人工智能，這個(gè)曾經(jīng)常常出現(xiàn)在科幻作品里的詞匯，如今已經(jīng)成為我們?nèi)粘Ｉ畹囊徊糠?，相信大家從我們最近的文章中也能看出端倪。但隨著人工智能領(lǐng)域的演進(jìn)，一些之前還潛伏著的挑戰(zhàn)也慢慢浮出水面——那就是如何處理好人工智能與人的關(guān)系，如何理解該領(lǐng)域存在的偏見（當(dāng)然也包括技術(shù)層面上的人為偏見造成的樣例訓(xùn)練偏見）造成的影響力，以及如何在新的技術(shù)時(shí)代遵循以人為本的設(shè)計(jì)方針，是至關(guān)重要的。

△ 作者：Reena Jana & Mahima Pushkarna；插畫：Matthew Hollister

正如我們在《Google Design 2018總結(jié)》中提到的，People + AI Research（PAIR）團(tuán)隊(duì)正是為應(yīng)對這個(gè)挑戰(zhàn)而生，這個(gè) Google 團(tuán)隊(duì)專注于提供深度文章、資源以及框架，從而確保我們在打造人工智能產(chǎn)品時(shí)始終不會(huì)偏離「人」這個(gè)核心。本文算是 PAIR 專欄文章的熱身。

作為 UX 團(tuán)隊(duì)的一部分，設(shè)計(jì)師有責(zé)任了解我們的應(yīng)用和網(wǎng)站的內(nèi)部運(yùn)作方式。然而，在我們以人工智能為重點(diǎn)開始構(gòu)建產(chǎn)品和服務(wù)時(shí)，這項(xiàng)工作就可能會(huì)更具挑戰(zhàn)性了——雖然在計(jì)算機(jī)科學(xué)領(lǐng)域里，人工智能并不是什么新課題（人工智能濫觴于上世紀(jì)50年代*），但對于我們這些從事消費(fèi)產(chǎn)品用戶體驗(yàn)設(shè)計(jì)和內(nèi)容策略的人來說，「人工智能」依然是一個(gè)全新的設(shè)計(jì)原點(diǎn)，包括其運(yùn)行邏輯和美學(xué)。

*包括大家經(jīng)常提到的「圖靈測試」也出自該時(shí)期。

在 Google，我們致力于向用戶以及更廣義上的公眾提供一個(gè)簡潔的解釋：AI 系統(tǒng)是如何運(yùn)作的——這個(gè)領(lǐng)域越是透明，人們對其了解越是透徹，其接受度和發(fā)展助力也會(huì)越大。我們面對的對象有很多種：新手、專家、研究人員、開發(fā)者、設(shè)計(jì)師、內(nèi)容策略制定者或政策倡導(dǎo)者——這些人對如何使用或應(yīng)用同一個(gè) AI 術(shù)語，以及對這個(gè)術(shù)語的期望也許會(huì)非常不同。如果這些人的認(rèn)知都可以同步的話，我們就可以對 ML 和 AI 從業(yè)者使用的某些關(guān)鍵術(shù)語形成一個(gè)共同的、特定的理解*，從而幫助 UX 團(tuán)隊(duì)更好地溝通，不僅限于探討如何滿足用戶需求，還可以通過簡單清晰地解釋這些系統(tǒng)的工作方式，來更進(jìn)一步建立用戶對 AI 系統(tǒng)的信任。

*在任何行業(yè)，統(tǒng)一的術(shù)語都是高效且準(zhǔn)確進(jìn)行溝通的重要基礎(chǔ)。

設(shè)計(jì)師需要知道哪些術(shù)語？

為了確定 UX 設(shè)計(jì)師們會(huì)接觸到的基礎(chǔ)術(shù)語，我們回顧了 People + AI Research 專欄中的首批文章，看看哪些 AI 術(shù)語的出現(xiàn)次數(shù)最多。我們還詢問了 Google 的數(shù)十位設(shè)計(jì)師：ML 對他們意味著什么，他們?nèi)绾斡米约旱恼Z言定義 ML。之后，我們編寫了一個(gè)基本的 AI 詞匯表，我們從中找出了 UX 設(shè)計(jì)師、研究人員和內(nèi)容策略師常用的（并經(jīng)常被誤解的）六個(gè)術(shù)語。在這里，我們用簡單清晰的方式來闡述它們，作為之后文章的「術(shù)語基礎(chǔ)」。

