巴曙松教授在线问答：机器学习如何才能避免“只是调参数”？

编者语：

机器学习是指通过计算机学习数据中的内在规律性信息，获得新的经验和知识，以提高计算机的智能性，使计算机能够像人那样去决策。目前大部分的机器学习仍然主要依赖监督学习，即需要工程师在人工智能机器中构建人类的知识体系和思维方式，还没有跨越弱人工智能。我们可以看到，阿尔法zero的学习并不再需要输入大量棋谱或人工定义的策略，通过神经网络，完全由机器从零开始，仅依据规则就学成了超级大师。这一阶段的机器学习，不需要算法工程师输入参数和数据模型，完全依靠机器自己构建“价值观”。敬请阅读。

文/巴曙松

本人目前也只是在学习过程中，现尝试作答。

机器学习的一个特点就是概率论、线性代数、数值计算、信息论、最优化理论和计算机科学等多个领域的交叉学科。机器学习是人工智能的科学，主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。

机器学习的第一个阶段是理论的研究，这是算法的构建过程。第二个过程就是实验，这是从理论到实际应用的关键环节，只有通过不断试验方能得到对于一个模型的特定使用场景的最佳性能。目前的大多数机器学习研究者，其实都是在这个环节之中。第三个过程就是真正的工程实践。这处于应用的第一线。

现有的机器如何学？目前机器学习最广为人知的例子应该是阿尔法Go了。算法工程师通过向阿尔法Go中输入棋谱实现机器学习。其中心思想是构建人类大脑中的思维逻辑。所以，目前大部分的机器学习处于这一阶段。人类工程师的“调节参数”就是在人工智能机器中构建人类的知识体系和思维方式。真正的机器学习，应当是机器逐步创造自己的逻辑。阿尔法zero的出现、以及facebook两个人工机器人自己对话的现象，证明了在某些领域训练AI AGENT的过程中，模型的价值超过了训练数据（先验知识）。如果这种模型可以运用到其他领域，可以期望AI AGENT会产生超过人类现有知识积累的新的创造性知识。阿尔法zero的学习可以说是人工智能机器人，不再需要输入大量棋谱或人工定义的策略，通过神经网络，完全由机器从零开始，仅依据规则就学成了超级大师。这一阶段的机器学习，不需要算法工程师输入参数和数据模型，完全依靠机器自己构建“价值观”。所以这种机器学习只能应用在特定范围，且人类必须保证它的可控性。（完）

文章来源：悟空问答2017年12月25日（本文观点仅代表作者作为一位研究人员个人的看法，不代表任何机构的意见和看法）

本篇编辑：陈英祺