機器學(xué)習(xí)的發(fā)展歷程

對于20世紀(jì)90年代以前的發(fā)展歷程，我認識不夠，了解不深，覺得當(dāng)時機器學(xué)習(xí)處于發(fā)展的相對平淡期。而20世紀(jì)90年代中期到21世紀(jì)00年代中期是機器學(xué)習(xí)發(fā)展的黃金時期，主要標(biāo)志是學(xué)術(shù)界涌現(xiàn)出一批重要成果，比如，基于統(tǒng)計學(xué)習(xí)理論的支持向量機、隨機森林和Boosting等集成分類方法，概率圖模型，基于再生核理論的非線性數(shù)據(jù)分析與處理方法，非參數(shù)貝葉斯方法，基于正則化理論的稀疏學(xué)習(xí)模型及應(yīng)用等等。這些成果奠定了統(tǒng)計學(xué)習(xí)的理論基礎(chǔ)和框架。

然而，機器學(xué)習(xí)在21世紀(jì)00年代末也經(jīng)歷了一個短暫的徘徊期。那時我在加州大學(xué)伯克利分校的博士后工作結(jié)束，正面臨找工作，導(dǎo)師喬丹教授和我進行了多次交流，他一方面認為機器學(xué)習(xí)正處于困難期，工作職位已趨于飽滿，另一方面他向我一再強調(diào)，把統(tǒng)計學(xué)引入到機器學(xué)習(xí)的思路是對的，因為以統(tǒng)計學(xué)為基礎(chǔ)的機器學(xué)習(xí)作為一個學(xué)科其地位已經(jīng)被奠定。主要問題是機器學(xué)習(xí)是一門應(yīng)用學(xué)科，它需要在工業(yè)界發(fā)揮作用，能為他們解決實際問題。幸運的是，這個時期很快就過去了。

現(xiàn)在我們可以理直氣壯地說機器學(xué)習(xí)已經(jīng)成為計算機科學(xué)和人工智能的主流學(xué)科。這主要體現(xiàn)在下面三個標(biāo)志性的事件。

第一，2010年2月，加州大學(xué)伯克利分校教授喬丹和卡內(nèi)基梅隆大學(xué)教授米歇爾同時當(dāng)選美國工程院院士，同年5月份，喬丹教授又當(dāng)選為美國科學(xué)院院士。隨后幾年，概率圖模型專家科勒（Daphne Koller）當(dāng)選為美國工程院院士，理論計算機學(xué)家和機器學(xué)習(xí)專家、Boosting的主要建立者之一夏皮爾（Robert Schapire）當(dāng)選為美國工程院院士和科學(xué)院院士。期間，斯坦福大學(xué)的統(tǒng)計學(xué)家弗萊德曼和提布施瓦尼（Robert Tibshirani）、伯克利分校的華裔統(tǒng)計學(xué)家郁彬，以及卡內(nèi)基梅隆大學(xué)統(tǒng)計學(xué)家沃塞曼也先后被選為美國科學(xué)院院士。這是一個非常有趣的現(xiàn)象，因為這些學(xué)者都在機器學(xué)習(xí)領(lǐng)域做出了非常重要的貢獻，比如弗萊德曼的工作包括分類回歸樹、多元自適應(yīng)回歸（Multivariate Adaptive Regression Splines， MARS）和梯度推進機（Gradient Boosting Machines， GBM）等經(jīng)典機器學(xué)習(xí)算法，而提布施瓦尼是最小絕對收縮和選擇算子（Least Absolute Shrinkage and Selection Operator， LASSO）的提出者。此外，優(yōu)化算法專家鮑德（Stephen Boyd）當(dāng)選美國工程院院士，他和范登貝格（Lieven Vandenberghe）的合著《凸優(yōu)化》（Convex Optimization）可以說風(fēng)靡機器學(xué)習(xí)界。今年，機器學(xué)習(xí)專家、深度學(xué)習(xí)的領(lǐng)袖、多倫多大學(xué)教授辛頓以及該校統(tǒng)計學(xué)習(xí)專家瑞德（Nancy Reid）分別被選為美國工程院和科學(xué)院的外籍院士。

喬丹教授在當(dāng)時我祝賀他當(dāng)選為院士時的回信中說，如果以他當(dāng)選院士這種方式來看待機器學(xué)習(xí)獲得學(xué)術(shù)界的認同會更有意義。因此，我理解在美國一個學(xué)科能否被接納為主流學(xué)科的一個重要標(biāo)志是，其代表科學(xué)家能否被選為院士。我們知道米歇爾是機器學(xué)習(xí)早期建立者之一，而喬丹是統(tǒng)計機器學(xué)習(xí)的主要奠基者之一。

