深度学习是否以蛮力取胜？

摘要：第一条是关于深度学习的晚宴，讨论的是背后的数学支撑，以及未来的方向。大数据与深度学习是一种蛮力尽管当场说了很多观点，但是最核心的还是援引了爱因斯坦关于上帝的隐喻。不过，我自己并不同意深度学习必须等同于机器蛮力。

Vladimir Vapnik 介绍：

Vladimir Vapnik 被称为统计学习理论之父，他出生于俄罗斯，1990 年底移居美国，在美国贝尔实验室一直工作到 2002 年，之后加入了普林斯顿的 NEC 实验室机器学习研究组，同时任哥伦比亚大学特聘教授。2006 年，Vladimir 称为美国工程院院士。2014年 Vladimir Vapnik 加入 Facebook 人工智能实验室。Vladimir Vapnik 在机器学习上有很多奠基之作，例如 Vapnik–Chervonenkis 理论，Vladimir 是主要发明者。

Facebook 去年底挖来了一个机器学习大神 Vladimir Vapnik，他是统计学习理论和支持向量机的主要发明者。近日 Vladimir 在 Yandex（俄罗斯较大的搜索引擎公司）大会上发表了讲话，重点讨论了深度学习是否以蛮力取胜？

来自加利福尼亚大学圣地亚哥分校的 Zachary Chase Lipton 博士详细记录了会议内容，并整理成文章如下：

上周，我来到柏林参加机器学习：展望和应用大会。这个大会由 Yandex（俄罗斯较大的搜索引擎公司）举办，主要谈了 Deep Learning 和 Intelligent Learning 两个问题，它们经常作为对比的概念出现。

虽然我自己也是演讲者之一，但是整个会议的高潮部分，还是关于深度学习的方法论，其中经验主义和数学推理中的矛盾部分。

第一条是关于深度学习的晚宴，讨论的是背后的数学支撑，以及未来的方向。问题包括了模型的可解释性和医疗领域的应用。到了周三晚上，Vladimir Vapnik 也参与了讨论，说的是知识如何在不同的个体之间传递。Vladimir 的哲学观横跨了机器学习、数学和智能的源头，并且挑战了深度学习的方法论，这很有争议。

其实在今年夏天，我就写文章说机器学习的成功，是大数据时代经验主义的胜利。在里面我强调说，过度去拟合数据，虽然能在真实数据中得到检验，但里面会有很大风险，至少比基于数学推理建立的系统风险大得多。在这次会议中，我听到了 Vladimir 在这方面的观点。

为了避免混淆视听，我得强调：我是一个深度学习的实践者。我个人并不否认深度学习，而且对它的先行者和火炬手充满尊敬。但我也同样相信，我们应该对深度学习的可能性抱有开放性的态度：

即会有一些数学模型，能够更好的指明未来发展方向，开启新的方法论。

很显然，当我们去咀嚼和消化这些观点的时候，能够得到很大的价值。

大数据与深度学习是一种蛮力？

尽管 Vapnik 当场说了很多观点，但是最核心的还是援引了爱因斯坦关于上帝的隐喻。简单的说，Vapnik 假设了一个理论，想法和直觉要么来自上帝，要么出自魔鬼。而区别在于，上帝是智慧的，而魔鬼往往不是。

在作为数学家和机器学习研究和践行者的生涯中，Vapnik 得出了一个结论：魔鬼往往来自于蛮力（ Brute Force）。进一步说，如果承认深度学习系统在解决问题时不可思议的表现，那么大数据和深度学习，都有某种蛮力的味道。

（这时候一名观众提问：进化是否来自于蛮力？但 Vapnik 以不喜欢猜测为由拒绝给出回答。）

不过，我自己并不同意深度学习必须等同于机器蛮力。我们如今也能看到对于大数据的观点争论，其中 Vapnik 和 Nathan Intrator 教授就说，小孩不需要几亿的标签样本以完成学习。虽然有大量带有标签的数据时，学习会成为一件比较容易的事，但如果依赖这样的方法，我们就错失了自然界中关于学习的基本原理。

也许，真正的学习只需要数百样本，而我们现在却只有非常大的数据量才能完成学习。如果我们不去探寻学习的本质，那就说屈从于懒惰。

深度学习还是深度工程？

我们现在的深度学习并非科学。确切的说，机器学习和核心任务是理解计算本身，而现在的方法和它有所背离。这就好比任务是制造小提琴，而我们扮演的角色不过是小提琴演奏者，虽然也能创作美妙的音乐，也有演奏的直觉，但我们并不知道小提琴如何创造出音乐。

进一步说，很多深度学习实践者，他们对数据和工程有很好的感觉，但其实不知道里头是怎么回事。所以在目前的深度学习方法中，参数的调节方法依然是一门“艺术”，而非“工艺”。

在算法和模型上，我们是否能发明所有东西？

Vapnik 认为，在机器学习的算法和模型上，我们并不能发明所有东西。他坚持向现场观众说，他自己并没有如此的聪明才智，以完成这些算法模型的发明。（这似乎也在暗示，其他人也没有那么聪明，去发明这些玩意）

按照 Vapnik 的意思，我们在机器学习上发明的东西是微不足道的。真正重要的东西，来自于我们对数学本质的理解。就深度学习来说，模型经常被发明出来，品牌化并申请专利，但这些相比于真正由数学驱动的机器学习，就显得很一般了。

相关性科学和因果性科学

关于深度学习的反思，来自纽约州立大学的顾险峰教授也有很多理解。前些时间顾险峰教授给新智元投稿，谈到了机器学习研究范式的变迁，以及背后不足的地方。

顾险峰认为，深度学习方法深刻地转变了学术研究的范式。以前学者们所采用的观察现象，提炼规律，数学建模，模拟解析，实验检验，修正模型的研究套路被彻底颠覆，被数据科学的方法所取代：收集数据，训练网络，实验检验，加强训练。

在深度学习新方法下，严格的数学推理缺失了。比如说地图四色定理的证明，数学家将平面图的构型分成 1936 种，然后用计算机逐一验证。当然在足够的算力下，这可以证明地图四色定理。但是在这个过程中：

没有新颖概念提出，换言之，机械蛮力代替了几何直觉。

而在数学历史上，对于一个著名猜想的证明和解答，答案本身并不重要，在寻找证明的过程中所凝练的概念，提出的方法，发展的理论才是真正目的所在。机械定理证明验证了命题的真伪，但是无法明确地提出新的概念和方法，实质上背离了数学的真正目的。

所以说，这是一种“相关性”而非“因果性”的科学。历史上，人类积累科学知识，在初期总是得到“经验公式”，但是最终还是寻求更为深刻本质的理解。例如从炼丹术到化学，量子力学的发展历程。

人类智能更为独特之处也在于数学推理，特别是机械定理证明，对于这一点机器学习方法是无能为力的。当人的数学推理缺失的时候，仅仅依靠机器蛮力，就会遇到很大的制约。