西西河

主题:【原创】机器学习的基础是什么?(0) -- 看树的老鼠

共:💬154 🌺509 🌵1
全看分页树展 · 主题 跟帖
家园 前科学阶段与科学阶段是量变到质变,不是对立

还是先跳出来说一句吧,我希望自己不是民科,但是我保证不了我说的代表学术界主流意见。因为我很少发现有什么论文去做这么长远的预测,毕竟没有太多证据,除非你是本领域最顶尖的人物,写了也发表不了。如果谁能找到相关的论文,欢迎分享。

我就是突然意识到机器学习能够发现的理论还处于前科学阶段,差不多就处于本草纲目的时代,知其然而不知其所以然。(机器学习领域自己的研究方法当然属于科学方法)

正如人类的认知逐渐从前科学阶段过渡到科学阶段,但基于同样的人脑结构。

所以我认为科学方法和前科学方法没有本质的区别。我觉得智能的本质就是用最简洁的理论最准确的解释现象。因果、严格逻辑、融贯性这些特点,都是人类发现的简化理论、提高精度的一些原则。但他们本身也是基于同样的人脑结构自动创造出来的。就好像人类语言相对于动物的音节,其实没有本质的变化,只是复杂性提高的自然结果。

但是,我相信机器学习会逐渐演化出科学方法的。而且我感觉现在的研究正在往这个方向走。通过外加一些非常抽象的原则,如奥卡姆剃刀、因果原则,引导机器智能往这个方向走。还有一个缺失的原则,我认为是融贯性。今天有人做multi objective optimization,有点这个意思了。但是模型复杂度还是很有限。如果学习理论没有进步,在今天的方法上简单的加上更多机器,是没什么希望的。

如果真到了那个阶段,机器做科研说不定会比人更强,毕竟人脑的尺寸有限,而机器的尺寸受到的限制要小的多。人类发现模式的能力其实很有限,所以实验必须做的简单又简单,人才能得出一些结论。但是机器的能力有可能更强。如witten1推荐的那篇文章,基于那些非实验环境下生成的数据,人其实不敢做决定的,但是机器敢。鸿乾曾经谈到每个研究机构配置一个智能机器,说不定真会有这么一天。

机器学习目前的相关性分析并不具备逻辑关系的推理总结能力,而现代计算机理论是逻辑的产物,那么相关性在概率达到很高时,是不是可以等同因果关系?

是的。如果我们能在机器学出来的网络中发现概率1(注意不是correlation=1,这是witten1推荐的那篇文章明确强调的,correlation!=因果),因果关系其实就出现了。比如之前我写过的那篇deep learning文章,有一个节点识别猫的精度到了70%,如果到了100%,我觉得就说明机器发现了一个定理。

所以,我猜测严格的逻辑不会是强加于概率逻辑(今天的机器学习对于概率的依赖很大)或者你说的相关性分析的另一个成分。很可能是我们外加了一些很抽象的原则,这些原则要求机器给出最简洁的模型(从能量损耗的角度来说,也许人脑就遵循这个原则),然后严格逻辑成为这个原则的一个必然结果。

科幻一点,也许曙光就在前头。

全看分页树展 · 主题 跟帖


有趣有益,互惠互利;开阔视野,博采众长。
虚拟的网络,真实的人。天南地北客,相逢皆朋友

Copyright © cchere 西西河