三、从发展到应用

在过去的20年中，人类收集、存储、传输、处理数据的能力取得了飞速提升，人类社会的各个角落都积累了大量数据，急需能有效地对数据进行分析利用的计算机算法，而机器学习恰好顺应了大时代的这个迫切需求，因此该学科领域很自然地取得巨大发展、受到广泛关注。

今天，在计算机科学的诸多分支学科领域中，无论是多媒体、图形学，还是网络通信、软件工程，乃至体系结构、芯片设计，都能找到机器学习的身影，尤其在计算机视觉、自然语言处理等“计算机应用技术”领域，机器学习已成为最重要的技术进步源泉之一。

机器学习还为许多交叉学科提供了重要的技术支撑。生物信息学试图利用信息技术来研究生命现象和规律，生物信息学研究涉及从“生命现象”到“规律发现”的整个过程，其间必然包括数据获取、数据管理、数据分析、仿真实验等环节，而“数据分析”恰使机器学习大放异彩。

可以说，机器学习是统计分析时代向大数据时代发展必不可少的核心打磨，是开采大数据这一新“石油”资源的工具。比如，在环境监测、能源勘探、天气预报等基础应用领域，通过机器学习可以提升传统的数据分析效率，提高预报与检测的准确性；在销售分析、画像分析、库存管理、成本管控及推荐系统等商业应用领域，机器学习让即时响应、迭代更新的个性化推荐变得更轻松，渗透至人们生活的方方面面。

谷歌、百度等互联网搜索引擎极大地改变了人们的生活方式，互联网时代的人们习惯于在出行前通过互联网搜索来了解目的地信息、寻找合适的酒店及餐馆等，其体现的正是机器学习技术对于社会生活的赋能。显然，互联网搜索是通过分析网络上的数据找到用户所需的信息，在这个过程中，用户查询是输入，搜索结果是输出，而要建立输入与输出之间的联系，内核必然需要机器学习技术。

如今，搜索的对象、内容日趋复杂，机器学习技术的影响更为明显。在进行“图片搜索”时，无论是谷歌还是百度都在使用最新的机器学习技术。谷歌、百度、脸书等公司纷纷成立专攻机器学习技术的研究团队，甚至直接以机器学习技术命名的研究院，充分体现出机器学习技术的发展和应用，甚至在一定程度上影响了互联网产业的走向。

最后，除机器学习成为智能数据分析技术的创新源泉外，机器学习研究还有另一个不可忽视的意义，即通过建立一些关于学习的计算模型来促进人们理解“人类如何学习”。20世纪80年代中期，Pentti Kanerva提出SDM（Spare Distributed Memory）模型，当时，他并没有刻意模仿人脑生理结构，但后来神经科学的研究发现，SDM的稀疏编码机制在视觉、听觉、嗅觉功能的人脑皮层中广泛存在，从而为理解人脑的某些功能提供了一定的启发。

自然科学研究的驱动力归结起来无非是人类对宇宙本源、万物本质、生命本性、自我本识的好奇，而“人类如何学习”无疑是一个有关自我认识的重大问题。从这个意义上说，机器学习不仅在信息科学中占有重要地位，还具有一定的自然科学探索色彩。