【导读】
        统计学与优化已经成为机器学习或人工智能研究领域中的重要工具，但是在机器学习四个基本问题中，它们只是对应“怎么学”这样第二基本问题，而无法回答“学什么”这样第一基本问题。同时，以神经网络为核心的深度学习缺透明性和可解释性。上述问题是否由于其中的数学问题还没有探明？中科院自动化研究所资深研究员胡包钢老师在报告“广义约束：机器学习研究方法创新的重要起点之一”中，首先介绍“广义约束”概念及其相关历史，随后给出基于“广义约束”的若干方法创新实例。未来的通用人工智能必然是“大知识”与“大数据”共同驱动，实现该工作原理的重要途径之一是分析和研究其中的新数学问题。经胡老师授权，我们公开了报告Slides和讲座录像，希望本报告能够帮助读者思考创新问题，领悟研究乐趣。

2020年12月3日，模式识别国家重点实验室举办了一场模式识别学术大讲堂，由中科院自动化研究所资深研究员胡包钢老师作了题为“广义约束：机器学习研究方法创新的重要起点之一”的报告。本次活动由刘成林副所长主持，近200名师生参加，容纳170人的学术报告厅座无虚席，同时还有大量听众通过腾讯会议和网络直播参加活动。活动包括1个小时的学术报告和30分钟的学术讨论，在介绍广义约束前沿内容之后，胡包钢老师还与刘成林、何晖光、赵冬斌等老师及同学们热烈讨论，就广义约束、认知论、工具论、知识定义、可解释性、研究方法等话题进行了深入讨论，得到了很好的反响。

在讲座中，胡包钢老师首先介绍了自身在人工智能和神经网络方面的研究经历。早在2007年，胡老师就敏锐地意识到了神经网络可解释性的重要性，在发表的“如何增加人工神经元网络的透明度”文章中阐述其对该学术方向的顶层思考，即要思考基础问题及其解决路径，这对于做创新性工作具有重要意义。

接着，报告从机器学习基本问题入手介绍广义约束及其应用。在机器学习的四个基本问题中，统计学与优化只是对应“怎么学”这样第二个基本问题，而无法回答“学什么（或学习目标选择）”这样第一基本问题。当模式识别研究中“特征选择”早已成为重要内容时，机器学习研究中基本缺失“学习目标选择”这样的主题。而该主题中的“广义约束”为机器学习方法创新带来发展空间。在介绍完“广义约束”术语发展历史后，胡老师根据近年来的研究成果，给出详细介绍了多个基于“广义约束”若干方法的创新实例，包括非监督学习、类脑研究、面部视频处理、人脸关键点定位等方面，都展现了广义约束作为一个基础框架，能够很好的把先验知识融入到数据驱动的机器学习模型中。而未来类人通用智能建模方法必然是“大知识”与“大数据”共同驱动的工作原理，此时，“广义约束”这样人工智能新数学问题，就是实现该工作原理重要途径之一。

最后，胡老师分享了自己对研究生如何选题上的看法，他建议要学会反复思考重要的科学问题，比如，具体的应用问题如何能够转换为数学问题，一类方法更优的本质原因是什么，是否具有理论保证？可解释人工智能中因果研究的数学路径有哪些？

胡老师在退休后依然保持对科研的热情，并且依然坚持在一线进行科研工作，这种热爱和毅力都激励和鼓舞着年轻的老师和同学们，我们有幸能够在模式识别国家重点实验室和中科院自动化所这好的学术平台上，见证并参与中国科研发展的飞跃。

报告相关资料如下，欢迎阅读和交流，资料免费授权转发，请在转发和使用中标注原始出处（资料来源于模式识别国家重点实验室）：

1）报告Slides（百度网盘）

链接：

https://pan.baidu.com/s/1C6SNMTW8sqv3iA0BmPCnSw

提取码：u56z

2）讲座录像（百度网盘）

链接：

https://pan.baidu.com/s/1IiZUYDIC-lAi7ANYdCwFFA

提取码：kboz

3）《专知》资料链接

链接：

https://www.zhuanzhi.ai/vip/cd-dc272fcbe2b46629eab28559ff7369

（《人工智能新数学问题: 广义约束》 及其综述文章）