※ 引述《soaping (捡肥皂ing)》之铭言：
: 小鲁是文组啦
: 现在看到一堆人在吹捧人工智能阿 机器学习阿
: 只是觉得很好奇为啥一堆非本科系 没写过code的人也可以出来吹捧?
: 看内容比较像是他们自己的想像
: 根本就是把威尔史密斯的机械公敌拿出来说嘴
: 就像是现在一堆人拿excel说他们在做big data一样
: 现实中有在做这领域的专家or研究生真的觉得这东西很猛吗?
: 有看人家写说 到现在model跑的过程中发生什么事情无法得知
: 会跑什么东西出来也不知道 就像是创造了一个自己也不了解的东西
: 版上神人极多
: 有比较贴近真实的研究现况吗?
不是这样，“机器学习”就是一个“以前技术换上新引擎”，很久以前就有了
会说出“不晓得机器在干嘛，无法得知”只是一个噱头用语，让自己作得东西好像很厉害
机器学习的目的，用简单的形容就是“找到一组有史以来最棒的参数”
找到的方法，很简单，非常大量的尝试和错误（数十万GPU小时以上）
所以正确讲法不是“不晓得机器在干嘛”，而是“不晓得这组参数好在哪”
因为参数的数目太多层，每一层又太多个参数
举例来说，想像一个网球选手，每挥一次拍，在这不到两秒的动作中
动作被切割成“千微毫秒”，每“千微毫秒”都分配一百个体育专家去研究
各自研究好后，上百万组的体育专家，把结果统整起来成原来的两秒，在挥一次拍
如果没比较好，没关系在重来一次，我们的资源足够为了一次挥拍进行上兆次“尝试”
经过好几天，上百上千张的GPU运算后，终于产出的有史以来最好一组“挥拍参数”
要这么多参数的原因很简单，因为要达到“有史以来最好”的这个目的
把参数的数目一直提高，例如很简单的一个“找到黑色物体”这个动作
不需要任何科学性的“假设验证”，手法只是很粗糙的提高层数和数目
你就有可能就可以获得显著的进步，一个很甜的糖果，所以有能力负担硬件资源的大公司
这领域让他门不用累死人的研究，就能做出超越以往“传统方法”的科学
这阵子国外的学术界就在呼吁，是否要把硬件资源“公开化”
因为现在提出“又找到新的试参数玩法”的论文，有很多都是来自大公司的“数十万GPU小时论文”
这让传统学术圈或是学校，没有这种硬件资源去作到
归功于GPU的平行运算框架的普及（例如CUDA），这个以前乏人问津的旧技术
现在利用“天文次数的尝试和错误”正在延伸到各个领域“解决问题，并作到有史以来最好”
例如：医学，电脑视觉，自动驾驶，文本，翻译，法律，行为预测，气候预测...等等