机器学习无人区,下一步的突破在哪里?

机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。

它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。

机器学习的发展进程决定了人工智能产品的落地的进度，那么这两年机器学习究竟有哪些进展？

6月10日，国际电气和电子工程师协会（IEEE）和国际模式识别学会（IAPR）双料会士颜水成、林宙辰教授、国内机器学习领域的青年领军人物朱军教授、清华张长水教授共聚北京，在“智源学者候选人发布暨学术报告会”上，对机器学习的最近进展以及接下来的突破方向给出了观点。

以下是圆桌会议速记，大数据文摘做了不改变原意的编辑与整理。

机器学习最近两年的进展：理论和应用兼而有之

颜水成：今天就讨论三个题目。

一、过去两年你认为机器学习最重要的进展是什么；

二、接下来的两到三年的里面在哪些方向最有可能取得突破；

三、对学生有一些什么建议。

张长水：过去两年里，机器学习或者人工智能有很多令人激动的工作，只不过可能每个人关注点不太一样。比如机器翻译，国内有个团队在做翻译的一种模式非常棒，比如说英文和德文翻译，我们传统做法就是我们准备大量的语料，训练一个模型。

这个团队考虑到了英文翻译成德文，同样的语料还可以德文翻译成英文；不仅这样，我们还可以考虑对任何一句英文没有德文对应的情况下，我们要求它翻译过去再翻译回来还是原文，对于德文来说也是这样，翻译到英文再翻译回来，这样我们就少了大量的标注数据，但是通过优化方法，加了一些目标函数约束，使得它对于数据要求只有原来的10%。

在我们实际的研究中，往往会发现很多问题，其实问题之间有很多的共性，包括数据和模型上的应用。将很多问题结合在一起，这样的工作不只是理论上分析的很漂亮，关键很使实用，就是理论和应用两者兼有之。

朱军：我认为一个比较重要的是：不确定性计算方向。在最近的数学家大会上，大家有一个观点：因为对不确定性的计算没那么重视，所以当前的机器学习很多东西都做错了。我们很多时候都在通过做预测得到结果，很少分析，比如说结果可信的程度到底是多少。所以实际从统计学上来看的话，一些统计学家会认为机器学习领域有欠缺。

但是实际上一些研究机器学习的学者有统计学背景，很多都在做这个方向，例如概算编程的框架。这从编程角度来看是比较重要的进展，就是说编程主要是用神经网络等方法在拟合的时候做不确定性计算。

未来几年，可能在应用上和实际问题结合里面是一个比较重要的时期。因为像无人驾驶，做决策等这些场景我们需要更好地刻画在位置环境里面的不确定性。所以不确定性是接下来的研究重点。

林宙辰：我个人关注理论方面，过去两年虽然大家都很关心这方面的研究也越来越多，我可以看到，大家对于这个深度学习越来越接近现实，现在不仅仅是模型，现在还没有产生，但是进展还是蛮大的，尤其是像一些理论科学家，还有一些数学家慢慢加入这个团体，他们也意识到这个深度学习构建一个环境是非常重要的一个事情。

另外，深度学习和符号计算的结合最近也显现出了苗头。虽然还很初步，但这是未来巨大的方向，你不可能全部都依靠数据来进行驱动，你要达到这种递进或者人工智能的话，必须在符号运算方面有一定的能力。

颜水成：我认为特别有三点，前面有一些经典的算法，其实是已经在那儿了，但是那些算法其实让我们真的解决问题的话，其实在本身的能力方面还有很大的欠缺。传统的一些理论上已经很完备了，深度学习的这个进步的话，真的可以解决我们觉得非常现实的这种问题，所以深度学习可能是接下来的发展重点。

勇闯研究无人区，令人瞩目的研究并非一蹴而就

第二个问题是关于机器学习无人区的。北京的学者会勇闯哪些机器学习的无人区呢？

林宙辰：我觉得还是在基础理论这个方面，还有一个大场景的应用方面，这两个方面我觉得我们后可以取得很好的成就。

朱军：这个不太好预测。

张长水：我想从突破上来说，看起来有很多的偶然性，但是我们现在回想起来，如果我们看深度神经网络这段热潮之前，很多工作都有前面的很多影子，比如说卷积层，那也不是说一蹴而就的事，很多的工作多年积累出来这样一个工作，当然我们会有几个英雄的人物，此外还有很多人不懈努力的结果。

所以我觉得比较值得高兴的是，虽然这两年都有很多热潮式、跟风式的研究，但是我们也看到有很多很踏实的研究，包括在北京，包括我们身边，其他别的科学院都有，还有一些学校，也许那些不在我们这里，但是我知道他们真的很深入地在做研究，我觉得这些都是很好的苗头。

也许过了这两年，我们没有看到哪个工作更光鲜，像一盏灯一样去带着全世界往前走，但是我们知道积累的这些工作也许会在三年以后、五年以后对我们的年轻人和学生会产生一些影响，他们的工作会上一个非常大的台阶。