机器学习正在成为网络公司之间的一个流行词，尤其是近期谷歌、HPE和诺基亚都宣传了机器学习功能。但是机器学习并不适用于网络本身，这是为什么呢？

Brocade公司首席科学家David Meyer一直深耕在机器学习和网络领域，在担任OpenDaylight项目技术指导委员会（TSC）的第一任主席之后，Meyer将他的工作重心转移到了人工智能领域。

Meyer表示，尽管网络具有“大量的计算资源和数据”可用，但是机器学习应该如何在网络中应用尚不明确。他认为，机器学习在网络中的应用缺少的是网络理论。

丰富的学术工作支撑了我们今天使用的网络，但是没有统一的理论来定义网络在抽象意义上该如何运行，或者网络该如何结构化。构成互联网的网络当然会有一些共同的核心原则，但这些原则不是根据同一个中心理论构建的。

Meyer表示，从另一个角度来看，机器学习等同于数学，而数学需要建模。这就是为什么机器学习善于处理视觉问题，如图像处理或手写识别。视觉本质上可以研究，有一整套理论可以应用于其中，使得机器表现得像眼睛。

Meyer说：“我们正在试图找出是否有一些通用的方式来构建网络，如果不存在通用的方式，那么可能每个网络都是一次性的。”

这是非常不利的，因为这意味着每个网络必须单独“学习”。它不能发挥出机器学习的优势——即采取训练有素的神经网络，添加自定义的内容。Meyer表示，数据集和你解释它们的方式必须是类似的。

缺乏理论模型只是机器学习在网络中面临的障碍之一，另外一个障碍是人，机器学习和网络是不同的技能，精通两者的专家少之又少。

Meyer说：“我们（网络从业者）将不得不与精通机器学习的人紧密合作，或者我们必须自己去掌握机器学习。”他更支持后一种方式。

Meyer说：“我尝试为人们建立一个在职业生涯早期了解发生了什么的机会，将这些纳入到他们的思想中。”

原文链接：https://www.sdxcentral.com/articles/news/machine-learning-hard-apply-networking/2017/01/?utmsource=SDxCentral.com+Mailing+List&utmcampaign=6d2e290785-SDxCentral+Newsletter+1%2F03%2F17&utm_medium=email&utmterm=0c2b6e504a2-6d2e290785-81970457