二十年后机器学习会是什么样子

机器学习从现在起15到20年后会是什么样子?最初出现在Quora：获取和分享知识的地方，使人们能够向他人学习并更好地了解世界。机器学习是一个非常快速发展的领域，因此很难在6个月后对现有技术进行预测，更不用说15到20年了。但是，我可以根据我现在看到的情况提供一系列有根据的猜测。

当前一代的机器学习系统距离可以合法称为人工“智能”的东西还很遥远。我们现在拥有的系统在大量数据的模式识别方面非常出色(甚至强化学习系统主要是记忆和识别在训练期间运作良好的模式)。这当然是必要的一步，但距离智能系统还很远。与人类认知类比，我们现在所拥有的类似于潜意识过程，当您的周边视觉检测到捕食者接近或前一个重要的其他转弯时，允许您的交感神经系统瞬间激活 - 换句话说，基于模式，半自动的决定，我们的大脑“硬件”。

传统节目不会消失。

我有时会听到大多数传统节目将被机器学习系统取代的说法。我对这一主张持高度怀疑态度，部分原因是前一点的必然结果，但更普遍的原因是绝大多数任务都不需要机器学习。机器学习在处理现实世界的混乱，可用的大量数据以及没有合理的基本模型的情况下表现优异。如果其中任何一个都不成立，那么您通常不必满足于机器学习模式 - 传统的替代方案是优越的。一个有趣的方式来思考它是人类是最先进的自然通用情报，但我们发明了计算机来做某些我们太慢的特殊任务。我们为什么要期望人工智能有所不同?

机器学习将增加大多数传统任务。

话虽如此，只要其中一个传统系统需要与人交互，就有机会进行基于机器学习的扩充。例如，查看错误消息的程序员可以使用机器学习系统来查看错误消息并建议一个操作过程。计算机比人类更耐心。你不能让人类观看数百万小时的编程会话来记住问题的常见解决方案，但是你可以让机器学习系统做同样的事情。此外，机器学习系统可以非常快速地在全球范围内从大量数据中学习(如果机器学习系统的任何实例遇到过特定情况，它几乎可以立即在全球范围内共享这些知识，不限于人类交流的速度)。我认为我们还没有开始意识到这种影响，但我们可能会在5到10年后再看到它。

我们会从小型或嘈杂的数据中学习。

目前，机器学习系统大多需要大量相对干净，精选的数据集。存在各种有希望的方法来在一个或另一个方向上放松该要求(或者小的，精心策划的数据集的组合以开始更大的更嘈杂的数据集合)。我希望这些在不久的将来能够完善。

我们将看到ML系统与传统方法相结合。

目前，看到完全由神经网络试图解决端到端问题的ML系统似乎相当普遍。这通常可以正常工作，因为您可以从这些构建博客中恢复许多传统的信号处理技术(例如傅立叶变换，边缘检测，分割等)，但这些变换的学习版本在计算上可能比基础方法更加昂贵。看到这些原语有点回归(作为神经网络架构的一部分)，我不会感到惊讶。同样，我对基于物理的ML方法感到非常兴奋，在这种方法中，您将神经网络与基础物理模型的知识相结合