雷鋒網按：繼移動網際網路之後，人工智慧技術已經席捲全球。2017 年 3 月 3 日，中國人工智慧學會（CAAI）將舉辦 AIDL2《機器學習前沿》會議，邀請了南京大學的周志華教授擔任學術負責人，他屆時也將在會議上發表致辭。而在今年 7 月份的 GAIR 大會上，雷鋒網也將邀請周志華教授進行主題演講的分享。
周志華教授是 ACM Fellow(美國計算機學會會士)，AAAS Fellow（美國科學促進會會士），AAAI Fellow（國際人工智慧學會會士），IEEE Fellow（國際電氣電子工程學會會士），IAPR Fellow（國際模式識別學會會士）。中國人工智慧學會機器學習專業委員會前任主任，南京大學計算機軟體新技術國家重點實驗室常務副主任。在一流國際期刊和頂級國際會議發表論文 100 餘篇，被引用逾兩萬次，H-index 73，被列入計算機領域 H-index 最高的前 100 位學者。
機器學習作為近年來非常火的一個概念，關注者追隨者甚眾，然而它的淵源及由來卻鮮有人知曉。在這篇周志華老師寫就的文章中，雷鋒網 (公眾號：雷鋒網) 將帶領大家一睹機器學習的兩大派別，領略其在歷史長河中的變遷和進步。本文由雷鋒網編輯，並做了不改動原意的修改。
機器學習現在是一大熱門，研究的人特多，越來越多的新人湧進來。不少人其實並沒有真正想過，這是不是自己喜歡搞的東西，只不過看見別人都在搞，覺著跟大伙兒走總不會吃虧吧。
問題是，真有個「大伙兒」嗎？就不會是「兩夥兒」、「三夥兒」？如果有「幾夥兒」，那到底該跟著「哪夥兒」走呢？
很多人可能沒有意識到，所謂的 machine learning community，現在至少包含了兩個有著完全不同的文化、完全不同的價值觀的群體，稱為 machine learning 「communities」 也許更合適一些。
第一個 community，是把機器學習看作人工智慧分支的一個群體，這群人的主體是計算機科學家。現在的「機器學習研究者」可能很少有人讀過 1983 年出的「Machine Learning: An Artificial Intelligence Approach」這本書。這本書的出版標誌著機器學習成為人工智慧中一個獨立的領域。它其實是一部集早期機器學習研究之大成的文集，收羅了若干先賢（例 如 Herbert Simon，那位把諾貝爾獎、圖靈獎以及各種各樣和他相關的獎幾乎拿遍了的科學天才）的大作，主編是 Ryszard S. Michalski（此君已去世多年了，他可算是機器學習的奠基人之一）、Jaime G. Carbonell（此君曾是 Springer 的 LNAI 的總編）、Tom Mitchell（此君是 CMU 機器學習系首任系主任、著名教材的作者，機器學習界沒人不知道他吧）。Machine Learning 雜誌的創刊，正是這群人努力的結果。這本書值得一讀。雖然技術手段早就日新月異了，但有一些深刻的思想現在並沒有過時。各個學科領域總有不少東西，換了新裝之後又粉墨登場，現在熱火朝天的 transfer learning，其實就是 learning by analogy 的升級版。
人工智慧的研究從以「推理」為重點到以「知識」為重點，再到以「學習」為重點，是有一條自然、清晰的脈絡。人工智慧出身的機器學習研究者，絕大部分 是把機器學習作為實現人工智慧的一個途徑，正如 1983 年的書名那樣。他們關注的是人工智慧中的問題，希望以機器學習為手段，但具體採用什麼樣的學習手段，是基於統計的、代數的、還是邏輯的、幾何的，他們並不 care。這群人可能對統計學習目前 dominating 的地位未必滿意。靠統計學習是不可能解決人工智慧中大部分問題的，如果統計學習壓制了對其他手段的研究，可能不是好事。這群人往往也不 care 在文章裡 show 自己的數學水平，甚至可能是以簡化表達自己的思想為榮。人工智慧問題不是數學問題，甚至未必是依靠數學能夠解決的問題。人工智慧中許多事情的難處，往往在於我們不知道困難的本質在哪裡，不知道「問題」在哪裡。一旦「問題」清楚了，解決起來可能並不困難。
第二個 community，是把機器學習看作「應用統計學」的一個群體，這群人的主體是統計學家。和純數學相比，統計學不太「乾淨」，不少數學家甚至拒絕承認統計學是數學。但如果和人工智慧相比，統計學就太乾淨了，統計學研究的問題是清楚的，不象人工智慧那樣，連問題到底在哪裡都不知道。在相當長時間裡，統計學家和機器學習一直保持著距離。慢慢地，不少統計學家逐漸意識到，統計學本來就該面向應用，而機器學習天生就是一個很好的切入點。因為機器學習雖然用到各種各樣的數學，但要分析大量數據中蘊涵的規律，統計學是必不可少的。統計學出身的機器學習研究者，絕大部分是把機器學習當作應用統計學。他們關注的是如何把統計學中的理論和方法變成可以在計算機上有效實現的算法，至於這樣的算法對人工智慧中的什麼問題有用，他們並不 care。
這群人可能對人工智慧毫無興趣，在他們眼中，機器學習就是統計學習，是統計學比較偏向應用的一個分支，充其量是統計學與計算機科學的交叉。這群人對統計學習之外的學習手段往往是排斥的，這很自然，基於代數的、邏輯的、幾何的學習，很難納入統計學的範疇。
兩個群體的文化和價值觀完全不同。第一個群體認為好的工作，對於第二個群體而言可能覺得沒有技術含量，但第一個群體可能恰恰認為，簡單的才好，正因為很好地抓住了問題本質，所以問題變得容易解決。第二個群體欣賞的工作，第一個群體可能覺得是故弄玄虛，看不出他想解決什麼人工智慧問題，根本就不是在搞人工智 能、搞計算機，但別人本來也沒說自己是在「搞人工智慧」、「搞計算機」，本來就不是在為人工智慧做研究。兩個群體各有其存在的意義，應該寬容一點，不需要去互較什麼短長。但是既然頂著 Machine Learning 這個帽子的不是「一夥兒」，而是「兩夥兒」，那麼要「跟進」的新人就要謹慎了，先搞清楚自己更喜歡「哪夥兒」。
引兩位著名學者的話結尾，一位是人工智慧大獎得主、一位是統計學習大家，名字我不說了，省得惹麻煩：