任何致力于將機器學習應用于現(xiàn)實世界問題的研究人員都可能會收到這樣的答復：“作者提出了針對原始且具有高度動機的問題的解決方案，但這是一種應用，對于機器來說，其意義似乎是有限的，學習社區(qū)。”

這些話直接來自對我提交給NeurIPS（神經(jīng)信息處理系統(tǒng)）會議（機器學習研究的頂級場所）的論文的評論。我在論文的評論中一再看到這種限制，我和我的合著者提出了一種受應用程序啟發(fā)的方法，而且我也聽到過無數(shù)其他人的類似故事。

這讓我感到奇怪：如果社區(qū)認為以機器學習解決高影響力的現(xiàn)實世界問題的意義有限，那么我們要努力實現(xiàn)什么？

人工智能（pdf）的目標是推動機器智能的前沿。在機器學習領域，新穎的開發(fā)通常意味著新的算法或過程，或者在深度學習的情況下，意味著新的網(wǎng)絡體系結構。正如其他人所指出的那樣，這種對新穎方法的過度關注導致論文泛濫成災，這些論文報告了基準數(shù)據(jù)集的邊際或增量改進，并且隨著研究人員爭奪排行榜的頭銜而出現(xiàn)了獎學金不足（pdf）。

同時，許多描述新應用的論文都提出了新穎的概念和高影響力的結果。但是，即使是“申請”一詞的暗示，也似乎使審稿人看不慣論文。結果，這樣的研究在主要會議上被邊緣化了。他們的作者唯一真正的希望是讓他們的論文在研討會上被接受，而這些研討會卻很少受到社區(qū)的關注。

這是一個問題，因為機器學習在促進健康，農(nóng)業(yè)，科學發(fā)現(xiàn)等方面具有廣闊的前景。黑洞的第一個圖像是使用機器學習生成的。蛋白質(zhì)結構的最準確預測是藥物發(fā)現(xiàn)的重要步驟，它是使用機器學習進行的。如果該領域的其他人優(yōu)先考慮現(xiàn)實世界的應用程序，那么到現(xiàn)在我們還會做出哪些突破性的發(fā)現(xiàn)？

這不是新的啟示。引用美國宇航局計算機科學家Kiri Wagstaf f的經(jīng)典論文“重要的機器學習”（pdf）：“當前的許多機器學習研究都與廣泛的科學和社會的引入問題失去聯(lián)系。” 瓦格斯塔夫（Wagstaff）發(fā)表論文的同一年，一個名為AlexNet的卷積神經(jīng)網(wǎng)絡贏得了以流行的ImageNet數(shù)據(jù)集為中心的備受矚目的圖像識別競賽，這引起了對深度學習的興趣激增。不幸的是，自那以后，她描述的脫節(jié)似乎變得更加嚴重。

錯誤的問題

邊緣化應用研究具有真正的意義。基準數(shù)據(jù)集（例如ImageNet或COCO）是推進機器學習的關鍵。它們使算法能夠在相同數(shù)據(jù)上進行訓練和比較。但是，這些數(shù)據(jù)集包含可以建立到結果模型中的偏差。