第四范式_第四范式 gray and szalay

第四范式时代来临

　“第四范式”，得名于图灵奖得主、关系数据库的鼻祖Jim Gray（吉姆-格雷）生前的最后一次演讲。他将人类科学研究的发展定义成为四个范式
　

第一范式：实验

以记录和描述自然现象为主的实验科学，比如钻木取火，到1590年，伽利略在比萨斜塔上做了“两个铁球的同时落地”的实验，得出了重量不同的两个铁球同时下落的结论，推翻了亚里士多德的结论：“物体下落的速度与重量成比例”的学说，纠正了这个持续了1900年之久的错误结论；

第二范式：理论

　 利用模型归纳总结过去记录的现象，，人类采用各种数学，几何，物理等理论，构建问题模型和解决方案，比如牛顿三定律和麦克斯韦方程等为代表的理论科学，这些理论的广泛 传播和运用对人们的生活和思想产生了极大的影响，在很大程度上推动了人类社会的发展；
　

第三范式：计算

科学计算机的出现，诞生了模拟复杂现象的计算科学，人类进入了以“计算”为中心的全新时期，通过设计算法并编写程序输入计算机运行，解决复杂的问题；

第四范式：数据

通过收集大量的数据，让计算机去总结规律的数据密集型科学，云计算，物联网，大数据这些产物推动了科技创新和社会进步。

---

　“人工智能=大数据+机器学习，如果说大数据是原材料、是米；机器学习是工具、是电饭煲；那么人工智能就是白米饭。”陈雨强深知数据和人工智能的关系，大数据挖掘的需求加速了机器智能的技术成熟，第四范式最初都是和客户介绍如何进行数据挖掘、如何通过技术精准匹配。
　　　但是深度学习并不是完美模型，深度学习的局限来自于几个方面：
　　1．表达能力的限制。因为一个模型毕竟是一种现实的反映，等于是现实的镜像，它能够描述现实的能力越强就越准确，而机器学习都是用变量来描述世界的，它的变量数是有限的，深度学习的深度也是有限的。另外它对数据的需求量随着模型的增大而增大，但现实中有那么多高质量数据的情况还不多。所以一方面是数据量，一方面是数据里面的变量、数据的复杂度，深度学习来描述数据的复杂度还不够复杂。
　　2. 缺乏反馈机制。目前深度学习对图像识别、语音识别等问题来说是最好的，但是对其他的问题并不是最好的，特别是有延迟反馈的问题，例如机器人的行动，AlphaGo下围棋也不是深度学习包下所有的，它还有强化学习的一部分，反馈是直到最后那一步才知道你的输赢。还有很多其他的学习任务都不一定是深度学习才能来完成的。
　　强化学习为什么是现在，AlphaGo下围棋背后的DeepMind 方法其实就是深度学习和强化学习混合体，被称为“深度强化学习（deep reinforcement learning）”。简单来说，在这之中，深度学习是主体，强化学习解决了延时反馈的问题。
　　强化学习的应用其实很广，下棋就是一个重要的场景，另外，在机器人的路径规划和任务完成上也应用了强化学习。除了这些之外，强化学习的应用面特别广，可以用在很多反馈上，但这个反馈并不一定是马上可以得到的，比如医疗领域，对药品和医疗方案的反馈，就是一个很好的例子。
　　迁移学习为什么是未来？迁移学习主要是解决模型在适应其他领域或需求时的“冷启动”（新领域的经验或数据不足）问题，即“举一反三”。
　　举个例子来看：迁移学习的意义就像是人类语言学习中，如果让一个零基础的人学习法语自然很难，但如果让一个学过英语的人再去学法语就会相对容易很多。它可以利用一个环境中学到的知识，来帮助新环境中的学习任务。简单来说，迁移学习主要解决了目前机器学习中存在的两个问题：小数据的问题和个性化的问题。