机器学习是计算机科学的量子物理学吗？

据报道，爱因斯坦在谈到量子物理学领域时说：“上帝不会与宇宙玩骰子。” 他指的是当时物理学界中广义相对论与量子物理学之间的巨大鸿沟。广义相对论是一种以确定性方式精美地解释了大量物理现象的理论。同时，量子物理学是从根本上具有概率世界观点的模型中发展出来的。自从爱因斯坦在1950年代中期发表上述声明以来，量子物理学已被证明是一种非常持久的理论，实际上，它已被用于半导体等各种应用中。

可能有人会想象像Donald Knuth这样的计算机科学领域的前任领导人大声疾呼：“算法应该是确定性的。” 也就是说，给定任何输入，输出应该是准确且已知的。的确，自其形成以来，计算机科学领域一直致力于构建优雅的确定性算法，该算法对输入和输出之间的转换具有清晰的了解。即使在诸如并行处理之类的非确定性体制中，整个算法的目标也是确定性的。也就是说，尽管操作可能会乱序运行，但输出仍然是准确且已知的。计算机科学家为实现这一目标付出了巨大的努力。

当计算机科学家接触“现实世界”时，他们经常面临非常嘈杂的输入，例如传感器，甚至更糟的是人类。计算机算法继续专注于忠实和精确地将输入噪声转换为输出噪声。这就产生了“垃圾邮件输出”（JIJO）范例。追求这种结构的主要动机之一是因果关系和可诊断性的概念。毕竟，如果算法嘈杂，怎么知道问题不是算法中的错误？好点子。

通过机器学习，计算机科学已经过渡到一种模型，在该模型中，人们可以“训练”一台机器以构建算法，然后可以使用该机器将输入转换为输出。由于训练过程是动态的并且经常进行，因此数据和算法以不容易解开的方式交织在一起。与量子物理学类似，在该模型似乎“起作用”的一类应用中。识别模式似乎是一个很好的应用。这是自动驾驶汽车的关键组成部分，但其结果本质上是概率性的。

在量子物理学中，有一个隐含的理解，即答案通常是“概率性的”。也许这是关键的见解，它可以使我们利用机器学习技术的力量并避免陷阱。也就是说，如果算法的要求必须严格，则机器学习方法可能不合适。例如，如果您的银行对帐单正确率很高，那么可能会令人感到不舒服。但是，如果机器学习算法能够以较高的可能性提供潜在欺诈的实例，那么取证CPA的工作将变得更有效率。在自动驾驶汽车领域也存在类似的类比。

总体而言，机器学习似乎以与量子物理学类似的方式定义了计算机科学中概率算法的概念。计算的关键挑战是找到设计和验证概率结果的正确机制。