在最近几个月里，我和不同专业的老师交流，甚至是和一些看似毫不相关的专业的老师闲聊，讨论了一些关于深度学习、机器学习的应用的可能性。当我们谈到各自专业研究问题与深度学习的结合点时，我逐渐发现，只要能够明确具体的研究问题所涉及的知识空间，我们几乎都可以构思出利用机器学习技术来进行探索的方式和方法。

这让我思考了一个问题：“为什么很多领域的具体研究问题，特别是一些较为艰难的问题，实际上它往往是涉及一个较大和难以处理的待探索的知识空间？”这个知识空间的广度，对于现有的传统研究技术和手段来说，几乎是不可能进行遍历的。我们往往只能靠运气或者直觉来推进。有些人可能会说，他们可以依靠更为先进的技术来缩小这样一个知识空间。但实际上，即使我们能根据自己的专业水平来画一个更小的圈，我们却永远无法回避对深度的渴望。而这样一个深度，往往决定了这个立体的知识空间的大小。科研人员的欲望，就是这个待探索知识空间的大小。对于一个还算不错的研究者来说，他下一步所从事的科研工作，永远是他一个竭尽全力的大挑战。

那么如何应对这样一个巨大而复杂的知识空间呢？我认为这正是现在机器学习技术所具有的非常好的优势所在。机器学习可以帮助我们发现知识空间中隐藏或者未知的规律和模式，可以提供我们更多的线索和方向，可以增强我们对数据和现象的理解和解释。而要实现机器学习与我们所探索的科学问题之间有效地衔接，我觉得可能需要遵循以下一个技术思想：

“把研究问题所涉及到的知识空间转化为一个巨大而丰富的数据库；而不要过分拘泥于人类现有知识能否理解或者解释这样一个数据库！”