第二，2011年的圖靈獎授予了加州大學(xué)洛杉磯分校教授珀爾（Judea Pearl），他主要的研究領(lǐng)域是概率圖模型和因果推理，這是機器學(xué)習(xí)的基礎(chǔ)問題。圖靈獎通常頒給純理論計算機學(xué)者，或者早期建立計算機架構(gòu)或框架的學(xué)者。而把圖靈獎授予珀爾教授具有方向標(biāo)的意義。此外，去年《科學(xué)》和《自然》雜志連續(xù)發(fā)表了4篇關(guān)于機器學(xué)習(xí)的綜述論文。而且，近幾年在這兩個雜志上發(fā)表的計算機學(xué)科論文幾乎都來自機器學(xué)習(xí)領(lǐng)域。

第三，機器學(xué)習(xí)切實能被用來幫助工業(yè)界解決問題。特別是當(dāng)下的熱點，比如說深度學(xué)習(xí)、AlphaGo、無人駕駛汽車、人工智能助理等對工業(yè)界的巨大影響。當(dāng)今IT的發(fā)展已從傳統(tǒng)的微軟模式轉(zhuǎn)變到谷歌模式。傳統(tǒng)的微軟模式可以理解為制造業(yè)，而谷歌模式則是服務(wù)業(yè)。谷歌搜索完全是免費的，服務(wù)社會，他們的搜索做得越來越極致，同時創(chuàng)造的財富也越來越豐厚。

財富蘊藏在數(shù)據(jù)中，而挖掘財富的核心技術(shù)則是機器學(xué)習(xí)，因此谷歌認為自己是一家機器學(xué)習(xí)公司。深度學(xué)習(xí)作為當(dāng)今最有活力的機器學(xué)習(xí)方向，在計算機視覺、自然語言理解、語音識別、智力游戲等領(lǐng)域的顛覆性成就，造就了一批新興的創(chuàng)業(yè)公司。工業(yè)界對機器學(xué)習(xí)領(lǐng)域的人才有大量的需求。不僅僅需要代碼能力強的工程師，也需要有數(shù)學(xué)建模和解決問題的科學(xué)家。

最近有一本尚未出版的書《數(shù)據(jù)科學(xué)基礎(chǔ)》（Foundation of Data Science），作者之一霍普克洛夫特（John Hopcroft）是圖靈獎得主。在這本書前沿部分，提到了計算機科學(xué)的發(fā)展可以分為三個階段：早期、中期和當(dāng)今。早期就是讓計算機可以運行起來，其重點在于開發(fā)程序語言、編譯技術(shù)、操作系統(tǒng)，以及研究支撐它們的數(shù)學(xué)理論。中期是讓計算機變得有用，變得高效，重點在于研究算法和數(shù)據(jù)結(jié)構(gòu)。第三個階段是讓計算機具有更廣泛的應(yīng)用，發(fā)展重點從離散類數(shù)學(xué)轉(zhuǎn)到概率和統(tǒng)計。我曾經(jīng)和霍普克洛夫特交談過幾次，他認為計算機科學(xué)發(fā)展到今天，機器學(xué)習(xí)是核心。他正在讀機器學(xué)習(xí)和深度學(xué)習(xí)方面的書，并計劃為本科生講授機器學(xué)習(xí)課程。

現(xiàn)在計算機界戲稱機器學(xué)習(xí)為“全能學(xué)科”，它無所不在。除了有其自身的學(xué)科體系外，機器學(xué)習(xí)還有兩個重要的輻射功能。一是為應(yīng)用學(xué)科提供解決問題的方法與途徑。對于一個應(yīng)用學(xué)科來說，機器學(xué)習(xí)的目的就是把一些難懂的數(shù)學(xué)翻譯成讓工程師能夠?qū)懗龀绦虻膫未a。二是為一些傳統(tǒng)學(xué)科，比如統(tǒng)計、理論計算機科學(xué)、運籌優(yōu)化等找到新的研究問題。因此，大多數(shù)世界著名大學(xué)的計算機學(xué)科把機器學(xué)習(xí)或人工智能列為核心方向，擴大機器學(xué)習(xí)領(lǐng)域的教師規(guī)模，而且至少要保持兩三個機器學(xué)習(xí)研究方向具有一流競爭力。有些計算機專業(yè)有1/3甚至1/2的研究生選修機器學(xué)習(xí)或人工智能。

