「水可載舟，亦可覆舟」，這句老話相信我們都很熟悉，套用到機器學習上，即是帶給我們諸多便利的機器學習算法，一個不小心，將因為意想不到的理由帶到我們「驚喜」。原作者對一篇論述此現(xiàn)象的論文進行了解讀，我們將之編譯如下。

機器學習算法與其他計算機程序存在很大的不同。在一般編程行為中，人類程序員都會告訴計算機具體做些什么。來到機器學習，人類程序員只會提供問題，算法必須通過反復試驗來搞明白如何解決它。

目前看來這套做法頗有成效——機器學習算法已廣泛用于面部識別、語言翻譯、財務(wù)建模、圖像識別及廣告投放領(lǐng)域。只要你上過網(wǎng)，就可能已經(jīng)和機器學習算法產(chǎn)生過交互。

然而它并不總是運作良好。有的時候程序員認為自己的算法已經(jīng)設(shè)計得足夠好，可仔細觀察結(jié)果，就會發(fā)現(xiàn)它解決的是與程序員原先想要的完全不一樣的問題。舉個例子，我見過一個圖像識別算法，原該識別綿羊的它，最終卻學會識別草，且不停將空曠的綠草地標記為含有綿羊。

一群綿羊在郁郁蔥蔥的綠色山坡上吃草

標簽：吃草、綿羊、山、城堡、馬

當機器學習算法以意想不到的方式成功解決問題時，程序員通常會感覺，好吧是的，有時確實挺煩人，但往往都是很純粹的愉悅感。

令人感到驚喜的是，2018 年有一組研究人員據(jù)此寫了一篇引人入勝的論文——該論文收集了數(shù)十篇「引起研究人員驚訝與贊嘆」的軼事。這篇論文非常值得一讀，包括原始參考文獻也是，這里有我最喜歡的幾個例子。

論文鏈接：

https://arxiv.org/pdf/1803.03453.pdf

扭曲規(guī)則，取得勝利！

首先，通過模擬生物來研究不同形式的運動是如何演化的，包括為機器人提供全新的運動思路，已經(jīng)是一個悠長的傳統(tǒng)。

既然可以撲騰，為何還要選擇走路？在這個例子中，模擬機器人原本應(yīng)該盡可能地快速前進，但它卻沒有演化自己的雙腿，而是選擇將自己組裝成高塔，然后摔下來。當中有些機器人甚至學會將摔落的動作變成翻筋斗，以增加挪騰的額外距離。

[配圖：機器人成了一座倒下的塔]

既然可以跳康康，何必學跳躍？這組模擬機器人原該演化成可跳躍的形式，可由于程序員一開始將跳躍的高度設(shè)置成最高擋塊的高度，于是（又一次犯傻）機器人在形式上變得很高。為了解決這個問題，程序員試圖將跳躍高度定義為最初為最低擋塊的高度。作為回應(yīng)，機器人演化出一條細長的腿，化身可以將腿蹬至空中的康康舞機器人。

[配圖：高大的機器人將腿伸向空中，而不是跳躍]

為了「超級能源」，黑你沒商量！

勢能并非模擬機器人唯一學會利用的能源。事實證明，像現(xiàn)實生活中發(fā)生的一樣，一旦存在可使用能源，肯定會有東西演化去使用它。

作為能源的浮點舍入誤差：在一次模擬中，機器人習得數(shù)學中的舍入誤差規(guī)則，發(fā)現(xiàn)這可以使它們在運動中獲得額外的能量。于是，他們學會了快速抽動，由此產(chǎn)生大量可以利用的自由能量。當機器人開始以驚人的速度在游泳時，程序員才注意到這個問題。

與地板的碰撞中獲取能量：在另一個模擬中，一部學會碰撞檢測規(guī)則的機器人則帶來另一些問題。一旦它們設(shè)法在地板上讓自己陷入困境（首先學會操縱時間來使之成為可能），碰撞檢測系統(tǒng)會意識到機器人不應(yīng)在地板上，隨之將它們向上射擊。于是機器人學會在地板上快速振動，通過反復碰撞來產(chǎn)生額外的能量。

