人工智能，這個曾經常常出現在科幻作品里的詞匯，如今已經成為我們日常生活的一部分，相信大家從我們最近的文章中也能看出端倪。但隨著人工智能領域的演進，一些之前還潛伏著的挑戰也慢慢浮出水面——那就是如何處理好人工智能與人的關系，如何理解該領域存在的偏見（當然也包括技術層面上的人為偏見造成的樣例訓練偏見）造成的影響力，以及如何在新的技術時代遵循以人為本的設計方針，是至關重要的。

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

正如我們在《Google Design 2018總結》中提到的，People + AI Research（PAIR）團隊正是為應對這個挑戰而生，這個 Google 團隊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品時始終不會偏離「人」這個核心。本文算是 PAIR 專欄文章的熱身。

作為 UX 團隊的一部分，設計師有責任了解我們的應用和網站的內部運作方式。然而，在我們以人工智能為重點開始構建產品和服務時，這項工作就可能會更具挑戰性了——雖然在計算機科學領域里，人工智能并不是什么新課題（人工智能濫觴于上世紀50年代*），但對于我們這些從事消費產品用戶體驗設計和內容策略的人來說，「人工智能」依然是一個全新的設計原點，包括其運行邏輯和美學。

*包括大家經常提到的「圖靈測試」也出自該時期。

在 Google，我們致力于向用戶以及更廣義上的公眾提供一個簡潔的解釋：AI 系統是如何運作的——這個領域越是透明，人們對其了解越是透徹，其接受度和發展助力也會越大。我們面對的對象有很多種：新手、專家、研究人員、開發者、設計師、內容策略制定者或政策倡導者——這些人對如何使用或應用同一個 AI 術語，以及對這個術語的期望也許會非常不同。如果這些人的認知都可以同步的話，我們就可以對 ML 和 AI 從業者使用的某些關鍵術語形成一個共同的、特定的理解*，從而幫助 UX 團隊更好地溝通，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的工作方式，來更進一步建立用戶對 AI 系統的信任。

*在任何行業，統一的術語都是高效且準確進行溝通的重要基礎。

設計師需要知道哪些術語？

為了確定 UX 設計師們會接觸到的基礎術語，我們回顧了 People + AI Research 專欄中的首批文章，看看哪些 AI 術語的出現次數最多。我們還詢問了 Google 的數十位設計師：ML 對他們意味著什么，他們如何用自己的語言定義 ML。之后，我們編寫了一個基本的 AI 詞匯表，我們從中找出了 UX 設計師、研究人員和內容策略師常用的（并經常被誤解的）六個術語。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「術語基礎」。

? 1. 人工智能—Artificial Intelligence（AI）

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

當計算機程序根據預測的內容作出應對的決策時，我們就說它具有人工智能——這個過程可能是通過簡單的基于規則的或啟發式的邏輯方法來實現的，例如「如果下雨，那么就帶上雨傘」。但是在機器學習（見下文）中，這個決策不是通過固定的邏輯，而是通過學習來作出的。

? 2. 機器學習—Machine Learning（ML）

人工智能的一個子領域，其中包括開發人工智能的技術和方法。旨在讓計算機程序能完成特定的任務，但人們無需逐步編寫完成該任務的具體邏輯。

有很多方法可以讓計算機程序學習東西。PAIR 專欄中經常提到的是監督式機器學習（supervised learning），程序會學習如何通過成千上萬的例子進行預測，比如預測您的通勤時間。其他流行的方法還包括非監督、半監督和強化學習（unsupervised，semi-supervised，reinforcement learning），這些內容我們之后有機會再為大家詳述。

如果您已經迫不及待想要了解更多機器學習術語，請訪問：https://developers.google.cn/machine-learning/glossary/

