左起：微软研究员Robert Schapire，John Langford，Alekh Agarwal，Siddhartha Sen，Jennifer Wortman Vaughan。摄影：John Brecher

当Robert Schapire在30年前作为研究生开始攻读理论机器学习，该领域是如此模糊，以至于现在已经跻身国际一流研讨会的2016/1207/180166.html">NIPS，在当时只是一个小规模工作坊，连研究生都长期被排除在外。

今天，虽然机器学习仍然算不上家喻户晓的热门话题，但它已经成为计算机科学最热门的领域之一，把曾经身份模糊的学术聚会，例如正在西班牙巴塞罗那举办的神经信息处理系统年会——2016/1207/180166.html">NIPS 2016，变成一票难求、数千名来自顶级公司和学术机构的计算机科学家争相出席的行业盛会。

微软纽约研究院首席研究员Schapire表示：“在我的有生之年看到该领域的长足发展，看到许多事情由不可能变为可能，这简直太了不起了。”Schapire的机器学习研究在该领域被广泛采用。

本周一拉开帷幕的NIPS大会之所以备受瞩目，是因为机器学习已迅速成为开发消费者和企业所需、所想、所爱的技术的不可或缺的一个工具。以机器学习为基础的技术可以做实时语音翻译（如Skype Translator）、帮助医生读取医疗影像，甚至还能识别人的面部情绪。机器学习还能帮助你把垃圾邮件从收件箱中清除出去并提醒你完成每天的任务。

　　著名AI研究员Robert Schapire。摄影：John Brecher

这与Schapire早年求学时代相比大相径庭。Schapire还记得，当时类似让计算机准确读取手写数字的任务已经算是难题。Schapire表示：“从最基本的问题入手，我们一点一点从头创建这个领域 。目前机器学习已经适用于大量问题了。这确实让人惊喜。”

研究人员表示，一路走来，该领域得益于那些梦想能够获得重大突破，从而让现实世界受益的人们，例如：开发像人类一样准确地识别对话中的单词的技术。微软纽约研究院的研究员Alekh Agarwal表示：“不知道为什么，atv，机器学习领域一直非常幸运，我们拥有杰出的理论学家，他们对事物有非常实际的观点。”

　　普及机器学习

Schapire、Agarwal Agarwal、他们在微软纽约研究院的同事们以及世界各地的同行均认为，这只是开始。通过他们在NIPS以及其它场合展示的研究成果，他们正在研究用各种方式让机器学习能够被更多人所用、变得更加平易近人。

微软研究员表示，他们正站在普及机器学习的最前沿，要让没有机器学习背景的开发者和工程师都能更轻松地充分利用这些技术新突破。他们正努力寻求各种方式与大众分享这些系统的好处。

微软纽约研究院首席研究员John Langford表示：“机器学习历来是这样一个领域：如果你没有博士学位，你可能完全没头绪，然而即使你有了博士学位，你可能仍然毫无头绪。我们正在努力让那些没有太多机器学习专业知识的程序员也能充分利用这些技术。”

　　John Langford正在为普及机器学习而努力。摄影：John Brecher

机器学习之所以有用，一部分原因在于它能帮助人们对几乎任何事进行预测，从为某个任务需要部署多少台服务器到推测人们可能想要阅读哪些新闻报道无所不包。Langford最近的一个项目就是，创建能够通过应用强化学习和结构化学习而系统性消除常见数据错误的系统，进而降低多项预测的难度。

借助强化学习，研究人员希望让系统通过试错来找到完成任务的方法。例如，一个程序可能通过一遍又一遍的自我对弈学到如何在西洋双陆棋中取胜，在许多次对弈过程中分辨出有效和无效的招数。在做这些决策的过程中，该系统几乎不会获得外部指导。相反，它在初始阶段做出的决策会影响它今后如何取得成功。

强化学习对应的是监督学习，监督学习是指系统由于接收更多相关数据而得以将事情做得更好。例如，一个监督学习工具可以通过浏览一个包含大量不同面孔的训练集而学会识别照片中的面孔。

　　协助决策