在雲計算之後，還有概率計算

隨著互聯網的發展，可用的數據已經不是問題，用數據做什麼成了問題。事實上，分析大數據和開發建模是現在很大一部分程式猿在做的事。為何說是一個巨大的轉折，電腦科學家已經開發出所謂的概率編程語言，可以讓研究人員混合和匹配不同的機器學習技法。

使用這個新開發概率計算技術，MIT研究人員已經編出了短程序(約50行代碼)和有成千上萬代碼的傳統體制做比拼。這一發展對面部識別和重建軟體來說可能很重要。

“這是我們第一次在視覺區域引入概率編程，”MIT腦與認知科學研究生及最新論文第一作者Tejas Kulkarni說，“希望能用概率短代碼編寫出非常靈活的模型及生成模型和判別模型，然後不做其他任何事，用通用推理方案來解決問題。”

對於很多程式員來說，概率分析似乎是一種褻瀆——太過於模糊而違背了一些傳統的編程核心。它基本上是偏離了數學思維，轉用一種更直觀的方法。

“當你想到概率程式，在建模時你的想法會很直觀，”Kulkarni說，“你不是用數學方法來思考。這是一種非常不同的建模風格。”

顧名思義，概率編程是概率性的——某種程度上。所謂的差異在於推理演算法——在新數據基礎上不斷調整的演算法。它的概率而不是其確定性在不斷變化，因此不是數學意義上的思考。

他們解決的任務是只使用2D圖像重建3D面部圖像。這個新工作是基於新流行的逆向圖形，這是與機器學習相關聯最古老的問題之一。在他們的實驗中，他們創造了一種叫Picture的概率編程語，這是MIT研發的另一種語言Julia的延伸。

“Picture提供了一個通用的框架，旨在解決電腦視覺中幾乎所有的問題，” 普林斯頓大學電腦科學系的助理教授肖建雄(他並沒有參與這項工作)說，“它超越了在電腦視覺任務中最受歡迎的圖像分類，而且試圖回答電腦視覺一個最基本的問題：正確的視覺場景表現是什麼?它是現代重新審視逆向圖形推理的開端。”

Kulkarni說Picture如此設計是它的推理演算法能夠從機器學習技法中受益，在他們強調策略時修改自己似乎結果也不錯。

“通過學習來提高推論會是一個特質，但概率編程可能會因為一些問題減緩代碼重寫。如果學習機器強大到對不同任務使用不同的策略那麼代碼就可以通用了。