Guestrin還在開(kāi)發(fā)另外一種系統(tǒng)，它可以搜索數(shù)量眾多的博客，根據(jù)某個(gè)用戶(hù)的瀏覽記錄和偏好，找出該用戶(hù)有興趣閱讀的博客。他表示，這項(xiàng)任務(wù)聽(tīng)上去與通過(guò)傳感器預(yù)測(cè)污染物擴(kuò)散的任務(wù)完全不同，其實(shí)背后是一樣的原理。
“污染物通過(guò)供水系統(tǒng)來(lái)擴(kuò)散，基本上就像新聞故事通過(guò)互聯(lián)網(wǎng)來(lái)傳播。我們能夠使用同一種建模思想和算法來(lái)解決這兩個(gè)問(wèn)題。”
Guestrin還認(rèn)為，像博客過(guò)濾器這些具有人工智能功能的工具，其重要意義不僅僅局限于能夠每天節(jié)省幾分鐘時(shí)間。“我們根據(jù)非常有限的信息做出生活當(dāng)中的決定，比如我們選舉誰(shuí)、我們覺(jué)得哪些問(wèn)題重要。但是人們往往沒(méi)有做出某種明智決定所需要的那種分析能力，尤其是信息量增加后，我們做出明智決定的能力實(shí)際上反而減弱了，而機(jī)器學(xué)習(xí)和人工智能恰恰可以助我們一臂之力。”
微軟研究部門(mén)在道路交通預(yù)測(cè)模型中結(jié)合了傳感器、機(jī)器學(xué)習(xí)以及對(duì)人類(lèi)行為的分析。對(duì)傳感器和計(jì)算機(jī)預(yù)測(cè)而言，預(yù)測(cè)交通瓶頸似乎是一種不是很困難的應(yīng)用。以美國(guó)某些圍繞大城市的州際公路為例，往往在星期一下午5點(diǎn)出現(xiàn)交通堵塞。司機(jī)這時(shí)可能想知道，什么地方、什么時(shí)候出現(xiàn)了交通堵塞的情況，或其他意外情況。另外更重要的是，司機(jī)希望堵車(chē)之前就知道這種情況會(huì)在什么地方出現(xiàn)。于是，微軟研究部門(mén)建立了一個(gè)“意外情況預(yù)測(cè)”模型，通過(guò)以往的交通情況，結(jié)合傳感器捕獲的實(shí)際交通流量，學(xué)會(huì)預(yù)測(cè)30分鐘后的意外情況。在測(cè)試時(shí)，該模型能夠預(yù)測(cè)西雅圖地區(qū)道路上大約50%的意外情況。現(xiàn)在該模型已經(jīng)投入使用、服務(wù)于幾千名司機(jī)，他們可在Windows Mobile設(shè)備上收到預(yù)警信息。
很少有幾家組織需要像搜索引擎公司那樣需要弄清楚大量數(shù)據(jù)的意思。比方說(shuō)，要是某個(gè)用戶(hù)使用谷歌搜索引擎搜索“玩具車(chē)”，然后點(diǎn)擊出現(xiàn)在搜索結(jié)果頂部的沃爾瑪廣告，這能為沃爾瑪創(chuàng)造多少價(jià)值呢？谷歌應(yīng)當(dāng)為這次點(diǎn)擊收取多少費(fèi)用呢？答案就在于人工智能采用的“數(shù)字交易代理”(digital trading agents)這項(xiàng)特長(zhǎng)，沃爾瑪和谷歌等公司在網(wǎng)上自動(dòng)拍賣(mài)中運(yùn)用了這項(xiàng)技術(shù)。
密歇根大學(xué)教授兼搜索市場(chǎng)專(zhuān)家Michael Wellman解釋: “關(guān)鍵字多達(dá)數(shù)百萬(wàn)，一個(gè)廣告客戶(hù)可能只對(duì)其中的數(shù)百個(gè)或數(shù)千個(gè)有興趣。他們必須關(guān)注關(guān)鍵字的價(jià)格，然后決定如何分配廣告預(yù)算。谷歌或雅虎要弄清楚某個(gè)關(guān)鍵字的價(jià)值多少太難了，他們就讓市場(chǎng)通過(guò)拍賣(mài)過(guò)程自行決定價(jià)值。”
