在過去幾十年中，深度學(xué)習(xí)作為人工智能領(lǐng)域的頭號種子選手，成為了激動人心的科技創(chuàng)新。在諸如語音識別、癌癥檢測等對于傳統(tǒng)軟件模型難以解決的領(lǐng)域中，深度學(xué)習(xí)已經(jīng)初露鋒芒。

深度學(xué)習(xí)的原理經(jīng)常被用來與人類學(xué)習(xí)的過程相類比，專家們相信深度學(xué)習(xí)過程將會更快，更深入的延伸至更多的領(lǐng)域中。在某些情況下，人們會擔(dān)心深度學(xué)習(xí)會威脅人類在社會和經(jīng)濟(jì)生活中的關(guān)鍵地位，造成諸如失業(yè)甚至是人類被機(jī)器奴役的后果。

毫無疑問，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)對某些任務(wù)而言是十分有效的，然而它并不是可以解決所有問題、凌駕于所有科技之上的萬能鑰匙。事實上，相比于過度炒作夸大的概念，仍有許多的制約和挑戰(zhàn)使得該技術(shù)在某些方面仍不足以和人類，甚至無法達(dá)到人類孩童的能力。

讓我們回憶兒時的童年經(jīng)歷：第一次接觸超級瑪麗時只玩了幾個小時便初步形成了粗淺的關(guān)于平臺游戲（platform game）的概念。下次玩到類似的游戲（諸如prince of persia, sonic hedgehog, crash bandicoot 或是donkye kong country）時，便可以將之前在超級瑪麗游戲中的實戰(zhàn)經(jīng)驗應(yīng)用于它們。如果之后它們升級成了3d版本（正如90年代中期出現(xiàn)的），也可以毫不費力的上手。同時，也可以輕而易舉的將現(xiàn)實生活中的經(jīng)驗應(yīng)用于游戲之中，遇到深坑時我馬上知道要操作馬里奧跳過它，遇到有刺的植物時，我馬上知道要避開。

我們算不上優(yōu)秀的游戲玩家，但對于深度學(xué)習(xí)算法而言，完成上述過程卻充滿了挑戰(zhàn)，即使是最聰明的游戲算法也要從零開始學(xué)起。

人類可以通過抽象、類比、演繹，對不同的概念進(jìn)行借鑒和學(xué)習(xí)，達(dá)到舉一反三的效果。深度學(xué)習(xí)的算法卻無法做到如此，它需要大量精準(zhǔn)的訓(xùn)練來實現(xiàn)。

在最近的一篇題為“深度學(xué)習(xí)的客觀評價”一文中，前Uber人工智能領(lǐng)導(dǎo)，紐約大學(xué)教授Gray Marcus講述了深度學(xué)習(xí)遇到的限制與挑戰(zhàn)，他從深度學(xué)習(xí)的原理和基礎(chǔ)出發(fā)闡述了深度學(xué)習(xí)的局限性，但也對未來面對的挑戰(zhàn)表達(dá)了殷切的期許。

深度學(xué)習(xí)的原理

通過對人腦處理信息時所采用方法的抽象總結(jié)和模擬，提出了神經(jīng)網(wǎng)絡(luò)的概念。未經(jīng)處理的數(shù)據(jù)（圖像，聲音信息或者文字信息）被輸入至輸出層的“輸入單元”；輸入信息經(jīng)過一定的映射輸出至輸出層的“輸出節(jié)點”。映射的方法根據(jù)用戶定義，比如說，輸入的圖畫中有貓咪，輸入的聲音片段中有“hello”。深度學(xué)習(xí)是一種通過多層神經(jīng)網(wǎng)絡(luò)對信息進(jìn)行抽取和表示，并實現(xiàn)分類、檢測等復(fù)雜任務(wù)的算法架構(gòu)。深度神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)算法的核心組成部分，在輸入與輸出層之間包含有多層隱藏層，使得算法可以完成復(fù)雜的分類關(guān)系。

圖：深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

深度學(xué)習(xí)算法需要大量的數(shù)據(jù)做訓(xùn)練，比如說如果你想從圖片中準(zhǔn)確的識別出是否包含“貓咪”，那么你需要事先用成千上萬張圖片來訓(xùn)練它。訓(xùn)練的數(shù)據(jù)量越大，模型的準(zhǔn)確性越高。大公司之間正在不惜一切代價的爭奪數(shù)據(jù)，甚至愿意免費提供服務(wù)以換取數(shù)據(jù)。擁有越多的數(shù)據(jù)，就擁有越高的算法準(zhǔn)確性和越有效的服務(wù)，并將吸引更多的用戶，從而在競爭中形成良性循環(huán)。

深度學(xué)習(xí)需要大量的數(shù)據(jù)燃料

如果在一個擁有無限數(shù)據(jù)和計算資源的世界中，除了機(jī)器學(xué)習(xí)之外的其他技術(shù)便沒有存在的必要性。但顯而易見的是現(xiàn)實世界并非如此。機(jī)器學(xué)習(xí)算法永遠(yuǎn)不可能是全面的，必須要通過插補(bǔ)或推演來對它從未聽到過的聲音或看到過的圖像來給出可能的答案。

對于深度學(xué)習(xí)算法來說，缺乏“下定義”的過程，既：從特殊到一般的提煉過程，好的效果必須依托于成千上萬甚至更多的訓(xùn)練樣本之上。

那么如果不能進(jìn)行大量有效的訓(xùn)練，會發(fā)生什么？答案是：令人瞠目結(jié)舌的錯誤！錯誤的算法可能無法分清楚來福搶和直升飛機(jī)，大猩猩和人類。

