雷鋒網(wǎng)按：繼移動互聯(lián)網(wǎng)之后，人工智能技術(shù)已經(jīng)席卷全球。2017 年 3 月 3 日，中國人工智能學(xué)會（CAAI）將舉辦 AIDL2《機器學(xué)習(xí)前沿》會議，邀請了南京大學(xué)的周志華教授擔(dān)任學(xué)術(shù)負(fù)責(zé)人，他屆時也將在會議上發(fā)表致辭。而在今年 7 月份的 GAIR 大會上，雷鋒網(wǎng)也將邀請周志華教授進行主題演講的分享。

周志華教授是 ACM Fellow(美國計算機學(xué)會會士)，AAAS Fellow（美國科學(xué)促進會會士），AAAI Fellow（國際人工智能學(xué)會會士），IEEE Fellow（國際電氣電子工程學(xué)會會士），IAPR Fellow（國際模式識別學(xué)會會士）。中國人工智能學(xué)會機器學(xué)習(xí)專業(yè)委員會前任主任，南京大學(xué)計算機軟件新技術(shù)國家重點實驗室常務(wù)副主任。在一流國際期刊和頂級國際會議發(fā)表論文 100 余篇，被引用逾兩萬次，H-index 73，被列入計算機領(lǐng)域 H-index 最高的前 100 位學(xué)者。

機器學(xué)習(xí)作為近年來非?；鸬囊粋€概念，關(guān)注者追隨者甚眾，然而它的淵源及由來卻鮮有人知曉。在這篇周志華老師寫就的文章中，雷鋒網(wǎng)將帶領(lǐng)大家一睹機器學(xué)習(xí)的兩大派別，領(lǐng)略其在歷史長河中的變遷和進步。本文由雷鋒網(wǎng)編輯，并做了不改動原意的修改。

機器學(xué)習(xí)現(xiàn)在是一大熱門，研究的人特多，越來越多的新人涌進來。不少人其實并沒有真正想過，這是不是自己喜歡搞的東西，只不過看見別人都在搞，覺著跟大伙兒走總不會吃虧吧。

問題是，真有個「大伙兒」嗎？就不會是「兩伙兒」、「三伙兒」？如果有「幾伙兒」，那到底該跟著「哪伙兒」走呢？

很多人可能沒有意識到，所謂的 machine learning community，現(xiàn)在至少包含了兩個有著完全不同的文化、完全不同的價值觀的群體，稱為 machine learning “communities ”也許更合適一些。

第一個 community，是把機器學(xué)習(xí)看作人工智能分支的一個群體，這群人的主體是計算機科學(xué)家?，F(xiàn)在的「機器學(xué)習(xí)研究者」可能很少有人讀過 1983 年出的「Machine Learning: An Artificial Intelligence Approach」這本書。這本書的出版標(biāo)志著機器學(xué)習(xí)成為人工智能中一個獨立的領(lǐng)域。它其實是一部集早期機器學(xué)習(xí)研究之大成的文集，收羅了若干先賢（例 如 Herbert Simon，那位把諾貝爾獎、圖靈獎以及各種各樣和他相關(guān)的獎幾乎拿遍了的科學(xué)天才）的大作，主編是 Ryszard S. Michalski（此君已去世多年了，他可算是機器學(xué)習(xí)的奠基人之一）、Jaime G. Carbonell（此君曾是 Springer 的 LNAI 的總編）、Tom Mitchell（此君是 CMU 機器學(xué)習(xí)系首任系主任、著名教材的作者，機器學(xué)習(xí)界沒人不知道他吧）。Machine Learning 雜志的創(chuàng)刊，正是這群人努力的結(jié)果。這本書值得一讀。雖然技術(shù)手段早就日新月異了，但有一些深刻的思想現(xiàn)在并沒有過時。各個學(xué)科領(lǐng)域總有不少東西，換了新裝之后又粉墨登場，現(xiàn)在熱火朝天的 transfer learning，其實就是 learning by analogy 的升級版。