“玩具車(chē)”查詢(xún)提交上去后，谷歌會(huì)在極短的時(shí)間內(nèi)查詢(xún)哪些廣告客戶(hù)對(duì)這些關(guān)鍵字感興趣，然后查看他們的競(jìng)價(jià)，決定顯示誰(shuí)的廣告、把廣告投放在頁(yè)面上哪個(gè)部分。Wellman說(shuō): “我特別感興趣的問(wèn)題是，廣告客戶(hù)應(yīng)當(dāng)如何確定競(jìng)購(gòu)哪些關(guān)鍵字、出多少競(jìng)價(jià)、如何根據(jù)廣告實(shí)際效果不斷學(xué)習(xí)調(diào)整，以及有多少競(jìng)爭(zhēng)對(duì)手在競(jìng)購(gòu)某個(gè)關(guān)鍵字。”
Wellman表示，目前已知最出色的模型采用了面對(duì)不確定情況來(lái)預(yù)測(cè)價(jià)格的機(jī)制。顯然，任何一方都別指望通過(guò)每筆交易來(lái)優(yōu)化財(cái)務(wù)效益，但是他們可以將機(jī)器學(xué)習(xí)運(yùn)用到實(shí)時(shí)報(bào)價(jià)和競(jìng)標(biāo)上，從而不斷提高效益。
研究大腦機(jī)理
有人可能以為人工智能是從研究人類(lèi)大腦工作機(jī)理入手的。但人工智能方面的進(jìn)步大多來(lái)自計(jì)算機(jī)科學(xué)，而不是來(lái)自生物或認(rèn)知科學(xué)。
這些領(lǐng)域有時(shí)有著共通的思想，但它們之間的合作充其量也只是一種“松散耦合”的關(guān)系，卡內(nèi)基·梅隆大學(xué)機(jī)器學(xué)習(xí)系主任Tom Mitchell說(shuō)。“過(guò)去人工智能方面的大部分進(jìn)步來(lái)自良好的工程學(xué)思想，而不是因?yàn)槲覀冇^察了大腦的工作機(jī)理，然后進(jìn)行模仿。”
但是，現(xiàn)在這種情況在發(fā)生變化。“突然，我們有辦法來(lái)觀察大腦到底在做什么，借助諸如功能性磁共振成像的腦部成像方法。這種方法可以觀察人在思考時(shí)大腦的實(shí)際活動(dòng)。”Michael說(shuō)。
他表示，認(rèn)知科學(xué)和計(jì)算機(jī)科學(xué)如今能夠?qū)崿F(xiàn)以前不可能實(shí)現(xiàn)的思想共通。比方說(shuō)，如果機(jī)器人做對(duì)了事，某些人工智能算法會(huì)向機(jī)器人發(fā)出小小的獎(jiǎng)勵(lì)信號(hào); 要是做錯(cuò)了事，就會(huì)發(fā)出懲罰信號(hào)。隨著時(shí)間的推移，這會(huì)形成累積效應(yīng)，機(jī)器人就會(huì)學(xué)習(xí)、完善。
Mitchell表示，研究人員通過(guò)功能性磁共振成像方法發(fā)現(xiàn)，大腦的一些部位其實(shí)際活動(dòng)與這種“強(qiáng)化學(xué)習(xí)”算法預(yù)測(cè)的如出一轍。他說(shuō): “人工智能實(shí)際上有助于我們開(kāi)發(fā)了解我們大腦中實(shí)際活動(dòng)的模型。”