1月22日，由哈佛大学应用计算科学研究所（IACS）主办的“数据科学的前沿发现”（Data Science at the Frontier of Discovery）主题研讨会在哈佛大学科学中心举行，来自机器学习和计算科学领域的学者分享了数据科学领域的新进展，并对机器学习（machine learning）、人工智能（AI）、深度学习（deep learning）等数据科学问题进行了深入研讨。

　　当前，机器学习几乎已渗入到人类科研的各领域，其协助解决的科研项目与人类生活息息相关。谷歌洪水预报计划研究工程师萨拉·内沃（Sella Nevo）表示，目前洪水预测系统已被证明可以显著地降低由洪水导致的人口死亡率，其中需要大量的手动校准工作，而机器学习可以帮助科研人员建立有效的预测系统。特别是在发展中国家，机器学习可以更好地为洪水预报系统解决核心问题，比如在水力建模、远程排放估算和水文模拟等方面。谷歌洪水预报计划旨在为洪水灾害严重的发展中国家提供可扩展的高精度、高分辨率洪水预报和警报系统，并计划在全球范围内广泛应用。

　　哈佛大学物理系助理教授科拉·德沃金（Cora Dvorkin）介绍了如何用计算机建模来重建大规模宇宙结构以及重现宇宙细节的问题。她认为，未来的宇宙学将是“数据驱动”的宇宙学，机器学习将在解决宇宙学的一些关键问题上发挥重要作用。

　　康奈尔大学物理系副教授金殷恩（Eun-ah Kim）从量子物理的角度分享了自己对机器学习的看法。她认为，量子领域需要大量数据科学的支持，比如在量子力学成像、分析多体系模拟数据、处理复杂性数据方面，机器学习展现出极大优势。

　　谷歌医学项目研究总监菲利普·尼尔森（Philip Nelson）表示，数据科学在医学领域显微图像处理中的应用，可以帮助医生“看到更多”；此外，人工智能在医学领域展现出的深度学习能力将有望帮助医务工作者更好地“照顾”病人，如深入了解病人情感（是否孤独等），评价病人用药历史并预测康复过程中可能出现的情况，以此建立更全面的病例档案系统。

　　希腊克里特大学（University of Crete）物理系研究人员G. P. 特斯荣尼斯（G. P. Tsironis）表示，虽然机器学习可以大大提高效率，但在具体的预测模型中，机器产生的结果也会出现大量错误，一些错误目前还不能被很好地纠正。但不可否认的是，机器学习可以更好地辅助人们的科研工作，尤其在与预测相关的科研领域。

　　另外，与会学者还辨析了数据科学领域的人工智能（AI）、机器学习（ML）和深度学习（ML）等几大概念的关联及区别。大致而言，三者界限模糊，既有相类似的含义，又互相区别。具体而言，人工智能（AI）是指由人工制造出来的系统所表现出来的智能，其分支领域主要集中在解决具体问题，其核心问题包括推理、知识、规划、学习、交流、感知、移动和操作物体的能力等，目前基于仿生学、认知心理学，以及基于概率论和经济学的算法等都在逐步探索过程中。机器学习（ML）可以算作人工智能的一个分支，或者说机器学习是实现人工智能的一种途径，其最基本的做法是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测，与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。深度学习（DL）则是一种能够模拟出人脑神经结构的机器学习方法，其概念主要源于对人工神经网络的研究等。

　　与会学者普遍认为，机器学习具有重大潜力，不仅会帮助科研人员提高现有科研效率，还会在实际应用中启发人类智慧，并由此催生出诸多新的研究领域。在不远的未来，机器学习有望改变科研格局。

　　（本报波士顿1月22日电）