? 1. 人工智能—Artificial Intelligence（AI）

使機(jī)器智能化的科學(xué)，使它們能夠識(shí)別不同的模式，并提高機(jī)器幫助人們解決特定問題或完成多種挑戰(zhàn)的能力。

當(dāng)計(jì)算機(jī)程序根據(jù)預(yù)測的內(nèi)容作出應(yīng)對的決策時(shí)，我們就說它具有人工智能——這個(gè)過程可能是通過簡單的基于規(guī)則的或啟發(fā)式的邏輯方法來實(shí)現(xiàn)的，例如「如果下雨，那么就帶上雨傘」。但是在機(jī)器學(xué)習(xí)（見下文）中，這個(gè)決策不是通過固定的邏輯，而是通過學(xué)習(xí)來作出的。

? 2. 機(jī)器學(xué)習(xí)—Machine Learning（ML）

人工智能的一個(gè)子領(lǐng)域，其中包括開發(fā)人工智能的技術(shù)和方法。旨在讓計(jì)算機(jī)程序能完成特定的任務(wù)，但人們無需逐步編寫完成該任務(wù)的具體邏輯。

有很多方法可以讓計(jì)算機(jī)程序?qū)W習(xí)東西。PAIR 專欄中經(jīng)常提到的是監(jiān)督式機(jī)器學(xué)習(xí)（supervised learning），程序會(huì)學(xué)習(xí)如何通過成千上萬的例子進(jìn)行預(yù)測，比如預(yù)測您的通勤時(shí)間。其他流行的方法還包括非監(jiān)督、半監(jiān)督和強(qiáng)化學(xué)習(xí)（unsupervised，semi-supervised，reinforcement learning），這些內(nèi)容我們之后有機(jī)會(huì)再為大家詳述。

如果您已經(jīng)迫不及待想要了解更多機(jī)器學(xué)習(xí)術(shù)語，請?jiān)L問：https://developers.google.cn/machine-learning/glossary/

? 3. 機(jī)器學(xué)習(xí)（ML）模型—ML Model

一組專門的、互相關(guān)聯(lián)的數(shù)學(xué)函數(shù)。它們共同組成了智能機(jī)器為達(dá)成決策所需采取的步驟。

假定您遵循相同的行進(jìn)路線，通過識(shí)別交通狀況、模式以及加上對特定路況的理解，ML 模型就能夠估測您到達(dá)目的地的時(shí)間。有時(shí) ML 模型這個(gè)術(shù)語會(huì)和算法或神經(jīng)網(wǎng)絡(luò)混淆。算法這個(gè)說法更廣義一些*，可以理解為像是食譜那樣的逐步執(zhí)行邏輯；而神經(jīng)網(wǎng)絡(luò)只是 ML 模型的一種。另外補(bǔ)充一個(gè)小知識(shí)，「神經(jīng)網(wǎng)絡(luò)」這個(gè)稱謂的來由，是因?yàn)樗７碌氖侨祟惔竽X中的神經(jīng)元。大量的神經(jīng)元交織在一起傳遞神經(jīng)脈沖，從而讓人類擁有了學(xué)習(xí)能力、創(chuàng)造能力和高超的抽象能力。

*從定義上講，算法意味著「用有限的步驟，將輸入計(jì)算為輸出」。機(jī)器學(xué)習(xí)研究和設(shè)計(jì)的正是一些特定的算法，這些算法可以讓計(jì)算機(jī)「學(xué)習(xí)」到如何根據(jù)輸入計(jì)算出結(jié)果。

? 4. 分類—Classification

模型預(yù)測新的輸入屬于哪個(gè)或哪些特定的已知組的過程。

舉個(gè)具體的例子：為了幫助保持 Gmail 收件箱的清潔和數(shù)據(jù)安全，ML 模型在后臺(tái)運(yùn)行，不斷將每封電子郵件分類為垃圾郵件或非垃圾郵件（在這個(gè)過程中如果出現(xiàn)了任何疑問，Gmail 會(huì)要求您驗(yàn)證未知發(fā)件人的電子郵件地址）。在這個(gè)例子里，「垃圾郵件」是一個(gè)組，「非垃圾郵件」是另一個(gè)組，這樣的分類被稱為「二元分類（binary classification）」。二元預(yù)測非常適合解決「是或否」 問題，但分類模型可以做的比這還要多得多。這些模型可以預(yù)測給定輸入的多個(gè)類別。這樣的模型不僅可以將電子郵件分類為「非垃圾郵件」或「垃圾郵件」，還可以把它分類為「重要」，并加上「財(cái)務(wù)」和「后續(xù)」等標(biāo)簽。

