理论计算机科学家 Boaz Barak：深度学习并非“简单的统计”，二者距离已越来越远(2)

1992 年，Stuart Geman、Elie Bienenstock 和 Rene Doursat 共同写了一篇题为“Neural Networks and the Bias/Varian Dilemma”的论文，其中谈到一些悲观的看法，例如，“当前的前馈神经网络，在很大程度上不足以解决机器感知和机器学习中的难题”；具体来说，他们认为通用神经网络无法成功解决困难的任务，神经网络成功的唯一途径是通过手工设计特征。用他们的话来说，即是：“重要的特征必须是内置的或‘硬连线的’(hard-wired）……而不是通过统计的方法来学习。” 事后看来，他们的观点完全错了。而且，现代神经网络的架构如 Transformer 甚至比当时的卷积网络更通用。但理解他们犯错的背后原因是很有趣的。 我认为，他们犯错的原因是 深度学习确实与其他学习方法不同。 一个先验的现象是：深度学习似乎只是多了一个预测模型，像最近的邻居或随机森林。它可能有更多的“旋钮”（knobs），但这似乎是数量上而不是质量上的差异。用 PW Andreson 的话来说，就是“more is different”（多的就是不同的）。 在物理学中，一旦规模发生了几个数量级的变化，我们往往只需要一个完全不同的理论就可以解释，深度学习也是如此。事实上 ，深度学习与经典模型（参数或非参数）的运行过程是完全不同的， 即使从更高的角度看，方程（和 Python 代码）看起来相同。 为了解释这一点，我们来看两个非常不同例子的学习过程： 拟合统计模型，与教学生学习数学。