任何致力于將機(jī)器學(xué)習(xí)應(yīng)用于現(xiàn)實(shí)世界問題的研究人員都可能會(huì)收到這樣的答復(fù)：“作者提出了針對(duì)原始且具有高度動(dòng)機(jī)的問題的解決方案，但這是一種應(yīng)用，對(duì)于機(jī)器來說，其意義似乎是有限的，學(xué)習(xí)社區(qū)?！?/p>

這些話直接來自對(duì)我提交給NeurIPS（神經(jīng)信息處理系統(tǒng)）會(huì)議（機(jī)器學(xué)習(xí)研究的頂級(jí)場所）的論文的評(píng)論。我在論文的評(píng)論中一再看到這種限制，我和我的合著者提出了一種受應(yīng)用程序啟發(fā)的方法，而且我也聽到過無數(shù)其他人的類似故事。

這讓我感到奇怪：如果社區(qū)認(rèn)為以機(jī)器學(xué)習(xí)解決高影響力的現(xiàn)實(shí)世界問題的意義有限，那么我們要努力實(shí)現(xiàn)什么？

人工智能（pdf）的目標(biāo)是推動(dòng)機(jī)器智能的前沿。在機(jī)器學(xué)習(xí)領(lǐng)域，新穎的開發(fā)通常意味著新的算法或過程，或者在深度學(xué)習(xí)的情況下，意味著新的網(wǎng)絡(luò)體系結(jié)構(gòu)。正如其他人所指出的那樣，這種對(duì)新穎方法的過度關(guān)注導(dǎo)致論文泛濫成災(zāi)，這些論文報(bào)告了基準(zhǔn)數(shù)據(jù)集的邊際或增量改進(jìn)，并且隨著研究人員爭奪排行榜的頭銜而出現(xiàn)了獎(jiǎng)學(xué)金不足（pdf）。

同時(shí)，許多描述新應(yīng)用的論文都提出了新穎的概念和高影響力的結(jié)果。但是，即使是“申請(qǐng)”一詞的暗示，也似乎使審稿人看不慣論文。結(jié)果，這樣的研究在主要會(huì)議上被邊緣化了。他們的作者唯一真正的希望是讓他們的論文在研討會(huì)上被接受，而這些研討會(huì)卻很少受到社區(qū)的關(guān)注。

這是一個(gè)問題，因?yàn)闄C(jī)器學(xué)習(xí)在促進(jìn)健康，農(nóng)業(yè)，科學(xué)發(fā)現(xiàn)等方面具有廣闊的前景。黑洞的第一個(gè)圖像是使用機(jī)器學(xué)習(xí)生成的。蛋白質(zhì)結(jié)構(gòu)的最準(zhǔn)確預(yù)測(cè)是藥物發(fā)現(xiàn)的重要步驟，它是使用機(jī)器學(xué)習(xí)進(jìn)行的。如果該領(lǐng)域的其他人優(yōu)先考慮現(xiàn)實(shí)世界的應(yīng)用程序，那么到現(xiàn)在我們還會(huì)做出哪些突破性的發(fā)現(xiàn)？

這不是新的啟示。引用美國宇航局計(jì)算機(jī)科學(xué)家Kiri Wagstaf f的經(jīng)典論文“重要的機(jī)器學(xué)習(xí)”（pdf）：“當(dāng)前的許多機(jī)器學(xué)習(xí)研究都與廣泛的科學(xué)和社會(huì)的引入問題失去聯(lián)系?！?瓦格斯塔夫（Wagstaff）發(fā)表論文的同一年，一個(gè)名為AlexNet的卷積神經(jīng)網(wǎng)絡(luò)贏得了以流行的ImageNet數(shù)據(jù)集為中心的備受矚目的圖像識(shí)別競賽，這引起了對(duì)深度學(xué)習(xí)的興趣激增。不幸的是，自那以后，她描述的脫節(jié)似乎變得更加嚴(yán)重。

錯(cuò)誤的問題

邊緣化應(yīng)用研究具有真正的意義?；鶞?zhǔn)數(shù)據(jù)集（例如ImageNet或COCO）是推進(jìn)機(jī)器學(xué)習(xí)的關(guān)鍵。它們使算法能夠在相同數(shù)據(jù)上進(jìn)行訓(xùn)練和比較。但是，這些數(shù)據(jù)集包含可以建立到結(jié)果模型中的偏差。