機器學習是不是炒作過頭了？

目前機器學習是不是炒作過頭了？這個問題最初出現在知識共享網站Quora上。在這個網站上，許多見解獨到的人回答了引人注目的問題。

以下是麻省理工學院（MIT）的理論計算機科學家斯科特·阿倫森（Scott Aaronson）在Quora上的回答：

有些話題是很少人談論，也很少人應該談論的，比如腳趾甲的思想意義。

有些話題是很少人談論，但許多人應該談論的，比如半指數函數。

有些話題是許多人在談論，但很少人應該談論的，比如放氣醜聞（Deflategate）、大爺式佔座或在奧斯卡頒獎典禮上的著裝。

還有些話題是許多人談論，可能許多人應該談論的，比如二次大戰全球變暖、黑洞或機器學習。

總是很難判斷第四類的話題是不是「炒作過頭」：想必這需要匯總有關這個話題的所有炒作，然後匯總有關於該話題真正有趣或重要的事實，那樣才能看清前者是否壓倒後者（但即便炒作壓倒事實，那到底有多重要呢？）。

眼下，機器學習不僅引出了發人深省的科學問題（比如，為什麼深度學習會有如此完美的表現？），還給人類文明帶來了明顯而越來越大的影響（即便我們忽略了其他所有方面，單單從即將改用自動駕駛汽車足見其影響之大）。要不是搞量子計算，我本人忍不住會從事機器學習。事實上，我在改行量子計算之前最早接觸的正是人工智慧和機器學習，先是在康奈爾大學攻讀本科生，師從計算機學教授巴特·塞爾曼（Bart Selman），後來在伯克利分校攻讀研究生，師從麥克·約旦教授（Mike Jordan），後來我覺得在量子計算這個領域，自己有更大的「相對優勢」。

機器學習在過去十年中的進展讓我覺得是實實在在，又令人震驚的，這種進展帶來了IBM Watson和阿爾法圍棋（AlphaGo）之類的科技成果。不過至少根據我認識的機器學習研究人員聲稱，最近的進展並不涉及任何重大的新穎的概念突破：它更像是進一步完善早在上世紀七八十年代就已經存在的演算法，當然，只不過將那些演算法實施在速度快出幾個數量級的計算機上，並利用數量多出幾個數量級的數據對它們進行訓練。

一方面，幾十年前就有的想法（比如反向傳播及其變種）已經證明了縱向擴展之後擁有的這類強大功能，這個事實當然有理由讓人樂觀地認為：如果嘗試同樣的技術或方法，輔以更快速的計算機、更龐大的數據集，我們很快就會在人工智慧方面獲得更讓人嘆為觀止的成績。

可是另一方面，它又提醒我們：如果我們想知道幾十年後什麼將很重要，我們可能需要事先看一看今天如同七八十年代反向傳播的技術――也就是，看看幾個少數學術怪才在鑽研的想法，這些想法太新穎、太古怪了，而且未經證實，因而無法吸引大量的風險投資，也無法吸引雜誌長篇累牘的報道，許多人對此不屑一顧。

最後我認為，在我看來，關注機器學習炒作的絕對數量不如關注實際內容來得有意思。這就像，上世紀50年代幾乎所有人都知道計算機會很重要，當然他們是對的，但是他們常常完全搞錯了計算機很重要的原因（比如說，大大低估了仿人機器人的難度，又沒有預見到PC或互聯網）。毫無疑問，在我看來，30年過後，人們會認同我們的這個觀點：機器學習至關重要，但是他們會因我們忽視機器學習的哪些方面而對我們發火，或者會因我們不該迷戀、但迷戀哪些方面而對我們嘲笑？我不知道那些問題的答案，但是我知道那些是我想要知道的問題。

請您繼續閱讀更多來自 雲頭條 的精彩文章:

※辯論！天照這技能是不是被吹過頭了？
※尚雯婕是整容過頭了還是妝太濃了？這造型也是沒誰了！
※辯論！鼬的實力是不是被吹過頭了？
※小奶貓軟軟的喵聲……設成早起鬧鐘，是不是就不會睡過頭了！
※搞笑段子：你是睡過頭了，我是睡過「頭兒」了！
※古人也裝X，不過好像一不小心裝過頭了？
※優秀是一種習慣！你們一定是優秀過頭了才有這些習慣！
※孫允珠：這腿是不是P過頭了？
※一場改革促進了民族融合，不過有些過頭，把天下搞沒了
※他是愛你還是在忍耐你？千萬別作過頭了！
※努力過頭的你還沒有被升職加薪，也許是因為背錯了包
※那些本來是創意但是過頭了的餐廳詭異料理，端上來就瞬間沒胃口！
※韓國網友居然嫌棄這雙腿 你說泡菜們是不是酸過頭了？
※任性過頭就是不懂事，我該如何愛你？
※火影中死得最可惜的幾位忍者，只是沒有猥瑣發育，浪過頭了！
※于田料沒你想像中的那麼好！市場炒作過頭了！
※分寸是合腳的鞋，不大不小，凡事有度，過頭話莫說，過頭事莫做
※跑步健身過程中，你是否出現過頭暈狀況，你又是否有效的解決？
※飛過頭頂可能不再是一發普通的炮彈，而有可能是炮兵的「千里眼」