機器學習是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。

它是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域。

機器學習的發展進程決定了人工智能產品的落地的進度，那么這兩年機器學習究竟有哪些進展？

6月10日，國際電氣和電子工程師協會（IEEE）和國際模式識別學會（IAPR）雙料會士顏水成、林宙辰教授、國內機器學習領域的青年領軍人物朱軍教授、清華張長水教授共聚北京，在“智源學者候選人發布暨學術報告會”上，對機器學習的最近進展以及接下來的突破方向給出了觀點。

以下是圓桌會議速記，大數據文摘做了不改變原意的編輯與整理。

機器學習最近兩年的進展：理論和應用兼而有之

顏水成：今天就討論三個題目。

一、過去兩年你認為機器學習最重要的進展是什么；

二、接下來的兩到三年的里面在哪些方向最有可能取得突破；

三、對學生有一些什么建議。

張長水：過去兩年里，機器學習或者人工智能有很多令人激動的工作，只不過可能每個人關注點不太一樣。比如機器翻譯，國內有個團隊在做翻譯的一種模式非常棒，比如說英文和德文翻譯，我們傳統做法就是我們準備大量的語料，訓練一個模型。

這個團隊考慮到了英文翻譯成德文，同樣的語料還可以德文翻譯成英文；不僅這樣，我們還可以考慮對任何一句英文沒有德文對應的情況下，我們要求它翻譯過去再翻譯回來還是原文，對于德文來說也是這樣，翻譯到英文再翻譯回來，這樣我們就少了大量的標注數據，但是通過優化方法，加了一些目標函數約束，使得它對于數據要求只有原來的10%。

在我們實際的研究中，往往會發現很多問題，其實問題之間有很多的共性，包括數據和模型上的應用。將很多問題結合在一起，這樣的工作不只是理論上分析的很漂亮，關鍵很使實用，就是理論和應用兩者兼有之。

朱軍：我認為一個比較重要的是：不確定性計算方向。在最近的數學家大會上，大家有一個觀點：因為對不確定性的計算沒那么重視，所以當前的機器學習很多東西都做錯了。我們很多時候都在通過做預測得到結果，很少分析，比如說結果可信的程度到底是多少。所以實際從統計學上來看的話，一些統計學家會認為機器學習領域有欠缺。

但是實際上一些研究機器學習的學者有統計學背景，很多都在做這個方向，例如概算編程的框架。這從編程角度來看是比較重要的進展，就是說編程主要是用神經網絡等方法在擬合的時候做不確定性計算。

未來幾年，可能在應用上和實際問題結合里面是一個比較重要的時期。因為像無人駕駛，做決策等這些場景我們需要更好地刻畫在位置環境里面的不確定性。所以不確定性是接下來的研究重點。

林宙辰：我個人關注理論方面，過去兩年雖然大家都很關心這方面的研究也越來越多，我可以看到，大家對于這個深度學習越來越接近現實，現在不僅僅是模型，現在還沒有產生，但是進展還是蠻大的，尤其是像一些理論科學家，還有一些數學家慢慢加入這個團體，他們也意識到這個深度學習構建一個環境是非常重要的一個事情。

另外，深度學習和符號計算的結合最近也顯現出了苗頭。雖然還很初步，但這是未來巨大的方向，你不可能全部都依靠數據來進行驅動，你要達到這種遞進或者人工智能的話，必須在符號運算方面有一定的能力。

顏水成：我認為特別有三點，前面有一些經典的算法，其實是已經在那兒了，但是那些算法其實讓我們真的解決問題的話，其實在本身的能力方面還有很大的欠缺。傳統的一些理論上已經很完備了，深度學習的這個進步的話，真的可以解決我們覺得非常現實的這種問題，所以深度學習可能是接下來的發展重點。

勇闖研究無人區，令人矚目的研究并非一蹴而就

第二個問題是關于機器學習無人區的。北京的學者會勇闖哪些機器學習的無人區呢？

林宙辰：我覺得還是在基礎理論這個方面，還有一個大場景的應用方面，這兩個方面我覺得我們后可以取得很好的成就。

朱軍：這個不太好預測。

張長水：我想從突破上來說，看起來有很多的偶然性，但是我們現在回想起來，如果我們看深度神經網絡這段熱潮之前，很多工作都有前面的很多影子，比如說卷積層，那也不是說一蹴而就的事，很多的工作多年積累出來這樣一個工作，當然我們會有幾個英雄的人物，此外還有很多人不懈努力的結果。

所以我覺得比較值得高興的是，雖然這兩年都有很多熱潮式、跟風式的研究，但是我們也看到有很多很踏實的研究，包括在北京，包括我們身邊，其他別的科學院都有，還有一些學校，也許那些不在我們這里，但是我知道他們真的很深入地在做研究，我覺得這些都是很好的苗頭。

也許過了這兩年，我們沒有看到哪個工作更光鮮，像一盞燈一樣去帶著全世界往前走，但是我們知道積累的這些工作也許會在三年以后、五年以后對我們的年輕人和學生會產生一些影響，他們的工作會上一個非常大的臺階。