深度学习兴起之前，SVM才是"标准答案"
在2012年AlexNet证明深度学习的压倒性优势之前，支持向量机凭借瓦普尼克提出的严谨统计学习理论基础，在长达十余年的时间里都是学界与工业界处理分类类机器学习任务的主流首选方法，许多研究者甚至一度认为神经网络这条路线已经被证明行不通、缺乏理论保障，这段历史也从侧面说明，今天被视为理所当然的深度学习主流地位，在人工智能发展史上其实只是相对晚近才确立起来的。
📊
弗拉基米尔·瓦普尼克
本名Vladimir Vapnik
苏联裔美国数学家，统计学习理论与支持向量机的奠基人
算法背后的数学 · 理论奠基人
统计学习理论支持向量机（SVM）VC维理论
是谁
弗拉基米尔·瓦普尼克（1936- ）是出生于苏联、后移居美国的数学家，与阿列克谢·切尔沃年基斯在苏联时期共同提出"VC维"这一衡量模型复杂度与泛化能力关系的理论框架，为机器学习"为什么模型能够从有限样本中学到能推广到新数据的规律"这一根本性问题提供了严谨的数学解释。瓦普尼克此后在贝尔实验室工作期间进一步提出"支持向量机"（SVM）算法，这一方法在20世纪90年代至21世纪初的十余年间，是绝大多数分类与回归类机器学习任务的主流首选方法，其严谨扎实的理论基础与相对较小的数据需求，使其在深度学习兴起之前的很长一段时间里，被视为比早期神经网络更可靠、更受学界青睐的技术路线。
依据原典瓦普尼克《统计学习理论的本质》（1995）
主要故事
人物关系
盟友
今日回响
以下是现代作品对这个名字或故事的借用、改写，不代表原始内容——两者不一样，别混着记。
深度学习兴起前的"标准答案"支持向量机在长达十余年的时间里都是分类任务的主流首选方法，这段历史常被引用说明技术路线的主流地位并非一成不变。