我看见的世界(36)_李飞飞

三六

　　在飞往法国尼斯的航班上，我没有时间紧张，因为还有要务在身。在加州理工学院的工作让我一直忙得不可开交，而在约9100米的高空安静飞行的13个小时，是我唯一可以用来准备演讲稿的时间。在旅途的大部分时间里，我都低着头，以最快的速度撰写演讲提纲、制作幻灯片。

　　然而，一到会场，我就强烈地感受到没有彼得罗在身边，我心里是多么没底。按照惯例，学生第一次参加会议时，无论是否做报告，导师都要陪同出席，以示支持，同时也可以帮助学生建立人脉。我开始逐渐意识到，我置身于一个挤满数百名陌生人的活动大厅里，不得不独自应对一切。紧张感开始涌上心头。

　　“飞飞？”一个声音在我身后响起。我转过身，发现一张陌生的面孔正俯视着我。

　　“是的，你是？”我小心翼翼地回答。

　　“终于见到你了，真是太好了！我是吉滕德拉。”

　　“吉滕……哦！吉滕德拉·马利克吗？你……”

　　“是啊，你知道我是彼得罗以前的导师吧？”他笑着说，“他让我来陪你。你不会以为我们会让你一个人来这里吧？”

　　虽然我听过吉滕德拉的名字，当然也知道他响当当的名声，但这是我们第一次见面。我倾向于从家庭的角度来看待学术关系，所以我把导师的导师视作我的“师爷”。他的陪伴让我倍感平静和鼓舞，他完全无愧于这个称谓。演讲结束后，我被一群渴望了解更多细节的研究人员团团包围，而吉滕德拉成了我的救星。有他陪着，就算他什么都不做，我也觉得这不堪重负的一天可以熬过去了。我们之间也就此开启了一段持久的友谊。

　　在我的演讲结束后，大家展开了热烈的讨论。我突然意识到一件微妙的事情——我被问到的每个问题都与算法本身有关：你是如何建立贝叶斯方程来估计后验概率的？你是如何估计图像的先验分布的？你提到使用最近提出的变分推理算法来优化模型参数，能详细说说吗？在未来的改进中，你打算如何扩展算法？算法在不同情况下可能会有什么表现？

　　我们选择的机器学习算法的数学核心是“贝叶斯网络”（Bayesian network），这是一种概率技术。接二连三的问题都是有关这种技术的，但没有一个人问及我们训练算法时所用的数据。数据被公然视为一种惰性商品，只在算法需要时才重要，虽然这种观点并不稀奇，但我开始意识到，有一些重要的东西一直都被低估了。

　　我们算法的决定性特征是能够从只看过一次的图像中学习新的事物类别，而这一特征对数据的依赖极大。究其根本，是因为我们的算法已经见识到林林总总的各种事物，获得了感知体验，才可以在面对新事物时展现出卓越的识别能力。

　　事实上，我越想越觉得奇怪。数据具有微妙而神奇的力量，为什么这个话题从未得到任何关注呢？我们的实验材料极少，只不过是从几个随意选择的类别中拿出几百张图片，却获得了意料之外的结果。这不禁让人思考：如果少量数据就可以实现如此强大的能力，那么更多的数据又将带来什么呢？这个问题越想越觉得具有启发性。

　　如果数据量大得多呢？

　　※

　　“差不多了……等一下……”我又跟彼得罗在红门咖啡馆一起吃午饭，他又要把我们的拼盘摆成他的霍克尼拼贴画系列新作，我又浪费了几分钟的用餐时间。“完工！”

　　“嗯，非常漂亮。”我说。我现在连假装欣赏的样子都不做了。

　　彼得罗微笑着看着他的作品，他显然察觉到了我的不耐烦，但他并不在意。我从他手里拿回托盘，开始吃饭。

　　“我一直在想我们的单样本学习论文。”他转移话题说，“我为我们取得的成就感到自豪，但我们都知道，数据才是真正的主角。”

　　我一边咀嚼一边点了点头。

　　“所以我们要是创建一个全新的数据集，你觉得怎么样？这次的规模要更大。我觉得我们可以从头开始全部自己来做。”

　　我继续点头。

　　“我的意思是，如果所有这些新数据本身就是达到下一个阶段的关键所在呢？”

　　这是一个大胆的想法，足够冒险，但也有一丝成功机会，所以会很有意思。

　　“那我们从最显而易见的问题开始：我们的新数据集应该包含多少个图像类别呢？”

　　我放下叉子，思考了片刻。加州理工学院有史以来最大的数据集中包含了7个随机选择的类别，所以明智的做法似乎是稍微增加一点儿，凑个整数。

　　“10个怎么样？”我提议道。

　　彼得罗皱了皱眉头：“是比之前多了点儿，但我觉得是不是有点儿过于循序渐进了？”

　　我欣赏他勇于冒险的精神，但也不得不考虑现实情况。我知道收集、标记和组织图像的实际工作将会落在我身上，所以我总是尽力平衡我们的研究需求和日常生活的实际问题。

　　“好。那就15个？”

　　彼得罗听到后狡黠地笑了笑。

　　“好吧。20个！”

　　他仍然不为所动。不会吧？

虚阁网(Xuges.com)