目前的機器學習大多需要大量資料，相比而言，人類接收少量資料就能達到同樣的效果，因此機器常被批評不夠聰明。這種批評有一定道理，但是存在兩點問題。首先，批評者忽視了人類在漫長的進化過程中學習過大量資料，並且以基因的形式將學習結果傳遞至今。人類出生時並不是一塊白板，大腦已經具備了基本結構和學習潛力，所以人類只需要少量資料其實是曾經的大量資料訓練的結果。其次，人類在成長過程中也經歷了大量訓練，例如某人從小到大雖然只見過幾百隻貓，但由於人眼相當於高速攝像機，不間斷地拍攝了大量，所以其實接收了非常多的訓練資料。
當然，不可否認大腦是非常巧妙的。也許有人會說進化過程中的資料和目前的資料差異巨大，不具有足夠的價值，但是大腦事實上是通過大量資料學會了如何學習，從而具有很強的遷移能力。此外，大腦也具有很強的想象能力，例如馬航mh370失聯後，搜尋人員希望通過分析南印度洋的衛星影象尋找可能的飛機殘骸，但是發現計算機識別的準確率極低。相比而言，人類的分辨能力就要強得多，因為雖然飛機殘骸非常不規則，但是人類能夠通過飛機的樣子想象出飛機的各種殘骸的樣子。[1]除了遷移、想象能力，大腦還有很多非常優越的能力。
大腦的這些能力使得它只需要少量資料，如果人類無法直接設計出和大腦同等巧妙的機器，那麼只能通過大量訓練來彌補，要想既不需要完善的結構又只需要少量資料是不可能的，這其實是另乙個版本的「沒有免費午餐」定理（no free lunch theorem，簡稱nfl定理）。
nfl定理是機器學習中的乙個著名定理，指的是拋開實際情況，任何演算法的期望效能都和隨機猜測沒有區別。例如下面這個例子[2]：
a、b曲線都能完全擬合訓練集，但是真實情況可能是a也可能是b，或者二者都不是，因此不同演算法的期望效能是相同的。這是在訓練樣本數量有限的情況下必然會出現的問題。
如果希望找到更確切的擬合曲線，要麼增加訓練樣本，要麼增加外部資訊。外部資訊是指來自實際情況的助於判斷的資訊，例如大腦的遷移能力就是一種獲得外部資訊的能力，大腦通過類似的例子來幫助判斷。在上面這個例子中，我們傾向於認為平滑的a曲線能夠更好地擬合真實情況，這源於我們的經驗，經驗就是一種外部資訊。近些年興起的小樣本學習（few-shot learning）的基本思路就是加入外部資訊，通過已有知識的遷移來增強泛化能力。
總而言之，機器學習不一定需要大量資料，但是要取得良好效果必須加入外部資訊，或者說使機器擁有額外的判斷能力。機器需要大量資料來學習是正常的，人類也曾經在進化過程中這麼做過，但是人類作為「過來人」應該指導機器——設計更巧妙的硬體、編寫更巧妙的程式，使得機器不需要太多的資料，這其實是人類在為機器提供外部資訊。最後，值得一提的是，小樣本學習和大資料並不矛盾，大資料相當於統計資料，對於社會管理、資源排程、決策等等都是非常重要的，具有少量資料無法替代的作用。
參考資料
1 [美]皮埃羅·斯加魯菲.《智慧型的本質:人工智慧與機械人領域的64個大問題》. 人民郵電出版社. 2017. 140頁
2 周志華.《機器學習》. 清華大學出版社. 2016. 7-9頁
我們真的需要機器學習工程師嗎？
隨著機器學習技術的發展，主打易用性 無需專業知識 人人皆可用的機器學習工具和平台正在成為主流，谷歌 微軟 saleforce uber 等公司紛紛推出了相應的產品。毋庸置疑，這些產品大大降低了機器學習的准入門檻，讓越來越多非專業人士得以快速將機器學習應用到實際工作中。但這也引出了乙個疑問 我們真的需...
機器學習面試需要準備啥
凡人機器學習 大概會問傳統機器學習 深度學習 最優化 coding四個方面 傳統機器學習考察點 1 bias與variance的含義，並結合ensemble method問哪種方法降低bias，哪種方法降低variance 2 lr與svm的區別與聯絡 3 gbdt與adaboost的區別與聯絡 4...
程式設計師需要學習英語嗎？
那肯定需要啊！非常需要！計算機行業英語非常重要。英語好。可以去愛立信，微軟，英特爾等外企上班，喝不完的飲料，吃不完的零食。輕鬆愉快的工作氛圍。完善的福利待遇。還可以科技移民。碼農翻身就靠這個了。阿里馬雲 杭州師範大學英語專業 四年 十一年中國大學 杭州電子工學院 英語教學經驗。所以你現在還在問自己學...