在探求大演算的過程中，我們不必辛苦從無到有。我們已經有幾十年的機器學習研究，可以從中借鑑完整全貌。尤其在這地球上最頂尖聰明的人，全都把自己的生命奉獻於發明機器學習演算法，而且有的人甚至聲稱，他們已經握有一個通用的學習器。雖然我們將站在這些巨人的肩膀上（因為後人的學識是建築在前人的學識之上），但是對於這樣的聲稱，我們半信半疑。
這樣一來，就產生了一個問題：我們如何知道，何時我們已經真正找到大演算？當相同的學習器只有參數的改變，而且除了數據資料以外，只需要輸入最小量的學習範本，就可以和人類一樣，理解影音與文件內容，這樣的學習器並能在生物學、社會學及其他科學領域，做出重大的新發現。顯然，在這種標準下，目前還沒有任何學習器已經被證明就是大演算，即使在不太可能的情況下，已有能解決某領域的演算法存在，仍不足以承擔機器學習統一理論的大局。
最重要的是，在每一個新問題上，大演算是不需要從頭開始的。或許上述我們所要求的這個門檻可能太高了，所以對於任何學習器來說，很難符合這些要求標準，而且學習器肯定和人們所做的很不一樣。舉例來說，語言並非在無塵的真空中進行學習，如果我們無法擁有這個世界涉及到它的相關知識，我們就不可能理解一個句子的句義。因此學習閱讀的時候，大演算可以依靠之前累積的學習基礎，去看、去聽，並去控制一個機器人。
同樣地，一位科學家不只是一味地將數據資料套用到模型中，他還是可以利用自己在這個領域的所有知識，對這個問題產生影響。因此在進行生物學的探索時，大演算可以先讀取它想要了解的所有生物知識，依靠以前已經學到的基礎進行判讀。大演算不只是一個數據資料的被動消費者，它還可以與所處環境進行互動，並積極尋求它想要的數據資料，就像英國實驗室的機器人科學家亞當一樣，或者像是任何一位孩童，學習探索他的世界。
由於在機器學習領域存有許多競爭的思想學派，所以我們在大演算的尋求過程，可以說是相當複雜，但也因此變得十分有趣。這些主要的學派包括符號理論學派（Symbolists）、類神經網路學派（Connectionists）、演化論學派（Evolutionaries）、貝氏定理學派（Bayesians）和類比推理學派（Analogizers）。每個學派都有一套核心理念，以及一個它最關心的特定問題。不過它已經針對這個特定問題，基於其相關領域的科學概念，找到一個適合的解決方案，並且擁有一個主要的演算法，可以適度體現它的機器學習行為。
對於符號理論學派來說，所有的智慧可以被簡化成操縱符號，就像數學家求解方程式的過程，是透過用其他表達式來替換表達式的方法。符號理論學派明白，你不能從頭學起，你需要一些初步的知識，與數據資料相配合。符號理論學派們已經找到了如何將先前存在的知識納入學習，以及如何快速地將不同的知識進行結合，以解決新的問題。他們的主要演算法是逆向的演繹法（Inverse Deduction），透過這種演算法可以找出哪些知識是欠缺的，以便能做出邏輯的演繹推論，然後使其盡可能地被通則應用。
對於類神經網路學派來說，學習就是人類大腦所做的事情，所以我們需要做的，就是對大腦進行反向工程。大腦的學習是透過調整神經元之間的連結強度，而關鍵的問題是找出哪些神經元的連接，必須對哪些錯誤負責，並依此對應地改變它們。類神經網路學派的主要演算法是倒傳遞理論演算法（Back propagation），它會比較系統的輸出與期望的輸出，然後依次改變一層又一層的神經元連結，以便使得輸出結果可以更接近於它應該呈現的。
演化論學派則認為，所有學習之母就是物競天擇。如果物競天擇可以造就我們，那麼它就可以造就任何事情，而我們所需要做的，就是在電腦上模擬它。演化論學派所解決的關鍵性問題就是學習的結構，不只是調整參數而已，就像倒傳遞理論演算法所做的，可以創建一種能夠讓這些調整進行微調的大腦。演化論學派的主要演算法是一種遺傳程式規劃（genetic programming），就像大自然會交配與演化生物一樣；同樣地，遺傳程式規劃也會以相同的方式，繁衍與演化電腦程式系統。
貝氏定理學派最關注的課題就是不確定性。這門學派主張所有學到的知識都是不確定的，而且學習本身就是一種不確定的推理形式。那麼這個問題就變成如何處理雜訊、不完整，以及相互矛盾的資訊，而不會造成分崩離析。解決的辦法就是機率推理，而主要的演算法是貝氏定理與其衍生物。貝氏定理告訴我們如何把新證據轉化為信念，而機率推理演算法則盡可能有效地做到這一點。