如果您想要了解分類的運(yùn)作原理以及有關(guān)其多樣性的信息，請?jiān)囋囄覀兊?What-If 工具。What-If 是一個(gè)交互式數(shù)據(jù)的可視化工具，可以幫助團(tuán)隊(duì)理解 ML 模型的結(jié)果，而無需編寫任何代碼。

What-If 工具：https://pair-code.github.io/what-if-tool/uci.html

? 5. 回歸—Regression

模型根據(jù)輸入預(yù)測對應(yīng)的輸出數(shù)值的過程。

舉個(gè)具體的例子：當(dāng)您想查看兩周后的機(jī)票價(jià)格范圍時(shí)，模型就需要執(zhí)行「回歸」任務(wù)。和分類不同，ML 模型這時(shí)不是給出離散的預(yù)測結(jié)果（比如「是和否」或者「高和低」），而是需要給出一個(gè)具體的數(shù)字價(jià)格。所以模型會(huì)基于歷史機(jī)票數(shù)據(jù)，給出一個(gè)數(shù)學(xué)上連續(xù)的「價(jià)格曲線」。

再打個(gè)比方，比如您的任務(wù)是在商店中設(shè)計(jì)一個(gè)冬季配飾展覽活動(dòng)。分類任務(wù)就簡單粗暴一些，例如將帽子分為一類，將圍巾分為另一類。想完成任務(wù)，您需要搜集各個(gè)配飾的形狀、結(jié)構(gòu)等數(shù)據(jù)，從而判斷它是「帽子」還是「圍巾」即可。

而回歸任務(wù)就更「精細(xì)」一些。比如根據(jù)每一個(gè)櫥窗所在的位置、溫度等在里面展示出更混合精準(zhǔn)的「配裝」——比如配裝里可以有圍巾和帽子，但也可以根據(jù)一些細(xì)節(jié)環(huán)境的不同加上耳罩、襪子，羊毛襯墊和外套等，具體的調(diào)整依據(jù)包括當(dāng)前的天氣，你過去對客戶在這個(gè)季節(jié)的愿望和需求的了解，以及今年的時(shí)尚潮流等等。

回歸預(yù)測的使用方法充滿了多樣性和創(chuàng)造性，它可以創(chuàng)造出極其復(fù)雜的用戶體驗(yàn)，足以預(yù)測幣值變化，為歌曲排名并創(chuàng)建個(gè)性化播放列表，甚至可以判斷一個(gè)圖像的質(zhì)量。在確定回歸模型是否適合您的用戶時(shí)，不妨先了解一下最終產(chǎn)品或服務(wù)中所需的細(xì)微差別和復(fù)雜程度，再?zèng)Q定是否真的需要打造回歸模型。

? 6. 置信度—Confidence Level

用于展示確定性的百分比數(shù)字。

當(dāng)人類試圖猜測某人的年齡時(shí)，會(huì)說「我想這個(gè)人可能已經(jīng)35歲了?！刮覀冎肋@只是一個(gè)猜測，因?yàn)橄瘛肝蚁搿购汀缚赡堋惯@樣的短語表示猜測者缺乏信心或確定性。同樣，我們也可以將模型所做的預(yù)測視為有根據(jù)的猜想，其中包含有一定的不確定性。模型的確定性水平以百分比形式表示，如 「我有73.3%的把握斷定這個(gè)人今年35歲?！巩a(chǎn)品團(tuán)隊(duì)可以使用置信度來決定何種回應(yīng)是可以接受的——如果一個(gè)模型有70%的把握說今天會(huì)下雨，那么我們就有必要建議用戶出門時(shí)準(zhǔn)備好雨傘。

希望本次的文章能幫助您了解一些人工智能領(lǐng)域的基礎(chǔ)概念，以及一些我們?nèi)粘Ｊ褂玫降募夹g(shù)產(chǎn)品（如Gmail）功能背后的技術(shù)術(shù)語。更重要的是，我們希望本文能啟發(fā)您去更多地了解人工智能這個(gè)領(lǐng)域，從而讓設(shè)計(jì)師與開發(fā)者們能更好地溝通，從而打造出以人為本的好產(chǎn)品。

歡迎關(guān)注Google中國官方公眾號(hào)：「谷歌開發(fā)者」