继移动互联网之后，人工智能技术已经席卷全球。人工智能是峰瑞资本（FREES FUND）的重点布局领域，在我们看来，就像之前几年我们一直说软件重塑了很多行业（software is eating the world），（AI iseating the world）。

2017 年 3 月 3 日，中国人工智能学会（CAAI）将举办 AIDL2《机器学习前沿》会议，邀请了南京大学的周志华教授担任学术负责人，他届时也将在会议上发表致辞。周志华教授是 ACM Fellow（美国计算机学会会士），AAAS Fellow（美国科学促进会会士），AAAI Fellow（国际人工智能学会会士），IEEE Fellow（国际电气电子工程学会会士），IAPR Fellow（国际模式识别学会会士）。

今天推荐的这篇文章，能帮你了解周志华教授对深度学习的理解。周志华老师担任学术主任的《人工智能前沿讲习班》于近日开班，欢迎点击 “阅读原文” 了解更多信息。

　　周志华：机器学习的两大派别

　　作者 / 周志华

　　机器学习现在是一大热门，研究的人特多，越来越多的新人涌进来。不少人其实并没有真正想过，这是不是自己喜欢搞的东西，只不过看见别人都在搞，觉着跟大伙儿走总不会吃亏吧。

　　问题是，真有个 “大伙儿” 吗？就不会是 “两伙儿” 、“三伙儿” ？如果有 “几伙儿” ，那到底该跟着 “哪伙儿” 走呢？

　　很多人可能没有意识到，所谓的 machine learning community，现在至少包含了两个有着完全不同的文化、完全不同价值观的群体，称为 machine learning “communities” 也许更合适一些。

　　第一个 community，是把机器学习看作人工智能分支的一个群体，这群人的主体是计算机科学家。现在的 “机器学习研究者” 可能很少有人读过 1983 年出的 “Machine Learning: An Artificial Intelligence Approach” 这本书。

　　这本书的出版标志着机器学习成为人工智能中一个独立的领域。它其实是一部集早期机器学习研究之大成的文集，收罗了若干先贤（例如 Herbert Simon，那位把诺贝尔奖、图灵奖以及各种各样和他相关的奖几乎拿遍了的科学天才）的大作，主编是 Ryszard S. Michalski（此君已去世多年了，他可算是机器学习的奠基人之一）、Jaime G. Carbonell（此君曾是 Springer 的 LNAI 的总编）、Tom Mitchell（此君是 CMU 机器学习系首任系主任、著名教材的作者，机器学习界没人不知道他吧）。

　　Machine Learning 杂志的创刊，正是这群人努力的结果。这本书值得一读。虽然技术手段早就日新月异了，但有一些深刻的思想现在并没有过时。各个学科领域总有不少东西，换了新装之后又粉墨登场，现在热火朝天的 transfer learning，其实就是 learning by analogy 的升级版。

　　▲ Machine Learning: An Artificial Intelligence Approach 收集了早期机器学习研究的重要文章共 16 篇，是机器学习领域的重要著作。

　　人工智能的研究从以 “推理” 为重点到以 “知识” 为重点，再到以 “学习” 为重点，是有一条自然、清晰的脉络。人工智能出身的机器学习研究者，绝大部分是把机器学习作为实现人工智能的一个途径，正如 1983 年的书名那样。

　　他们关注的是人工智能中的问题，希望以机器学习为手段，但具体采用什么样的学习手段，是基于统计的、代数的、还是逻辑的、几何的，他们并不 care 。

　　这群人可能对统计学习目前 dominating 的地位未必满意。靠统计学习是不可能解决人工智能中大部分问题的，如果统计学习压制了对其他手段的研究，可能不是好事。

　　这群人往往也不 care 在文章里 show 自己的数学水平，甚至可能是以简化表达自己的思想为荣。

　　人工智能问题不是数学问题，甚至未必是依靠数学能够解决的问题。人工智能中许多事情的难处，往往在于我们不知道困难的本质在哪里，不知道 “问题” 在哪里。一旦 “问题” 清楚了，解决起来可能并不困难。

　　第二个 community，是把机器学习看作 “应用统计学” 的一个群体，这群人的主体是统计学家。和纯数学相比，统计学不太 “干净” ，不少数学家甚至拒绝承认统计学是数学。但如果和人工智能相比，统计学就太干净了，统计学研究的问题是清楚的，不象人工智能那样，连问题到底在哪里都不知道。