機器學(xué)習(xí)現(xiàn)在已成為統(tǒng)計學(xué)的一個主流方向，許多著名大學(xué)的統(tǒng)計系紛紛從機器學(xué)習(xí)領(lǐng)域招聘教授，比如斯坦福大學(xué)統(tǒng)計系新進的兩位助理教授來自機器學(xué)習(xí)專業(yè)。計算在統(tǒng)計領(lǐng)域已經(jīng)變得越來越重要，傳統(tǒng)多元統(tǒng)計分析是以矩陣分解為計算工具，現(xiàn)代高維統(tǒng)計則是以優(yōu)化為計算工具。

機器學(xué)習(xí)發(fā)展的啟示

機器學(xué)習(xí)的發(fā)展歷程告訴我們：發(fā)展一個學(xué)科需要一個務(wù)實的態(tài)度。時髦的概念和名字無疑對學(xué)科的普及有一定的推動作用，但學(xué)科的根本還是所研究的問題、方法、技術(shù)和支撐的基礎(chǔ)等，以及為社會產(chǎn)生的價值。

“機器學(xué)習(xí)”是個很酷的名字，簡單地按照字面理解，它的目的是讓機器能像人一樣具有學(xué)習(xí)能力。但在其十年的黃金發(fā)展期，機器學(xué)習(xí)界并沒有過多地炒作“智能”或者“認知”，而是關(guān)注于引入統(tǒng)計學(xué)等來建立學(xué)科的理論基礎(chǔ)，面向數(shù)據(jù)分析與處理，以無監(jiān)督學(xué)習(xí)和有監(jiān)督學(xué)習(xí)為兩大主要的研究問題，提出和開發(fā)了一系列模型、方法和計算算法等，切實地解決了工業(yè)界所面臨的一些實際問題。近幾年，因為大數(shù)據(jù)的驅(qū)動和計算能力的極大提升，一批面向機器學(xué)習(xí)的底層架構(gòu)先后被開發(fā)出來。神經(jīng)網(wǎng)絡(luò)其實在20世紀(jì)80年代末或90年代初就被廣泛研究，但后來沉寂了。近幾年，基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)強勢崛起，給工業(yè)界帶來了深刻的變革和機遇。深度學(xué)習(xí)的成功不是源自腦科學(xué)或認知科學(xué)的進展，而是因為大數(shù)據(jù)的驅(qū)動和計算能力的極大提升。

機器學(xué)習(xí)的發(fā)展詮釋了多學(xué)科交叉的重要性和必要性。然而這種交叉不是簡單地彼此知道幾個名詞或概念就可以的，是需要真正的融會貫通。統(tǒng)計學(xué)家弗萊德曼早期從事物理學(xué)研究，他是優(yōu)化算法大師，而且他的編程能力同樣令人贊嘆。喬丹教授既是一流的計算機學(xué)家，又是一流的統(tǒng)計學(xué)家，而他的博士專業(yè)為心理學(xué)，他能夠承擔(dān)起建立統(tǒng)計機器學(xué)習(xí)的重任。辛頓教授是世界最著名的認知心理學(xué)家和計算機科學(xué)家。雖然他很早就成就斐然，在學(xué)術(shù)界聲名鵲起，但他依然始終活躍在一線，自己寫代碼。他提出的許多想法簡單、可行又非常有效，被稱為偉大的思想家。正是由于他的睿智和身體力行，深度學(xué)習(xí)技術(shù)迎來了革命性的突破。這些學(xué)者非常務(wù)實，從不提那些空洞無物的概念和框架。他們遵循自下而上的方式，從具體問題、模型、方法、算法等著手，一步一步實現(xiàn)系統(tǒng)化。

可以說機器學(xué)習(xí)是由學(xué)術(shù)界、工業(yè)界、創(chuàng)業(yè)界（或競賽界）等合力造就的。學(xué)術(shù)界是引擎，工業(yè)界是驅(qū)動，創(chuàng)業(yè)界是活力和未來。學(xué)術(shù)界和工業(yè)界應(yīng)該有各自的職責(zé)和分工。學(xué)術(shù)界的職責(zé)在于建立和發(fā)展機器學(xué)習(xí)學(xué)科，培養(yǎng)機器學(xué)習(xí)領(lǐng)域的專門人才；而大項目、大工程更應(yīng)該由市場來驅(qū)動，由工業(yè)界來實施和完成。