深度學(xué)習(xí)錯誤識別的例子

對于數(shù)據(jù)的過度依賴也帶來了使用安全性上的問題。Marcus說過：“深度學(xué)習(xí)非常善于對特定領(lǐng)域的絕大多數(shù)現(xiàn)象作出判斷，另一方面它也會被愚弄?！?這便涉及到對抗樣本對于深度學(xué)習(xí)算法的攻擊。通過對交通標(biāo)志很小的涂改，深度學(xué)習(xí)算法就會誤判停止與限速的交通標(biāo)記，還有可能無法區(qū)分沙堆與肉色針織物。

深度學(xué)習(xí)并不深刻

深度學(xué)習(xí)善于建立輸入與輸出之間的映射關(guān)系，卻不善于總結(jié)發(fā)現(xiàn)其中的內(nèi)在物理聯(lián)系。事實上，“深度”這個概念，只是對于多層隱藏層的架構(gòu)而言，并非指該算法對事物本身的理解有多么深入。Marcus認(rèn)為：“通過此種算法建構(gòu)的系統(tǒng)，并不能總結(jié)并抽象理解諸如正義，民主，干預(yù)之類的概念”。

返回到一開始文章中提到的游戲案例，通過大量的訓(xùn)練，深度學(xué)習(xí)算法可以打敗最好的人類超級瑪麗玩家，然而這并不代表人工智能對于游戲有著和人一樣的領(lǐng)悟能力，當(dāng)一個棒球砸向馬里奧時，游戲玩家都知道通過跳起來躲避，而人工智能只懂得傻傻往前跑，直到被棒球砸中后背。通過反復(fù)的試錯實驗，它能夠保證最后的勝率，但是稍微升級以下游戲或改變版本，人工智能卻必須從頭學(xué)起。

Marcus的文章中提到谷歌深度學(xué)習(xí)中的應(yīng)用案例：在mastering of atari game breakout中，在游戲進(jìn)行240分鐘后，贏得游戲勝利的最佳方法是在墻上打隧道。然而，它并不明白墻，或者隧道是什么。它只是通過反復(fù)的試錯實驗直到，這樣做可以在最短的時間內(nèi)獲得最高的分?jǐn)?shù)。

深度學(xué)習(xí)是算法黑箱

依據(jù)規(guī)則而寫的程序給出的執(zhí)行結(jié)果，可以被追述到最后一個if else。機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的算法卻不能。這種不透明的性質(zhì)被定義為“黑箱”問題。深度學(xué)習(xí)算法在幾千個節(jié)點之間建立映射，并給出輸入與輸出之間的關(guān)系。即使是開發(fā)出此算法的親生工程師也常常會對結(jié)果困惑不解。當(dāng)深度學(xué)習(xí)應(yīng)用于容錯率較高的系統(tǒng)時，這個缺點看起來似乎無關(guān)緊要。但是想象一下，如果是應(yīng)用于法庭判決嫌疑人的命運(yùn)，或者醫(yī)療中決定對患者的處理之類的領(lǐng)域之中，任何微小的錯誤都會導(dǎo)致不可逆轉(zhuǎn)的致命結(jié)果。

Marcus認(rèn)為：”深度學(xué)習(xí)算法中的透明性問題至今無解，并且嚴(yán)重阻礙了它向金融交易、醫(yī)療診斷等人們看重并希望了解緣由的領(lǐng)域發(fā)展?！?/p>

基于對大量數(shù)據(jù)訓(xùn)練而得出的結(jié)果，使深度學(xué)習(xí)的方法常常表現(xiàn)出某些偏見，比如：男人比女人的收入更高，白人比黑人更具有外貌優(yōu)勢。這種錯誤在程序的調(diào)試階段很難發(fā)現(xiàn)，卻常常會由于其給出的結(jié)果，引起社會輿論的廣泛關(guān)注和討論。

深度學(xué)習(xí)注定會失敗嗎？

當(dāng)然不是！但是需要現(xiàn)實檢驗。

Marcus認(rèn)為：“深度學(xué)習(xí)可以作為簡化復(fù)雜問題，基于較大的數(shù)據(jù)量，建立輸入與輸出之間映射關(guān)系的完美途徑“。通過合理選擇訓(xùn)的方法和足夠的訓(xùn)練樣本，深度學(xué)習(xí)可以作為一種高效的分類數(shù)據(jù)的手段。但是它并不擁有魔術(shù)般的力量，要認(rèn)識清楚它的應(yīng)用局限性和有效性。Marcus 還認(rèn)為，深度學(xué)習(xí)還需要和其他的技術(shù)結(jié)合發(fā)展，比如說普通基于規(guī)則的編程或者其他的人工智能技術(shù)，比如強(qiáng)化學(xué)習(xí)。Starmind's Pascal Kaufmann 則認(rèn)為，通過神經(jīng)科學(xué)，從而實現(xiàn)人工智能能夠像人類一樣學(xué)習(xí)，也許也是行之有效的手段。

最后以Marcus的話來結(jié)束全文，并引出對深度學(xué)習(xí)何去何從的思考：“深度學(xué)習(xí)不會也不應(yīng)該消失，但是以五年為期來檢驗深度學(xué)習(xí)的能與不能，并讓社會各界清醒地接受和認(rèn)識它的能力與局限性，無論對于技術(shù)本身還是社會的發(fā)展都具有重要的意義！”