机器学习发展的速度十分之快，因此我们连6个月后机器学习会发展成什么样子都很难预测，更别提20年后了。但是，我还是可以根据我所看到的，以及我所知道的，说一些可能性的预测。

1. 二十年后，我们离真正意义上的人工智慧仍然很远。

当前的机器学习系统与真正意义上的人工智慧仍然相差甚远。我们现在所说的机器学习在大量数据中的模式识别能力十分出色（即使是强化学习，多数也与训练期间表现得比较好的记忆和识别模式相关）。很确定的是，这是通往人工智慧的必然之路，但这也确实离我们所说的真正的智能相差甚远。我们现在所拥有的人工智慧有点像是人类认知中的潜意识过程。比方说，当你的余光发现有捕食者在靠近时，你的潜意识会二次激活你的交感神经系统。目前的机器学习系统中并不能看到这种无意识的思想，而且，我认为，我们当前的机器学习系统是无法达到这一点的。

2. 二十年后，传统编程方法并不会被代替。

我听过有人说，机器学习系统将代替传统的编程方法。对此，我十分怀疑。首先，这是上述第一点的必然结果；其次，也是最重要的原因，实际上，大多数任务并不要求一定要使用机器学习。机器学习的过人之处体现在：1）有大量数据需要处理时；2）没有合理模型可使用时；3）现实世界中的各类琐碎问题时。但凡这三项中有任何一项不满足时，你都无需一定要使用机器学习模型，相反，传统编程方法可能更合适。还有一个有意思的事情是，人类本身就是最先进自然的智能体，但是仍然要发明计算机来完成某项专门的任务（因为人类在这方面进程十分缓慢），那么，为什么，我们就一定希望人工智慧会有什么不同呢？

3. 二十年后，机器学习将会使传统任务增多。

话虽如此，但不管何时，传统系统需要与人交互时，就有机会进行以机器学习为基础的扩充。举个例子，一个正在查看错误信息的编程人员可以利用查看错误信息的机器学习系统，从而得到一个行为经验。计算机比人类更有耐心。你无法让一个人观察数百万个小时的编程会议来记住问题的常见解决方案，但是你可以利用机器学习系统来做这样的事情。而且，机器学习系统可以快速从大量数据中和全球范围下进行学习（如果机器学习系统的任何实例遇到这一系列特殊情境时，它几乎可以立即在全球范围内共享这些知识，而不受人类交流速度的限制）。

4. 二十年后，我们将可以从小数据或杂讯数据中得到更好的学习。

当前，多数机器学习系统要求有大量相对纯净且有组织的数据集。未来可能有多种方法可以使这一要求在一两个方面变得宽松一些。我希望这一点，在未来会越来越完善。

5. 二十年后，机器学习系统将与传统方法相结合。

当前比较常见的一种情况是，完全由神经网路构成的机器学习系统正在尝试著解决端到端的问题。通常这也是有效的，因为你可以从这些已有的网路中（如傅里叶变换、边缘检测、分割法等）恢复很多传统信号处理技巧，但是，这些变更的学习版本在计算上可能比基础方法更昂贵。看到这些初始的方法出现了回来的迹象（作为神经网路建筑的一部分），我并不会感到惊讶。同样，基于物理知识的机器学习方法会令我感到兴奋，因为在这样的机器学习方法里，你可以将神经网路与基础物理模型知识结合起来，使其比纯粹的机器学习方法和仅仅依赖于物理过程的方法表现得更好。

译者注：近期Quora上有一个讨论是关于15-20年后，机器学习会是什么样子这个问题，Julia Computing的CTO Keno Fischer回答了这个问题，于是我就给翻译出来了。二十年后，机器学习会发展成什么样呢？你觉得呢？

编译 | AI搬运工

文章链接 |What Will Machine Learning Look Like In Twenty Years?

推荐阅读：

相关文章