超越機(jī)器。至少在可預(yù)見的未來，人類仍將是識(shí)別這些主要問題的關(guān)鍵。
標(biāo)記特征
人類參與機(jī)器學(xué)習(xí)的另一個(gè)常見用途是利用人類的直覺來識(shí)別特征和標(biāo)記數(shù)據(jù)集。例如，“舒適和昏暗的氣氛”是人類可以添加到餐館的數(shù)據(jù)集里的一項(xiàng)功能，從而使推薦變得更加敏感和微妙。
在這一步中，生成性研究方法也派上了用場(chǎng)——我們可以要求用戶對(duì)其用例的相對(duì)重要性進(jìn)行排序。一旦機(jī)器學(xué)習(xí)算法可以通過用戶研究獲取、識(shí)別，收集或推斷數(shù)據(jù)，并在培訓(xùn)模型中使用它們就變得非常簡(jiǎn)單。
評(píng)估結(jié)果和改進(jìn)算法
最終，我們是否提供了一個(gè)好的建議取決于實(shí)際的經(jīng)驗(yàn)。但我們?nèi)绾卧u(píng)估算法的有效性，并不總是像詢問我們的朋友約會(huì)是否成功那樣直接。
由于許多功能都是在自然情況下進(jìn)行交互的，因此很難將產(chǎn)品對(duì)用戶的影響區(qū)分開來，反之亦然。例如，我們已經(jīng)了解到，只要向用戶展示可能與他們的原始意圖無關(guān)的可見元素，我們就能影響到用戶認(rèn)為重要的東西（例如，在用戶尋找回家服務(wù)時(shí)向用戶顯示地圖），從而導(dǎo)致一個(gè)毫無幫助的反饋循環(huán)，誤導(dǎo)數(shù)據(jù)反饋到培訓(xùn)模型中。
幸運(yùn)的是，在這種情況下，生成性用戶研究幫助我們了解用戶在做決定時(shí)，對(duì)不同功能的重要性的看法。這些定性研究發(fā)現(xiàn)，能為“如何”和“多少”提供“為什么”，從而使我們能夠更合理地解釋數(shù)據(jù)并改進(jìn)算法。
我們?nèi)祟悜?yīng)該繼續(xù)把注意力集中在我們最擅長(zhǎng)的事情上，比如創(chuàng)造性地思考，為他人建立同理心，等等。而且這些用例的范圍非常之廣。就在今年早些時(shí)候，麻省理工學(xué)院的研究人員發(fā)現(xiàn)，即使對(duì)于一個(gè)客觀的優(yōu)化用例來說，算法仍然可以受益于人類直覺的增加。對(duì)于那些更加偏向于主觀的領(lǐng)域，比如根據(jù)用戶當(dāng)前的需求、心情和公司來選擇一家餐廳，人類直覺在塑造和引導(dǎo)過程中繼續(xù)發(fā)揮著重要作用。
