在最近几个月里,我和不同专业的老师交流,甚至是和一些看似毫不相关的专业的老师闲聊,讨论了一些关于深度学习、机器学习的应用的可能性。当我们谈到各自专业研究问题与深度学习的结合点时,我逐渐发现,只要能够明确具体的研究问题所涉及的知识空间,我们几乎都可以构思出利用机器学习技术来进行探索的方式和方法。
这让我思考了一个问题:“为什么很多领域的具体研究问题,特别是一些较为艰难的问题,实际上它往往是涉及一个较大和难以处理的待探索的知识空间?”这个知识空间的广度,对于现有的传统研究技术和手段来说,几乎是不可能进行遍历的。我们往往只能靠运气或者直觉来推进。有些人可能会说,他们可以依靠更为先进的技术来缩小这样一个知识空间。但实际上,即使我们能根据自己的专业水平来画一个更小的圈,我们却永远无法回避对深度的渴望。而这样一个深度,往往决定了这个立体的知识空间的大小。科研人员的欲望,就是这个待探索知识空间的大小。对于一个还算不错的研究者来说,他下一步所从事的科研工作,永远是他一个竭尽全力的大挑战。
那么如何应对这样一个巨大而复杂的知识空间呢?我认为这正是现在机器学习技术所具有的非常好的优势所在。机器学习可以帮助我们发现知识空间中隐藏或者未知的规律和模式,可以提供我们更多的线索和方向,可以增强我们对数据和现象的理解和解释。而要实现机器学习与我们所探索的科学问题之间有效地衔接,我觉得可能需要遵循以下一个技术思想:
“把研究问题所涉及到的知识空间转化为一个巨大而丰富的数据库;而不要过分拘泥于人类现有知识能否理解或者解释这样一个数据库!”
转载本文请联系原作者获取授权,同时请注明本文来自李剑超科学网博客。
链接地址:https://wap.sciencenet.cn/blog-3244891-1403020.html?mobile=1
收藏