對於類比推理學派而言，學習的關鍵是認識各種情況之間的相似之處，從而推斷其他情境的相似地方。如果兩位患者都有相似的症狀，也許他們患有相同的疾病，問題的關鍵是要判斷兩件事情之間是如何相似。類比推理學派的主要演算法就是支持向量機（Support Vector Machine，簡稱SVM），它可以找出哪些經驗是需要記住的，以及如何結合這些經驗，做出新的預測。
針對各個學派的核心問題，每個學派都有提出相對應的解決方案，這些解決方案都是相當卓越，且得來不易的進展。然而真正的大演算，是必須同時解決這5類問題，而不只是1個。例如：為了治療癌症，我們需要理解在細胞中的代謝網路，哪些基因會控制其他基因，蛋白質控制因而會產生哪些化學反應，以及添加一個新分子的組合會如何影響網路。此時，機器學習若必須試圖從頭開始學習所有的知識，忽略生物學家已經煞費苦心，累積了幾10年得來的所有知識，那麼這種機器學習必定是愚蠢的。符號理論學派知道如何利用從DNA 序列測定儀、基因表達微陣列（gene expressionmicroarrays）等所取得的資料，結合這方面的知識以產生結果，這種結果是你不可能單獨取得的。但我們藉由逆向演繹所獲得的知識是純定性（purely qualitative）的，我們需要學習的不只是誰與誰進行互動，還要包括互動多少次，而這些都是倒傳遞理論演算法可以做到的事情。
然而無論是逆向演繹或倒傳遞理論演算法，若沒有一些相互作用與參數的基本結構，兩者將會迷失在機器學習的空間裡，不過遺傳程式規劃可以彌補這個問題。在這一點上，如果我們有完整的代謝知識，並且擁有給特定病患的所有相關資料，我們就可以找出一種針對他的治療模式。但在現實生活中，我們所擁有的資訊總是非常不完整的，甚至在某些地方並不正確；儘管如此，我們仍舊需要取得進展，這就是機率推理為什麼存在的理由。在最困難的情況下，病人的癌症看起來跟以往的癌症有很大不同，所有我們以前學過的知識，都不足以理解判斷。此時，基於相似性的演算法（Similarity based algorithms），可以在表面上看起來非常不同的情況之間，尋找類似之處，並且專注於他們基本的相似點，忽略其他剩餘的地方。
在本書中，我們將會把所有的這些功能綜合起來，提出一個單一的演算法：
我們的探索追求，將帶領我們跨越這5個學派的每一個領地。每個領地之間的邊境通道，是它們可能會遇到交涉與小衝突的地方，這將是這趟大演算探索旅程中最棘手的部分。基本上，每個學派都有一塊不同的拼圖，這是我們必須蒐集的。而機器學習專家在探索大演算時，也像所有的科學家一樣，如同盲人摸象，有人摸到大象的鼻子，就認為大象長得像條蛇；另一個人倚靠著大象的腿，就認為大象長得像棵樹；還有人觸摸到大象的長牙，就以為這應該是一頭公牛。所以我們的目標就是要接觸每一個領域，而不輕易妄下結論；一旦我們已經接觸了所有的領域，我們會試圖盡量讓整隻大象原貌重現。雖然我們也很難看出，如何將所有的零碎部分組合成一個解決方案，有些人甚至認為這是不太可能的，但這就是我們即將要做的事情。
雖然我們即將推演的演算法，還不算是真正的大演算，深究其原因，我們後面會做說明，但這個演算法和其他任何的演算法相比，的確是最接近大演算的。而且我們會一路蒐集足夠的財富，讓大富豪科里瑟斯（Croesus）稱羨。儘管如此，期待這本書只是大演算傳奇的第一部曲。而第二部曲的主角就是你自己，親愛的讀者。
你應該選擇並接受的使命是繼續走完剩下的路，並且帶回獎項。我將會是你在第一部曲中謙遜的導讀人，從這裡引領各位到已知世界的邊緣。我是否聽到，你認為自己對機器學習還不是很了解，或者演算法算不上是你的強項？不要害怕。畢竟電腦科學還是很年輕的學科，不像物理學或生物學，你並不需要一個博士學位才能展開一場革命。只要問問看全球富豪微軟總裁比爾．蓋茲、Google 共同創辦人謝爾蓋．米哈伊洛維奇．布林（Messrs. Sergey Brin）和拉里．佩奇（Larry Page）或臉書創辦人馬克．祖克柏（Mark Zuckerberg）就會知道。洞察力和堅持才是最重要的。
（圖：達志影像/美聯社資料照片）
作者：佩德羅．多明戈斯（Pedro Domingos）為電腦工程博士，現任華盛頓大學電腦工程系教授。
（本文摘自三采文化出版的《大演算：機器學習的終極演算法將如何改變我們的未來，創造新紀元的文明？》一書）
微軟公司共同創辦人比爾·蓋茲在今年6月時，推薦了佩德羅·多明戈斯（Pedro Domingos）的《The Master Algorithm》（大演算），他還曾說：「在某些知識領域，機器將在10年內變得比人類更聰明。」 圖：三采文化提供
