在中国,很世界

把人脑学习和机器学习做了对比。计算机科学家们在设计AI的时候，借鉴了人脑的工作原理，可以说，AI就是对人类大脑的仿生学。同时，脑科学家也很关心AI算法的进展，有时候计算机科学家独立发明出了一个提高机器学习效率的新方法，脑科学家一看，人脑也是这样的。了解了AI是怎么学习的，反过来也能对我们有所启发，这就叫反向仿生学。

怎样利用反向仿生学，向AI学习如何学习？

学习的四大核心支柱，分别是注意、积极参与、反馈和巩固。

AI的学习依靠一套算法，这套算法就是它的内部模型。其实这就是在模仿人脑，我们大脑里的知识也不是“散装”的，而是以一个个微缩模型的形式储存着。

AI和人脑的学习过程，都是在训练内部模型。学习，就是根据外部反馈，不断调整内部模型的过程。就比如你练习投球的时候，会不断根据上一次的投球结果，调整自己的力度和距离，这时，你的大脑就在调整手臂力量、角度等方面的参数。AI也是这样，它会根据提供的数据和反馈，不断调整这套模型。

对于大脑来说，像投球这样的活动，调整的参数算是比较少的，大部分的学习比它要精细得多，要调整成百上千个参数。很多模型是非常复杂的，就比如语言模型，理解一个句子，你要先理解音节、单词，再理解语法、语义，才能听懂这个句子。为了分解这样复杂的问题，人脑就创建了多层分级的模型，一个模型嵌套在另一个模型中，就像俄罗斯套娃一样。最初级的模型理解音节，信息一层层地传递，直到传递给理解语义的高层级。AI就模仿了人脑的分层结构，对输入的数据逐层处理，这种处理方式也被称为“深度学习”。

机器和人脑学习都是在训练分层内部模型。那我们就可以反观自己，基本知识学扎实了吗？学习的时候，脑内是否形成了关于这个领域的知识框架？建构知识框架时，我们也可以利用思维导图，因为它恰好就符合了大脑分层模型的那个原理。

要想训练模型，就得有反馈。对于人脑来说，上个球没投中，就是一种反馈；身边的人的评价，也是一种反馈。那对于AI来说，训练AI的人会给它反馈，术语叫“监督学习”。人是机器的监督者，告诉机器它输出的答案对不对。你告诉AI它这个答案错了之后，AI就会调整自己的参数，纠正错误。

不过，对机器来说，利用反馈学习有一个问题，那就是有时候机器通过一系列反馈找到了一个最优解，但我们不能确定它是不是全局最优解，因为也许别处还有更好的答案，但机器没发现。

随机的探索，过程中产生的好奇心，是推动人类学习和创新的重要力量。

机器学我们，我们也要向机器学习。