人工智能的研究從以「推理」為重點到以「知識」為重點，再到以「學(xué)習(xí)」為重點，是有一條自然、清晰的脈絡(luò)。人工智能出身的機器學(xué)習(xí)研究者，絕大部分 是把機器學(xué)習(xí)作為實現(xiàn)人工智能的一個途徑，正如 1983 年的書名那樣。他們關(guān)注的是人工智能中的問題，希望以機器學(xué)習(xí)為手段，但具體采用什么樣的學(xué)習(xí)手段，是基于統(tǒng)計的、代數(shù)的、還是邏輯的、幾何的，他們并不 care。這群人可能對統(tǒng)計學(xué)習(xí)目前 dominating 的地位未必滿意。靠統(tǒng)計學(xué)習(xí)是不可能解決人工智能中大部分問題的，如果統(tǒng)計學(xué)習(xí)壓制了對其他手段的研究，可能不是好事。這群人往往也不 care 在文章里 show 自己的數(shù)學(xué)水平，甚至可能是以簡化表達自己的思想為榮。人工智能問題不是數(shù)學(xué)問題，甚至未必是依靠數(shù)學(xué)能夠解決的問題。人工智能中許多事情的難處，往往在于我們不知道困難的本質(zhì)在哪里，不知道「問題」在哪里。一旦「問題」清楚了，解決起來可能并不困難。

第二個 community，是把機器學(xué)習(xí)看作「應(yīng)用統(tǒng)計學(xué)」的一個群體，這群人的主體是統(tǒng)計學(xué)家。和純數(shù)學(xué)相比，統(tǒng)計學(xué)不太「干凈」，不少數(shù)學(xué)家甚至拒絕承認(rèn)統(tǒng)計學(xué)是數(shù)學(xué)。但如果和人工智能相比，統(tǒng)計學(xué)就太干凈了，統(tǒng)計學(xué)研究的問題是清楚的，不象人工智能那樣，連問題到底在哪里都不知道。在相當(dāng)長時間里，統(tǒng)計學(xué)家和機器學(xué)習(xí)一直保持著距離。慢慢地，不少統(tǒng)計學(xué)家逐漸意識到，統(tǒng)計學(xué)本來就該面向應(yīng)用，而機器學(xué)習(xí)天生就是一個很好的切入點。因為機器學(xué)習(xí)雖然用到各種各樣的數(shù)學(xué)，但要分析大量數(shù)據(jù)中蘊涵的規(guī)律，統(tǒng)計學(xué)是必不可少的。統(tǒng)計學(xué)出身的機器學(xué)習(xí)研究者，絕大部分是把機器學(xué)習(xí)當(dāng)作應(yīng)用統(tǒng)計學(xué)。他們關(guān)注的是如何把統(tǒng)計學(xué)中的理論和方法變成可以在計算機上有效實現(xiàn)的算法，至于這樣的算法對人工智能中的什么問題有用，他們并不 care。

這群人可能對人工智能毫無興趣，在他們眼中，機器學(xué)習(xí)就是統(tǒng)計學(xué)習(xí)，是統(tǒng)計學(xué)比較偏向應(yīng)用的一個分支，充其量是統(tǒng)計學(xué)與計算機科學(xué)的交叉。這群人對統(tǒng)計學(xué)習(xí)之外的學(xué)習(xí)手段往往是排斥的，這很自然，基于代數(shù)的、邏輯的、幾何的學(xué)習(xí)，很難納入統(tǒng)計學(xué)的范疇。

兩個群體的文化和價值觀完全不同。第一個群體認(rèn)為好的工作，對于第二個群體而言可能覺得沒有技術(shù)含量，但第一個群體可能恰恰認(rèn)為，簡單的才好，正因為很好地抓住了問題本質(zhì)，所以問題變得容易解決。第二個群體欣賞的工作，第一個群體可能覺得是故弄玄虛，看不出他想解決什么人工智能問題，根本就不是在搞人工智 能、搞計算機，但別人本來也沒說自己是在「搞人工智能」、「搞計算機」，本來就不是在為人工智能做研究。兩個群體各有其存在的意義，應(yīng)該寬容一點，不需要去互較什么短長。但是既然頂著 Machine Learning 這個帽子的不是「一伙兒」，而是「兩伙兒」，那么要「跟進」的新人就要謹(jǐn)慎了，先搞清楚自己更喜歡「哪伙兒」。

引兩位著名學(xué)者的話結(jié)尾，一位是人工智能大獎得主、一位是統(tǒng)計學(xué)習(xí)大家，名字我不說了，省得惹麻煩：

• 「I do not come to AI to do statistics.」

• 「I do not have interest in AI.」

附：近期由周志華老師擔(dān)任學(xué)術(shù)主任的《人工智能前沿講習(xí)班》于近日開班，其主題為《機器學(xué)習(xí)前沿》，借用周老師最近在CNCC2016的總結(jié)：“深度學(xué)習(xí)可能有寒冬，但機器學(xué)習(xí)不會有冬天”。歡迎對機器學(xué)習(xí)感興趣的同學(xué)點擊“閱讀原文”查看詳細(xì)信息。

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。