[圖片：機器人通過地板上的振動來獲取前進的能量]

「撞擊」飛行：在另一個模擬中，跳躍機器人學會利用不同的碰撞檢測 bug 來幫助自己飛行——每當它們彼此的部件碰到一起時，作力會將它們推至空中。如果這在現(xiàn)實生活中起作用，如今的商業(yè)航班將是另一番景象。

鉆「漏洞」：計算機的游戲算法非常擅長發(fā)現(xiàn)人類通常也會利用的矩陣故障來提高獲勝速度。一個玩著舊 Atari 游戲 Q * bert 的機器算法發(fā)現(xiàn)一個過去未曾發(fā)現(xiàn)的 bug，它選擇在一個級別結(jié)束時執(zhí)行一系列特定的動作，而非直接過渡下一級，由此所有平臺將開始快速閃爍，玩家因此得以積累大量積分。

另外有一個主攻 Doom 的游戲算法同樣找到可以阻止敵人發(fā)射火球的特殊操作——但它只適用于算法的「夢幻版」Doom。有個好消息是，你可以在這里玩到該版本的游戲。

游戲鏈接：

https://worldmodels.github.io

[配圖：Q * bert 玩家積累了可疑的數(shù)量積分，考慮到它并未做過太多事情]

「目標宏大」：在一個令人毛骨悚然的例子中，有個算法原應(yīng)解決如何對試圖降落航空母艦的飛機應(yīng)用最小的作力，結(jié)果它發(fā)現(xiàn)如果應(yīng)用的是一個「大型」作力，它將溢出程序的內(nèi)存，進而注冊成為一個非?！肝⑿　沟淖髁?。飛行員會死，但是，嘿，完美的分數(shù)。

破壞，也是一種解決方案！

即便像列表排序算法那樣顯然是良性的東西，也可能以一種無辜卻險惡的方式解決問題。

你看，它們可不是「未排序」：舉個例子，一個原本應(yīng)該學會對數(shù)字列表進行排序的算法，竟然學會刪除列表，以便從技術(shù)層面消除「未排序」的東西。

完成 Kobayashi Maru 測試：該算法原應(yīng)最小化自身答案與正確答案之間的差距，結(jié)果它找著了存儲與刪除答案的位置，因此它獲得了一個完美的分數(shù)。

在井字棋游戲中取得勝利：1997 年，一些程序員構(gòu)建了一個可以在無限大的板上彼此對抗玩井字棋游戲的算法。一名程序員決定放棄設(shè)計具體的算法策略，任由其自行發(fā)展。令人感到驚訝的是，該算法突然開始贏得所有游戲。結(jié)果證明，該算法的策略是棋子放在一個極其遠的位置，因此每當對方的計算機試圖模擬新的擴展板時，過于巨大的游戲板將導致其耗盡內(nèi)存并崩潰，從而輸?shù)粲螒颉?/p>

結(jié)論

當機器學習解決問題時，它所提出的解決方案可以很聰明，也可以讓人徹頭徹尾感到不可思議。

生物的進化也是這樣運作的——正如任何生物學家會告訴你的那樣，生物總會找到最奇怪的問題解決方案，以及最奇怪的能源來進行開發(fā)。一個能夠證明我們未生活在計算機模擬中的最可靠跡象是——如果是，一些微生物將會學會利用它的缺陷。

因此，作為程序員，我們必須非常小心，我們的算法應(yīng)該解決我們要求它們解決的問題，而不是抄捷徑。一旦存在另一種可以更加容易解決問題的途徑，機器學習很可能會找到它。

幸運的是，「殺死所有人類」真的很難。如果「烤一個令人難以置信的美味蛋糕」也能解決問題，并且比「殺死所有人類」更容易，那么機器學習肯定會選擇站在蛋糕那一邊。