新智元编译1
译者:胡祥杰
来源:Quora
【新智元导读】Vowpal Wabbit 的主要开发人员、微软研究院资深研究员John Langford今天在Quora上谈了他对机器学习未来10到30年的展望。Langford认为机器学习将改变自动驾驶、普及个人教育、完善医疗体系。新智元在文后附上了这位机器学习专家眼中机器学习在产业界和学术界的区别,以及他推荐的本年度最有意思的论文和研究。
“我想解决机器学习。解决了以后,机器学习是自主性的、鲁棒性好的、可扩展的,很容易用它解决很多问题。”John Langford在他的主页上这样介绍。
John Langford
John Langford是卡内基梅隆大学计算机科学博士,曾在雅虎和IBM Watson研究中心工作,目前是位于纽约的微软研究院资深研究员。John曾是博客网站Hunch.net的主要作者,Vowpal Wabbit的主要开发者。John此前的研究项目包括Isomap、Captcha、Learning Reduction、Cover Trees以及Contextual Bandit Learning。
John Langford:
在未来几年,我不大认为机器学习会解决超级重大难题。
我确实认为机器学习会解决公司层面的一些问题,但是这在总体上并没有把世界变得更好,也没有推动能实际上解决世界难题的工具的研发。当然,人们将会更轻松地获取想要的资讯,人机交互也会变得更好,许多日常的工作都会变得更加自动化。
在更远的未来(10到30年),我们可以期待机器学习在以下这些方面产生影响:
1、自动驾驶。这怎么解决世界难题?当交通工具变成一种设施,而不是财富的时候,车的数量就会减少,这会让污染的减少,也会大大地减少交通事故。额外的福利是,街道上再也不会一直都塞满汽车了。
2、私人教育的大规模普及。在小说The Diamond Age中
育的。具体的细节可能不一样,但是这为什么不能通过使用机器学习技术来有效地实现呢?我找不到反驳理由。未来,一个人人都能根据自己的节奏来学习的世界将通过机器学习成为现实,并且,机器学习是很有用的,特别是早期的教育中,因为在那个阶段,交互是一个重要问题在下列情形中,机器学习是一个让人叫好的工具:
1、正确的答案还不明确时;
2、数字化环境中;
3、相同的决策要多次重复时。
机器学习改变世界的进程不会是一帆风顺的。一些简单重复的工作岗位会减少,这将要求社会谨慎的应对,以维持社会稳定。现在的潜力是——社会作为一个整体是变得越来越富裕。但这并不意味着社会会运行得很好。
John Langford:
从最粗的层面上来看,研究会更多的偏向产业而不是高校,并且,制作一些能影响人的东西遇到的阻碍会更小一些。
在高校中,每一个教授都是孤身奋战(最多还有自己的学生)。这意味着教授们并不会像你想象的那样紧密合作。教授的时间也会根据管理任务被碎片化,于是给私人研究留下的时间就非常少了 ——大多数教授的研究都是通过辅导学生完成的。
在一个好的行业研究实验室,你可能会跟不同等级的教授一起合作完成一个项目,这会让你可以去完成一些难度更高的和更大的任务。另外,不管是数据、计算机设备或者一些非常有用的程序,在行业的研究都会有更多的资源。
但是高校中也有一些很有利的条件。很多人就是单纯地喜欢教学,我能理解。学生当然需要一些知识来源。高校还有一点非常好的就是不会过度功利化,在高校中,一定会有一些人在某些地方干正确的事,不管这项研究是不是很热。
John Langford:
在产业界和学术界,人工智能领域都有很多人在在做很多非常有意思的事。从我自身来讲:
1、我们在纽约的微软实验室显然有很多工作都很吸引我,不管是系统还是理论。
2、其它的微软实验室也做了很多有趣的事,比如图像识别或者GPUs上的并行计算。
3、谷歌至少有两个实验室做了很有意思的研究,一个是伦敦的DeepMind。另一个是硅谷的,他们专注于高级版本的人工智能,比如论文Grammar as a Foreign Language。
4、Facebook在纽约的实验室中,有研究在对人的记忆进行互操作研究。
5、伯克利大学AMP实验室在机器学习、数据和系统上做了一些有意思的研究。
6、有很多教授在大学里也进行了一些有意思的研究。在机器学习领域,最高的大学可能就是伯克利、卡内基梅隆和斯坦福,但是在许多大学,教授们都在进行很有意思的研究。想要读研究生的话,真的要好好看一下导师是谁,这和选择哪一所学校一样重要。现在,这已经很容易做到了,因为教授们公开的个人信息很容易获得。
http://arxiv.org/abs/1512.03385
David Silver等人的Mastering the game of Go with deep neural networks and tree search
http://www.nature.com/nature/journal/v529/n7587/full/nature16961.html
http://arxiv.org/abs/1602.02722
【推荐】
John Langford的个人博客http://hunch.net/?paged=2上,有很多关于机器学习的文章,可复制链接打开查看。
购书可扫描二维码。