"机器学习"术语诞生
Arthur Samuel 正式提出"机器学习"术语，定义为"让计算机无需显式编程就能学习的能力"。
事件概述
1959年，Arthur Samuel 在关于跳棋程序的研究中正式使用了"机器学习"(Machine Learning) 这一术语。他给出的经典定义是："机器学习是让计算机无需显式编程就能学习的研究领域。"这一定义抓住了机器学习的核心本质——从数据中自动发现模式并改进性能，而非由人类编写具体的规则。Samuel 的跳棋程序本身就是机器学习的早期成功案例，它通过自我对弈不断提高棋艺。
深度学习笔记
背景、原理、影响与要点，一次读懂这个事件
背景与脉络
1959 年 7 月，Arthur Samuel 在《IBM 研究与开发杂志》第 3 卷第 3 期（第 210—229 页）发表论文《用跳棋游戏研究机器学习的一些问题》。文中他总结了让计算机“无需被显式编程”就能下得比程序作者更好的两类学习过程，并正式创造了“机器学习”（machine learning）一词。彼时“人工智能”刚在 1956 年达特茅斯会议命名不久，学习仍是个模糊愿望；Samuel 用一篇可复现的工程论文，把这个愿望变成了可研究、可度量的子领域，也奠定了此后六十年从感知机到深度学习的语言基础。
核心要点
- 11959 年 7 月，Samuel 在 IBM 期刊发文，首次正式使用“机器学习”一词。
- 2论文给出该领域的经典定义：让计算机无需显式编程即可学习。
- 3展示计算机仅靠规则、方向与一组未知权重的参数，8—10 小时自学成高手。
- 4系统总结“机械学习”与“泛化学习”两类过程，后者暗含时序差分思想。
- 5该文被收入 Feigenbaum 与 Feldman 1963 年经典选集《计算机与思维》。
- 6术语沿用至今，成为连接符号主义与统计学习的共同旗帜。
原理与技术细节
Samuel 在文中把“学习”操作化：程序持有一个含约 38 项加权特征的“评分多项式”（如子力优势、中心控制），其符号与相对权重起初未知。两类机制让它改进。其一是机械学习：把对弈中每局面及其 minimax 回传值存入表，再遇即取用，等效把搜索加深一层；并对每回传一层的值做微小折扣，使程序偏好“更快取胜 / 更慢落败”的路径。其二是泛化学习：让程序两个副本（Alpha、Beta）大量自对弈，按“相邻局面估值应一致”的原则微调权重；若二者估值差大则说明权重需调整。本质上，这正是用“预测值之差”来更新参数，与现代时序差分学习同构，只是缺少明确的终局回报信号。
影响与后续
“机器学习”一词的确立，使“让机器从经验中自动改进”成为可被资助、被发表、被比较的正统方向。Samuel 的跳棋程序是这一概念的首个有力佐证，也预示了强化学习的范式：环境反馈 → 调整评价函数。此后该词历经专家系统、统计学习、深度学习数度兴衰而长盛不衰。争议在于：Samuel 当时主要指“符号式参数调优”，与今日以梯度下降为核心的统计学习并非同一技术路线，但二者共享“数据驱动、无需逐条编程”的精神内核。
学习要点
- “不靠显式编程而能学习”是机器学习最朴素也最有力的定义。
- 自对弈 + 价值一致性，早在 1959 年就已触及强化学习核心。
- 一个好术语能凝聚一个领域；“机器学习”比具体算法更长寿。
术语表
Samuel 1959 年定义：赋予计算机无需被显式编程即可从经验中学习的能力。
Samuel 用以对棋局打分的线性加权函数，其权重由学习过程不断调整。
用后继状态估值之差更新当前估值；Samuel 的泛化学习已暗含此思想。