? 3. 機器學習（ML）模型—ML Model

一組專門的、互相關聯的數學函數。它們共同組成了智能機器為達成決策所需采取的步驟。

假定您遵循相同的行進路線，通過識別交通狀況、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目的地的時間。有時 ML 模型這個術語會和算法或神經網絡混淆。算法這個說法更廣義一些*，可以理解為像是食譜那樣的逐步執行邏輯；而神經網絡只是 ML 模型的一種。另外補充一個小知識，「神經網絡」這個稱謂的來由，是因為它模仿的是人類大腦中的神經元。大量的神經元交織在一起傳遞神經脈沖，從而讓人類擁有了學習能力、創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，將輸入計算為輸出」。機器學習研究和設計的正是一些特定的算法，這些算法可以讓計算機「學習」到如何根據輸入計算出結果。

? 4. 分類—Classification

模型預測新的輸入屬于哪個或哪些特定的已知組的過程。

舉個具體的例子：為了幫助保持 Gmail 收件箱的清潔和數據安全，ML 模型在后臺運行，不斷將每封電子郵件分類為垃圾郵件或非垃圾郵件（在這個過程中如果出現了任何疑問，Gmail 會要求您驗證未知發件人的電子郵件地址）。在這個例子里，「垃圾郵件」是一個組，「非垃圾郵件」是另一個組，這樣的分類被稱為「二元分類（binary classification）」。二元預測非常適合解決「是或否」 問題，但分類模型可以做的比這還要多得多。這些模型可以預測給定輸入的多個類別。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「財務」和「后續」等標簽。

如果您想要了解分類的運作原理以及有關其多樣性的信息，請試試我們的 What-If 工具。What-If 是一個交互式數據的可視化工具，可以幫助團隊理解 ML 模型的結果，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

模型根據輸入預測對應的輸出數值的過程。

舉個具體的例子：當您想查看兩周后的機票價格范圍時，模型就需要執行「回歸」任務。和分類不同，ML 模型這時不是給出離散的預測結果（比如「是和否」或者「高和低」），而是需要給出一個具體的數字價格。所以模型會基于歷史機票數據，給出一個數學上連續的「價格曲線」。

再打個比方，比如您的任務是在商店中設計一個冬季配飾展覽活動。分類任務就簡單粗暴一些，例如將帽子分為一類，將圍巾分為另一類。想完成任務，您需要搜集各個配飾的形狀、結構等數據，從而判斷它是「帽子」還是「圍巾」即可。

而回歸任務就更「精細」一些。比如根據每一個櫥窗所在的位置、溫度等在里面展示出更混合精準的「配裝」——比如配裝里可以有圍巾和帽子，但也可以根據一些細節環境的不同加上耳罩、襪子，羊毛襯墊和外套等，具體的調整依據包括當前的天氣，你過去對客戶在這個季節的愿望和需求的了解，以及今年的時尚潮流等等。

回歸預測的使用方法充滿了多樣性和創造性，它可以創造出極其復雜的用戶體驗，足以預測幣值變化，為歌曲排名并創建個性化播放列表，甚至可以判斷一個圖像的質量。在確定回歸模型是否適合您的用戶時，不妨先了解一下最終產品或服務中所需的細微差別和復雜程度，再決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字。

當人類試圖猜測某人的年齡時，會說「我想這個人可能已經35歲了。」我們知道這只是一個猜測，因為像「我想」和「可能」這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測視為有根據的猜想，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%的把握斷定這個人今年35歲。」產品團隊可以使用置信度來決定何種回應是可以接受的——如果一個模型有70%的把握說今天會下雨，那么我們就有必要建議用戶出門時準備好雨傘。

希望本次的文章能幫助您了解一些人工智能領域的基礎概念，以及一些我們日常使用到的技術產品（如Gmail）功能背后的技術術語。更重要的是，我們希望本文能啟發您去更多地了解人工智能這個領域，從而讓設計師與開發者們能更好地溝通，從而打造出以人為本的好產品。

歡迎關注Google中國官方公眾號：「谷歌開發者」