创造性思维

华电北风吹
天津大学认知计算与应用重点实验室
日期：2015/12/30

对于机器学习我们应该学习什么？相信绝大多数同学跟我一样，一头扎进各种各样的算法里面，沉醉于里面各种数学公式的推导，优化问题的解决。更简单的，直接用别人写好的包使用，根本不用操心算法的思路是什么，更别提怎么实现得了。

在关于机器学习的应用中，不止一次在群里听到有人说——”能够调的一手好参数，就是机器学习的高手”。难道我们学习这个仅仅就是为了调节一下这个模型的参数使之在自己的专业领域得到一个好看的准确率结果吗？

science上最近发表了一篇关于人工智能的文章—”Human-level concept learning through probabilistic program induction”，相信很多人都听过甚至读过。这篇文章利用贝叶斯决策的方法是的使用很少一部分训练数据就能够得到很好的效果，巧妙之处就在于作者抛弃了传统的懒惰的调参式思路，通过挖掘认知的机理来学习。我想这才是解决目前机器学习人工智能领域瓶颈的出路吧。

附
知乎问题链接及自己的回答，提醒自己时刻思考。
如何评价《Science》封面文章《通过概率规划归纳的人类层次概念学习》?——知乎
在应用AI，机器学习以及深度学习解决问题的时候，只能说解决问题的人的能力不够，解决不了这个问题，退而求其次，根据大量先前的数据，防止出现类似事情的时候做错事。
比如说有一个黑箱，对于输入x，输出y=f(x)=x**2。神经网络，AI，机器学习等方法是根据大量的先前样本，拟合这个函数，并将拟合后的结果储存在网络中。这种思想的应用需要有很多前提，比如需要大量样本，计算能力要跟得上，有合适的模型等。当然这样的优点就是我不需要推算出黑箱里面的函数表达式y=f(x)=x**2。
与之相对应的可以称作精确模型——具体可以看看19世纪以前的物理学那些规律地发现。例如牛顿第二定律F=ma，万有引力公式F=Gm1m2/r^2等。这些精确的表达式都代表了人类对于这种自然机制的深入精确了解。试想，如果我把万有引力公式存储在一个神经网络里面的话，NASA敢凭借这个公式实现登月计划吗？
当然两者也有类似的地方，那就是都是根据大量的已有的实验数据分析。只不过一个找到了这里面的精确机制，一个是仅仅满足了当前使用(分类)。
而science的这篇文章，可以看做人们研究方向由目前的统计建模向机制精细化研究转变的过程(只是一小步，还需要更多的人的深入研究)。毕竟，AI，神经网络，机器学习只能告诉我们怎么做，并不能告诉我们为什么这么做。最终问题的解决还是要建立精确的公式。