酷应用

夸大ML能力、论文纸上谈兵……机器学习社区为何变成这样？

百家作者：机器之心 2021-05-17 16:05:27

机器之心报道

编辑：杜伟

一直以来，对机器学习（ML）社区的吐槽没有断过。但总是提出的问题多，解决方案却很少。所以，如何改造并建立一个相对健康的 ML 社区仍将是一个长期存在的问题。

机器学习（ML）在不断地发展，大量令人瞩目的研究成果也相继出现。但正如其他领域一样，ML 领域并不完美，存在着这样那样的问题，因而对该领域的吐槽和批判从未停止过。

之前，有人总结出了 ML 社区的八大「毒瘤」，包括盲目崇拜、相互攻讦、重 SOTA 轻实效等，警醒人们，促使社区沿着健康的方向发展。不久前，一位硕士刚毕业的「老」工程师也对 ML 社区的残酷现状进行了无情揭露，诸如封闭、缺少代码审查等，不一而足。

但只要问题不解决，吐槽就永不停止！

近日，reddit 上又一则「质疑机器学习领域」的帖子火了，发帖者灵魂发问：「为何机器学习变成了这样一个充满毒瘤且自诩无所不能的领域？」

以下为帖子原文：

我曾与很多不同领域和背景的科学家都合作过，但从未领教过机器学习社区那般着实令人生厌、自诩无所不能的学术氛围。并且，我敢肯定是「一些行为不端的『老鼠屎』坏了机器学习社区『这锅粥』」。

究竟是哪些群体和哪些行为破坏了 ML 社区的氛围呢？发帖者总结了以下几点：

一些群体自认为可以掌控 ML 领域

在 ML 领域，我经常会看到一个群体或多个群体蜂拥至某个问题上，拿出 ML 这个工具，然后声称问题「已经解决」。此外，还应看到，在解决一些问题时，很少有中小企业参与其中，更重要的是，没有后续解决方案。

深度学习（DL）领域鼓励「不学习基础知识」的风气

我经常遇到这种情况，在深度学习领域尤为明显。人们会直接跳入计算机视觉（CV）或自然语言处理（NLP）等领域的学习，而不学习任何基础知识。我曾见过很多在著名学术会议上发表 CV 论文的学者，在与他们的交谈中，发现他们不清楚「颜色空间为什么有用」甚至「不清楚什么是像素」（像素绝对不是图像上的小方块）。

你可能会说他们不需要了解这些，但这是妄想，他们绝对需要了解这些。比如，「计算 + CNN/transformer 能做的事情」是有限制的，所以他们需要在了解基础知识的前提下搞明白如何进行改进。

绝大多数论文都是「纸上谈兵」，不涉及实际工作

过去很多人都提到过这一点，但我必须澄清自己的观点。我知道，很多因素导致了这一问题以及所有其他问题。论文往往只包含微小的架构变化或渐进式的改进，「真正的思想」却看不到。这就导致有时一位博士却不擅长工程实践，或者其研究效率比不上有经验的硕士生。在一个 ML 团队中，博士的思想在研发过程中非常有用，但在实际科研中，这些博士的表现却往往不尽如人意。

「自诩公平 / 道德」群体的傲慢无礼

当前，这类群体在 ML 社区中充当了「毒瘤」。他们总是指出问题，却从未提供（切实有效的）解决方案。他们就像「看门狗」一样，把 ML 社区搞得乌烟瘴气，甚至禁止社区内自由发表言论，却不用担心自己受到影响。这类群体应该接受彻底的改造，这是因为其中一些「自诩为专业学者的领导者」却最为刻薄无礼、游手好闲。

ML这么一个应用型领域，却很少关注应用

通常给出的理由是：像数学这样的领域也没有什么直接应用。但事实果真如此吗？首先，ML（尤其 DL）不像数学，更像直接的工程实践。那么作为应用型的领域，ML 应该更加关注应用。微小的架构变化或者 ImageNet 数据集上 0.5% 的提升远远不够，这是一种惰性行为，单纯是为了获得博士学位。

物理和统计等学科往往会在实际生活中得到应用，并对现实世界产生影响。公平来讲，ML 领域也应如此。但很遗憾，ML 领域却没有发挥应有的作用，尤其是在同行业的一般企业中。

认为ML可以解决现实世界所有问题

这一问题也常常被提及。一味地夸大 ML 的能力，不确定是无知的幻想还是有意的宣传，或二者兼有。

网友：抱怨解决不了问题，解决方案才是关键

对于这位发帖者对 ML 社区的质疑和吐槽，多数网友表示认同，不过也有些认为不应只是抱怨，更应提出切实可行的解决方案。

一位用户说道：「在攻读硕士期间，我也有过同样的感受。有时甚至觉得『什么都是假的』，以至于决定不再攻读博士并退出学术圈。像股票交易一样，ML 领域充斥着各式各样的谎言，只不过涉及的钱少罢了。」