雷锋网AI科技评论按：中国人工智能学会AIDL第二期【人工智能前沿讲习班】日前在北京中科院自动化所举行，本期讲习班的主题为【机器学习前沿】。北京大学教授王立威带来了题为《机器学习理论：回顾与展望》的主题报告，主要对机器学习中关于泛化能力的几个重要理论进行介绍。
北京大学教授王立威博士的主要研究领域集中于机器学习，在包括COLT, NIPS，JMLR, PAMI等权威会议期刊发表论文60余篇。2010年入选AI’s 10 to Watch，是首位获得该奖项的亚洲学者。2012年获得首届国家自然科学基金优秀青年基金，新世纪优秀人才。任NIPS等权威会议Area Chair，和多家学术期刊编委。在主题报告结束后，雷锋网AI科技评论与王教授做了短时间交流。
1. 您曾经指出，机器学习理论在于理解人工智能的局限性。结合您的研究经历，您认为人工智能现在能做什么？还不能做什么？可能的突破口又在哪里？
我觉得在过去几年，人工智能或者机器学习的发展已经把这个问题很好地展现了。现在做得很好的两个领域主要集中于图像和语音，由于深度神经网络的结构利用了先验知识，自然也非常适用于这两个领域。
当然，产业现在也发展得比较好，所以我认为未来短期内如果会有重大突破的话，更多的是在应用领域，找到和图像和语音相关的比较好的结合点，可能不是偏学术领域，而会是一个是偏商业化的方向。（AI科技评论：更好地产品化。）对，找到一个更好的应用。
2. 目前工业界开始出现与高校合作的趋势，前者提供数据和研发资金，后者提供研发支持，而往往这些研究都是应用导向的。您认为这样的合作会对理论研究产生怎样的影响？
我想举这么一个例子，就是产生很大影响的 AlphaGo。从最终展示出来的成果来看，我们可以认为，AlphaGo 是一个非常成熟的应用系统。而 Alpha Go 从最开始的想法到技术落地，同样很大地推动了学术的前进。比如 DeepMind，不论是从算法和理论上都有突破，这一点研究界也有目共睹。（工业界研究推动学术发展）同样也是很好的一个模式，我认为，将来工业界和高校的合作趋势也可以取得这样的一个成功。
3.现在云计算已经将计算力提升到一个以前不敢想象的高度，甚至已经远远高于样本的获取能力。那么构建样本会成为未来的研究重点吗？
数据其实是一个很大的问题，也牵扯到很多方面。我的一个考虑是，今天应用的比较成功的领域，包括图像和语音方面，实际上这些是属于非专业知识的数据，随便请一个人，一个普通人，就可以对图像或者语音进行标注。这类问题当然也有应用，但有很多相当一大类数据是属于专业数据，比如说医疗数据，这些只能让医生进行标注，它的成本实际上是很高的。
4. 此前与其它老师交流的时候，他们提及高校研究的数据量不够大的问题。那么从您个人的研究经验来看，数据对于算法而言处于怎样的地位？
我认为主要有两个方面。一种是应用，关注的是系统的最终性能，而数据对后者的影响是巨大的。当然高校是完全无法和企业相提并论的。但高校更重要的一个任务是，我能不能去设计新的更好的算法。我们并不是只停留在 Deep Learning 这样的算法上，就像我在演讲中提到的那样，也许两三年后，Deep Learning 也许就不是最好的，这完全有可能。那么这个新的算法该由谁来提供？我想这应该是高校教师的职责，是他的本职工作，researcher 就应该做这样的事情。所以我提出一个新的算法，未必要等到手里有巨大的数据量才开始做研究。
关于王教授及其他教授的主题报告，敬请期待雷锋网(公众号：雷锋网)的后续报道。
本文作者：奕欣
本文转自雷锋网禁止二次转载，原文链接
