這篇要討論的可不是哲學議題，而是希望以一個“數學工具”的角度來看隱馬可夫模型（Hidden Markov Model, HMM）是什么，它的背后假設、長處與限制，以理解這樣的工具可以拿來做什么用，而不是只與特定的應用綁在一起。

隱馬可夫模型？隱藏的馬可夫模型？

    隱馬可夫模型是機器學習（Machine Learning）領域中常常用到的理論模型，從語音識別（Speech Recognition）、手勢辨識（gesture recognition），到生物信息學（Bioinformatics）里的種種應用，都可以見到這個工具的身影。

    既然名字里有“馬可夫”，想當然，這又是一個馬可夫模型（Markov model）的延伸。馬可夫模型所描述的，是一連串事件接續發生的機率：

    馬可夫鏈，通俗地說，就是同類型的事件（不同的狀態）依序發生的機率，舉例來說，假設天氣有三種狀態：晴天、陰天跟雨天。如果昨天是雨天，那么今天是雨天的機率，會跟昨天是晴天而今天是雨天的機率有所不同，這是因為我們相信天氣現象在時間上有某種連續性，前面發生的狀態會影響到后面發生的狀態，而馬可夫模型就是描述這種前后關系的數學語言。

    而隱馬可夫模型，顧名思義的，就是有什么東西“隱藏”起來了。我們沿用之前天氣的例子，假設我因為腳受傷，必須住在一個房間里，看不到外面的天氣（這聽起來不太合理，但是大家理解意思就好），但是我可以看到我隔壁房間的室友每天從事的運動：跑步、健身操或是游泳三者之一。

     如果把室友每天從事的運動項目記錄下來，就是他“運動”這個事件的馬可夫鏈，這是我可以觀察的到的現象。然后，我又依照過去的經驗，知悉在每種天氣狀況下，他從事各項運動的機率，那么我是不是可以透過我的觀察和知識，去推測每天的天氣？

    在這個例子里，有兩個事件的序列：一個是我觀察得到的，室友每天所從事的運動項目；另一個是我看不到的，也就是對我來說是隱藏的，外面每天的天氣。由于我知悉這兩個馬可夫鏈之間的關系，所以我便可以由其中一個馬可夫鏈的狀態，去預測另一個馬可夫鏈的狀態。而隱馬可夫模型，便是描述這樣的兩個序列的關系的統計模型。

    簡單的說，隱馬可夫模型提供了一套數學的理論以及工具，讓我們可以利用看得到的連續現象去探究、預測另一個看不到的連續現象。

    當然，這里的看不到并不表示真的無從觀察，以前面所舉的例子來說，我在腳沒受傷的時候，還是可以到外面去觀察天氣的，只是在某個特定的條件之下，天氣對我來說被隱藏起來了。

    柏拉圖的洞穴預言（Allegory of Cave），講的是“我們看到的世界”跟“真實的世界”的關系，恰好可以用來比喻一下隱馬可夫模型的作用。

語音識別離不開隱馬可夫模型

    我們還可以進一步用語音識別當做例子，來說明HMM的用處。

    在語言學上，我們可以把人說話發出的聲音分成各種音節（syllable），所以理論上，我們如果有一段錄音，只要能分辨每一個音節發的音是哪些元音與子音，就能夠把這個人講的話辨識成文字。

     任何理論上可行的事情，必然伴隨著實務上的困難。這種音節對應的工作看似容易，但是實際上會遇到很多模棱兩可的情況。以中文為例，兩個三聲的字連著念，前面的會讀成二聲，加上同音字、破聲字，同字的語音與讀音…等等，都增加了分辨過程的難度。

     那么，HMM 是怎么跑進來的呢？試想，語音是一連串的音節，而我們想要辨識成的文字，則是一連串的字；對語音識別系統而言，語音這個音節序列是看得到的訊號，而系統想要做的是推測出與其相對應的，看不到的文字序列，所以正好是 HMM 所模擬的狀況。

     隱馬可夫模型在語音識別的的應用，大抵始于1970年代晚期的 IBM 計劃(Jelinek)，時至今日，我們生活中可以看到的各種語音識別系統，例如Apple 的siri，Google的voice search，微軟前不久在北京展示的中英同步口譯，背后都是以HMM作為基礎技術。

隱馬可夫模型：生物信息學、股票價格預測都有應用

    生物信息學（bioinformatics）是另一個大量使用到 HMM 的領域，從DNA 序列的比對到演化歷程的推論，只要是跟基因序列有關的，幾乎都看得到 HMM 的應用。以DNA定序為例，一段采集到的DNA序列，包含了外顯子（exon）和內隱子（intron）兩種段落，兩者在細胞復制上有不同的功能，但都是由眾多的基因（gene，有A、T、C、G 4種）排列成的序列，因此在一串看得到的基因序列中，要如何標記出哪一段是外顯子，哪一段又是內隱子，這些看不到的段落，也是HMM可以發揮作用之處。簡單的說，外顯子和內隱子各自包含 A、T、C、G基因的比例不同，于是我們可以利用 HMM 相關的算法，找出哪一個基因是外顯子和內隱子的起點或終點。

    現實中，股票的價格變化也是一個序列，這是另一個充滿經濟誘因的預測目標，想當然耳的，也有不少人把 HMM 運用在預測股價的狀態上，不過文獻就不如前述兩個領域那么豐富了。

     隱馬可夫模型當然也有它使用上的限制。例如，觀測與模擬的現象必須是序列（或者該說是馬可夫鏈），兩個序列之間的關系要夠明確等等，否則很容易就變成用十字螺絲起子去轉六角螺絲：或許可以運作，但是結果不盡然是原本想要的。

     如果有這樣的數學工具，你會想要用來預測什么看不到的現象呢？

        原文發布于PanSci，作者：活躍星系核，轉載時文字部分有修改。