机器学习期刊系列主编共同探讨机器学习与人工智能的未来
面向机器学习的未来（从左上角顺时针）：Jay Lee、Jimeng Sun、Pierre Gentine 和 Kyle Cranmer。
IOP 出版社旗下的机器学习期刊系列（Machine Learning Series）是全球首个专注于机器学习及人工智能在科学领域中的应用与发展的开放获取期刊系列。
该系列的重要组成部分包括创刊于2019年的 Machine Learning: Science and Technology期刊，该刊致力于连接机器学习在各类科学领域中的应用与前沿进展。Machine Learning: Earth期刊聚焦机器学习和人工智能在地球、环境与气候科学中的广泛应用；Machine Learning: Health期刊涵盖医疗、医学、生物、临床及健康科学；Machine Learning: Engineering期刊则关注应用型人工智能和非传统机器学习在复杂工程问题中的创新实践。
在本文中，四本期刊的主编将共同探讨机器学习日益增长的重要性，以及他们对未来发展的思考。
Kyle Cranmer是美国威斯康星大学麦迪逊分校的粒子物理学家和数据科学家，同时担任 Machine Learning: Science and Technology（MLST）的主编。Pierre Gentine是美国哥伦比亚大学的地球物理学家，担任Machine Learning: Earth主编。Jimeng Sun是美国伊利诺伊大学厄巴纳-香槟分校的生物物理学家，担任Machine Learning: Health主编。机械工程专家Jay Lee来自美国马里兰大学，担任 Machine Learning: Engineering主编。
访谈详情
访谈问题：过去十年中，机器学习研究为何呈现爆发式增长？
Kyle Cranmer：这是多重因素共同作用的结果。深度学习最初的成功得益于基准数据集、GPU计算的发展以及一系列算法创新。此后，强大且易用的工具不断涌现，大幅降低了入门门槛，并推动了惊人的进步。
Pierre Gentine：机器学习正在改变许多物理学领域，它能够加速物理模拟，处理多模态数据，并帮助我们作出更好的预测。
Jimeng Sun：过去十年，机器学习模型在现实任务中不断达到甚至超越人类水平，不仅是在基准数据集上，更在医疗影像、临床文档、语音识别等直接影响效率与准确性的关键场景中。当 机器学习被证明能够稳定地表现出“人类级”水平后，各领域开始意识到它在重塑高劳动强度流程方面的潜力。
Jay Lee：传统上，机器学习的发展依赖算法、大数据和计算能力三大支柱。过去十年的高速增长，则源于数据激增、计算力提升、开放工具普及、商业驱动与突破性研究在全球互联生态中形成的完美风暴。
访谈问题：在机器学习领域，哪些方向最令你们期待？为什么？
Kyle Cranmer：生成式AI与自监督学习的发展令人振奋。我这里指的生成式AI更多是概率机器学习模型，它们在大量科学应用中具有巨大潜力。自监督学习的进步也让我们能够想象更广阔的机器学习应用场景，而不仅限于监督学习任务。
Pierre Gentine：我特别关注机器学习在气候模拟和流体力学模拟中的应用。
Jimeng Sun：我对医疗领域中“智能体系统”（agentic systems）的兴起非常期待——这些 AI系统能够推理、规划并与人类协作完成复杂目标。例如在临床试验流程优化中，智能体AI可以协调方案开发、自动识别合格患者、监控招募进展，甚至依据中期数据提出试验设计调整建议。它不是为了替代人类，而是成为智能协作伙伴，从而提升效率，加速研究成果惠及患者。
Jay Lee：生成式与多模态机器学习——整合文本、图像、视频等多源信息——正在重塑人机交互、机器人、自动化系统。同样令人兴奋的是，机器学习在半导体制造、智能电网、电动汽车等非传统领域的应用，这些复杂工程系统迫切需要新型智能方法。
访谈问题：对您所负责的期刊，你们的未来愿景是什么？
Kyle Cranmer：科学界显然需要一个推进人工智能/机器学习在科学研究中发展的高质量平台。大型AI会议的负担不断加重，审稿机制更像“筛选器”，而非推动清晰度和科研传播的机制；同时，它们对以应用需求为起点的研究并不友好。物理学期刊中创新性的人工智能/机器学习研究也常被忽视，影响其在其他领域的传播。MLST的愿景是填补这一空白，支持和培育由物理科学启发的人工智能/机器学习研究社群。
Pierre Gentine：我希望我们能够展示机器学习不仅是一种好用的工具，而是可以在物理与地球科学中发挥基础性作用，尤其在更好地模拟与理解世界方面。
Jimeng Sun：我期待Machine Learning: Health 成为机器学习与健康科学交叉研究的权威平台——在这里，技术创新与临床价值并行推进。我们希望发表不仅算法先进，同时在改善健康结果与医疗服务方面具有实际意义的工作。同样重要的是，我们将推动开放与可重复科学，鼓励作者共享代码、数据与基准，确保方法透明可验证，从而加速创新并建立信任。
Jay Lee：Machine Learning: Engineering 的愿景是在全球范围内促成机器学习与工程学的深度融合。通过促进跨学科合作、确保科学严谨性与可解释性，并强调实际影响，我们希望重塑 AI如何应对人类最复杂的工程挑战。
期刊介绍
- IOP出版社的机器学习期刊系列是世界上第一个致力于机器学习和人工智能科学应用和发展的开放获取期刊系列。该系列目前一共有4本期刊，涉及了机器学习的多个研究领域，分别是：Machine Learning: Science and Technology（2024年影响因子：4.6，Citescore：7.7）、Machine Learning: Engineering、Machine Learning: Health和Machine Learning: Earth。