深度学习：工程科学还是自然科学？

Facebook AI 研究总监 Yann LeCun 近日在普林斯顿高等研究所进行了一次演讲，题为《深度学习认识论》，重点讨论了深度学习思想的早期历史和动态，强调理论理解在深度学习研究中的重要意义。

更好的理论理解，将有助于深度学习研究的发展。

近日，Facebook AI 研究总监 Yann LeCun 在普林斯顿高等研究所进行了一次演讲，题为《深度学习认识论》(The Epistemology of Deep Learning)，重点讨论了深度学习思想的早期历史和动态。

LeCun 认为，深度学习在一定程度上是一门 “工程科学”，我们通过理论洞见、直觉、灵感和经验探索来创造新的工件。但是理解深度学习在一定程度上是 “物理科学”，需要理解这个工件的一般属性。

科学和威廉希尔官方网站 的历史有很多威廉希尔官方网站 工件先于理论理解的例子：透镜的发明在光学理论之前，蒸汽机的发明在热力学之前，飞机在空气动力学之前，无线电通信再信息理论之前，可编程计算器在计算机科学之前。

LeCun 演讲的两个要点是：

(1) 经验主义是一种完全合适的研究方法，尽管它效率低下；

(2) 我们面临的挑战是为学习和智能开发一种理论，对应于蒸汽机的热力学理论。

有了理论基础，即使只是概念上的基础，也将大大加快该领域的研究进展，但必须认识到一般理论的实际影响有限。

深度学习：工程科学还是自然科学？

2017 年 Ali Rahimi 在 NIPS 的演讲中批判深度学习是 “炼金术”（Alchemy），引起机器学习界大讨论。当时反驳他的代表、深度学习领军人物 Yann LeCun 在自己的主页上回应 Ali，说自己完全不同意 Ali 的说法。

LeCun 表示，那次大争论很有意思，但他认为 Ali Rahami 混淆了两个概念，即 “炼金术” 和 “工程”。Ali 所指的 “炼金术” 实际上是工程学。

炼金术 & 工程

工程科学是关于发明新工件 (new artifacts) 的，你有很多方法可以用来发明新东西。比如望远镜、蒸汽机、电磁体、飞机、无线电等新发明，显然有方法被用来创造它们。这是一种创造性的活动，其方法如创造、直觉、探测、实验等等。如果我们对这些现象有一些理论上的理解，这些发明创造显然能够更加高效。

这与今天的神经科学也有相似之处。神经科学是关于发现、学习和解释现象的，其方法如在控制条件下的可复现实验、数学、统计学、系统性实验等，同样也由理论性、概念性和直觉理解所指导。

而理论往往是在发明之后构建起来的，比如：透镜的发明在光学理论之前，蒸汽机的发明在热力学之前，飞机在空气动力学之前，无线电通信再信息理论之前，可编程计算器在计算机科学之前。

如此，现代世界的种种神奇在人们完全理解它们之前就已经被发明出来了。这和我们告诉学生的故事有些不同，我们会告诉他们去做数学运算，要理解所有的理论，只有这样你才能利用那些理论去发明东西。但现实从来不是这样。

来自大脑的启发

上面这张 PPT 展示了深度学习的根源，即启发了深度学习的一些理论。

McCulloch & Pitts (1943) : 二元神经元网络可以做逻辑运算

Donald Hebt (1947) : Hebbian 发现突触可塑性的基本机制（赫布理论）

Norbert Wiener (1948) ：控制论，最佳滤波器，反馈，自动生成，自动组织

Frank Rosenblatt (1957): 感知机

今天的 AI 大部分是监督学习

其运作方式是：向系统提供样本以训练机器，而非直接编程。

当输出错误时，则调整参数。

这是模式识别的一个标准范式

从 1969 到 1985 年，是深度学习的第一个 “冬天”。当时提出的多层网络并不学习，原因包括使用了错误的 “神经元”，而二元神经元阻碍了人们往 gradient-based 的方法去想。

不过到 80 年代早期，出现了神经网络的第二次热潮。当时提出了 Hopfield nets、玻尔兹曼机。到 1985/86 年，反向传播 (Backprop) 出现了，深度学习迎来转机。

来自生物学的启发

深度学习为什么需要理论

理论是好东西，因为它使得实验有效。

理论允许我们修补、完善经验。一些理论甚至能让我们预测现象。

多层神经网络和深度学习

卷积网络启发自视觉皮层

卷积网络能够识别多个物体

其中，所有层都是卷积的，神经网络同时进行分割和识别。

80、90 年代时的神经网络硬件

深度学习的第二个冬天

1996~2006 年的 10 年间，是神经网络的第二个冬天。这期间，很少有团队能够训练大型神经网络。

原因有很多

硬件在浮点计算方面很慢

数据稀缺，数据成本昂贵，而神经网络是数据饥渴性的

交互式的软件工具必须从头开始构建

在互联网时代之前，开源并不常见

学习理论

理论可能会限制我们的创造性思维