摘要：第一條是關于深度學習的晚宴，討論的是背后的數學支撐，以及未來的方向。大數據與深度學習是一種蠻力盡管當場說了很多觀點，但是最核心的還是援引了愛因斯坦關于上帝的隱喻。不過，我自己并不同意深度學習必須等同于機器蠻力。

Vladimir Vapnik 介紹：

Vladimir Vapnik 被稱為統計學習理論之父，他出生于俄羅斯，1990 年底移居美國，在美國貝爾實驗室一直工作到 2002 年，之后加入了普林斯頓的 NEC 實驗室機器學習研究組，同時任哥倫比亞大學特聘教授。2006 年，Vladimir 稱為美國工程院院士。2014年 Vladimir Vapnik 加入 Facebook 人工智能實驗室。Vladimir Vapnik 在機器學習上有很多奠基之作，例如 Vapnik–Chervonenkis 理論，Vladimir 是主要發明者。

Facebook 去年底挖來了一個機器學習大神 Vladimir Vapnik，他是統計學習理論和支持向量機的主要發明者。近日 Vladimir 在 Yandex（俄羅斯較大的搜索引擎公司）大會上發表了講話，重點討論了深度學習是否以蠻力取勝？

來自加利福尼亞大學圣地亞哥分校的 Zachary Chase Lipton 博士詳細記錄了會議內容，并整理成文章如下：

上周，我來到柏林參加機器學習：展望和應用大會。這個大會由 Yandex（俄羅斯較大的搜索引擎公司）舉辦，主要談了 Deep Learning 和 Intelligent Learning 兩個問題，它們經常作為對比的概念出現。

雖然我自己也是演講者之一，但是整個會議的高潮部分，還是關于深度學習的方法論，其中經驗主義和數學推理中的矛盾部分。

第一條是關于深度學習的晚宴，討論的是背后的數學支撐，以及未來的方向。問題包括了模型的可解釋性和醫療領域的應用。到了周三晚上，Vladimir Vapnik 也參與了討論，說的是知識如何在不同的個體之間傳遞。Vladimir 的哲學觀橫跨了機器學習、數學和智能的源頭，并且挑戰了深度學習的方法論，這很有爭議。

其實在今年夏天，我就寫文章說機器學習的成功，是大數據時代經驗主義的勝利。在里面我強調說，過度去擬合數據，雖然能在真實數據中得到檢驗，但里面會有很大風險，至少比基于數學推理建立的系統風險大得多。在這次會議中，我聽到了 Vladimir 在這方面的觀點。

為了避免混淆視聽，我得強調：我是一個深度學習的實踐者。我個人并不否認深度學習，而且對它的先行者和火炬手充滿尊敬。但我也同樣相信，我們應該對深度學習的可能性抱有開放性的態度：

即會有一些數學模型，能夠更好的指明未來發展方向，開啟新的方法論。

很顯然，當我們去咀嚼和消化這些觀點的時候，能夠得到很大的價值。

大數據與深度學習是一種蠻力？

盡管 Vapnik 當場說了很多觀點，但是最核心的還是援引了愛因斯坦關于上帝的隱喻。簡單的說，Vapnik 假設了一個理論，想法和直覺要么來自上帝，要么出自魔鬼。而區別在于，上帝是智慧的，而魔鬼往往不是。

在作為數學家和機器學習研究和踐行者的生涯中，Vapnik 得出了一個結論：魔鬼往往來自于蠻力（ Brute Force）。進一步說，如果承認深度學習系統在解決問題時不可思議的表現，那么大數據和深度學習，都有某種蠻力的味道。

（這時候一名觀眾提問：進化是否來自于蠻力？但 Vapnik 以不喜歡猜測為由拒絕給出回答。）

不過，我自己并不同意深度學習必須等同于機器蠻力。我們如今也能看到對于大數據的觀點爭論，其中 Vapnik 和 Nathan Intrator 教授就說，小孩不需要幾億的標簽樣本以完成學習。雖然有大量帶有標簽的數據時，學習會成為一件比較容易的事，但如果依賴這樣的方法，我們就錯失了自然界中關于學習的基本原理。

也許，真正的學習只需要數百樣本，而我們現在卻只有非常大的數據量才能完成學習。如果我們不去探尋學習的本質，那就說屈從于懶惰。

深度學習還是深度工程？

我們現在的深度學習并非科學。確切的說，機器學習和核心任務是理解計算本身，而現在的方法和它有所背離。這就好比任務是制造小提琴，而我們扮演的角色不過是小提琴演奏者，雖然也能創作美妙的音樂，也有演奏的直覺，但我們并不知道小提琴如何創造出音樂。

進一步說，很多深度學習實踐者，他們對數據和工程有很好的感覺，但其實不知道里頭是怎么回事。所以在目前的深度學習方法中，參數的調節方法依然是一門“藝術”，而非“工藝”。

在算法和模型上，我們是否能發明所有東西？

Vapnik 認為，在機器學習的算法和模型上，我們并不能發明所有東西。他堅持向現場觀眾說，他自己并沒有如此的聰明才智，以完成這些算法模型的發明。（這似乎也在暗示，其他人也沒有那么聰明，去發明這些玩意）

按照 Vapnik 的意思，我們在機器學習上發明的東西是微不足道的。真正重要的東西，來自于我們對數學本質的理解。就深度學習來說，模型經常被發明出來，品牌化并申請專利，但這些相比于真正由數學驅動的機器學習，就顯得很一般了。

相關性科學和因果性科學

關于深度學習的反思，來自紐約州立大學的顧險峰教授也有很多理解。前些時間顧險峰教授給新智元投稿，談到了機器學習研究范式的變遷，以及背后不足的地方。

顧險峰認為，深度學習方法深刻地轉變了學術研究的范式。以前學者們所采用的觀察現象，提煉規律，數學建模，模擬解析，實驗檢驗，修正模型的研究套路被徹底顛覆，被數據科學的方法所取代：收集數據，訓練網絡，實驗檢驗，加強訓練。

在深度學習新方法下，嚴格的數學推理缺失了。比如說地圖四色定理的證明，數學家將平面圖的構型分成 1936 種，然后用計算機逐一驗證。當然在足夠的算力下，這可以證明地圖四色定理。但是在這個過程中：

沒有新穎概念提出，換言之，機械蠻力代替了幾何直覺。

而在數學歷史上，對于一個著名猜想的證明和解答，答案本身并不重要，在尋找證明的過程中所凝練的概念，提出的方法，發展的理論才是真正目的所在。機械定理證明驗證了命題的真偽，但是無法明確地提出新的概念和方法，實質上背離了數學的真正目的。

所以說，這是一種“相關性”而非“因果性”的科學。歷史上，人類積累科學知識，在初期總是得到“經驗公式”，但是最終還是尋求更為深刻本質的理解。例如從煉丹術到化學，量子力學的發展歷程。

人類智能更為獨特之處也在于數學推理，特別是機械定理證明，對于這一點機器學習方法是無能為力的。當人的數學推理缺失的時候，僅僅依靠機器蠻力，就會遇到很大的制約。