机器学习是不是炒作过头了？

目前机器学习是不是炒作过头了？这个问题最初出现在知识共享网站Quora上。在这个网站上，许多见解独到的人回答了引人注目的问题。

以下是麻省理工学院（MIT）的理论计算机科学家斯科特·阿伦森（Scott Aaronson）在Quora上的回答：

有些话题是很少人谈论，也很少人应该谈论的，比如脚趾甲的思想意义。

有些话题是很少人谈论，但许多人应该谈论的，比如半指数函数。

有些话题是许多人在谈论，但很少人应该谈论的，比如放气丑闻（Deflategate）、大爷式占座或在奥斯卡颁奖典礼上的着装。

还有些话题是许多人谈论，可能许多人应该谈论的，比如二次大战全球变暖、黑洞或机器学习。

总是很难判断第四类的话题是不是“炒作过头”：想必这需要汇总有关这个话题的所有炒作，然后汇总有关于该话题真正有趣或重要的事实，那样才能看清前者是否压倒后者（但即便炒作压倒事实，那到底有多重要呢？）。

眼下，机器学习不仅引出了发人深省的科学问题（比如，为什么深度学习会有如此完美的表现？），还给人类文明带来了明显而越来越大的影响（即便我们忽略了其他所有方面，单单从即将改用自动驾驶汽车足见其影响之大）。要不是搞量子计算，我本人忍不住会从事机器学习。事实上，我在改行量子计算之前最早接触的正是人工智能和机器学习，先是在康奈尔大学攻读本科生，师从计算机学教授巴特·塞尔曼（Bart Selman），后来在伯克利分校攻读研究生，师从麦克·约旦教授（Mike Jordan），后来我觉得在量子计算这个领域，自己有更大的“相对优势”。

机器学习在过去十年中的进展让我觉得是实实在在，又令人震惊的，这种进展带来了IBM Watson和阿尔法围棋（AlphaGo）之类的科技成果。不过至少根据我认识的机器学习研究人员声称，最近的进展并不涉及任何重大的新颖的概念突破：它更像是进一步完善早在上世纪七八十年代就已经存在的算法，当然，只不过将那些算法实施在速度快出几个数量级的计算机上，并利用数量多出几个数量级的数据对它们进行训练。

一方面，几十年前就有的想法（比如反向传播及其变种）已经证明了纵向扩展之后拥有的这类强大功能，这个事实当然有理由让人乐观地认为：如果尝试同样的技术或方法，辅以更快速的计算机、更庞大的数据集，我们很快就会在人工智能方面获得更让人叹为观止的成绩。

可是另一方面，它又提醒我们：如果我们想知道几十年后什么将很重要，我们可能需要事先看一看今天如同七八十年代反向传播的技术――也就是，看看几个少数学术怪才在钻研的想法，这些想法太新颖、太古怪了，而且未经证实，因而无法吸引大量的风险投资，也无法吸引杂志长篇累牍的报道，许多人对此不屑一顾。

最后我认为，在我看来，关注机器学习炒作的绝对数量不如关注实际内容来得有意思。这就像，上世纪50年代几乎所有人都知道计算机会很重要，当然他们是对的，但是他们常常完全搞错了计算机很重要的原因（比如说，大大低估了仿人机器人的难度，又没有预见到PC或互联网）。毫无疑问，在我看来，30年过后，人们会认同我们的这个观点：机器学习至关重要，但是他们会因我们忽视机器学习的哪些方面而对我们发火，或者会因我们不该迷恋、但迷恋哪些方面而对我们嘲笑？我不知道那些问题的答案，但是我知道那些是我想要知道的问题。

欢迎加入交流，群主微信：aclood