小編：近日邀請周志華老師為 52cs.org 寫點小文章，特別想讓他給機器學(xué)習(xí)降降溫，讓大家更客觀更全面地選擇自己的研究方向。周老師推薦了自己以前寫的這篇文章給我，放在當(dāng)下讀這篇文章，一點不過時，希望對大家有所啟迪。

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。

現(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，第二個群體可能覺得沒有技術(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”