科技改變生活 · 科技引領未來
科技改變生活 · 科技引領未來
目前在人工智能領域有種提法，認為“機器學習”是人工智能領域最能體現“智能”的專業分支。從發展歷史上看，機器學習也是人工智能發展最快的分支，近年來人工智能技術的突破大都源自于此。機器學習致力于研究如何通過計算的手段，利用既有經驗改善系統自身的性能。在計算機系統中，“經驗”經常以“數據”的形式存在。因此，機器學習研究的主要內容，就是關于在計算機上從數據產生“模型”的算法，即“學習算法”。我們只要把經驗數據提供給學習算法，就能基于這些數據產生一系列的模型，以指導如何面對新情況時提供準確的判斷。
從早期的“符號機器學習”到如今一統天下的“統計機器學習”，機器學習逐漸完成了從偏重理論模型研究到實際應用研究為主的轉變。其根本原因是由于計算能力的大幅提高，使得通過統計學和大數據研究得到的成果顯著，并常常遠超人類通過其他現有技術積累可以達到的水平。未來的人工智能基礎理論創新，很可能來自于更加基本的認知科學研究。從人類應用的角度出發，有必要把統計技術和對科學背景的深刻理解結合起來。
上述觀點的一個論據支撐是統計機器學習算法的前提是假設樣本數據“獨立同分布”。被認為代表機器學習未來的“遷移學習”，研究如何把一個預訓練的模型用在相關的其他任務中，更是要求與遷移關聯的雙方的數據具備獨立同分布的條件，這在很多科學和工程領域（尤其是力學領域）看起來是苛刻和不盡合理的。如何對數據的有效性進行驗證，或是研究出能夠用于“非獨立”或“不同分布”的學習算法，是應用背景學科（如力學）專業人士應該深入探索的命題。
近年來機器學習里面最火熱的分支是“深度學習”，由于硬件性能的大幅提升，深度學習采用了復雜度更高的算法，得到了精細程度和質量更佳的結果，但同時也加重了對數據量、數據源的準確性以及運算資源的依賴，而這種依賴性嚴重限制了機器學習應用的場景和潛力。如何用更少的計算資源和數據樣本，解決更多工程和科學中的待解謎題？這也是大家所關心和期待的人工智能基礎理論創新的核心命題。
馬同