人工智能幾乎與計算機本身一樣古老，其歷史可追溯到上世紀五十年代，但早期的人工智能解決方案與當前的技術套件之間存在著很大的不同。

　　在早期階段，計算機科學家曾決心將世界上可用的所有事實和規則全部傳授給計算機，希望在計算機中復制人類的推理能力（正是推理能力讓人類的認知如此強大）。

　　但是，當這一領域遇到當今所謂的“常識性問題”時，這一計劃卻以失敗告終，因為人類認識是以隱性知識的形式得以體現，但無法以明確的事實和邏輯陳述來表達這些隱性知識形式。

　　從根本上講，深度學習算法并不可靠——如果輸入的數據超出了訓練數據的范圍，那么它們就會犯錯誤，但它們卻無法告訴我們何時會發生錯誤，因此錯誤通常會被忽視。在許多應用領域中，這并不是一個問題，但這會限制我們使用這些系統的領域。

　　1.靈活性

　　深度學習需依賴訓練數據的質量。例如，如果數據中充斥著性別、種族、殘疾性別或其它事實的刻板印象，則該技術的最終應用成果將充滿偏見和不平等現象。進行歷史數據算法方面的訓練可能會進一步增強現有的排斥和歧視做法。

　　深度學習系統在很大程度上是復雜難懂的黑匣子，因為不可能完全理解它如何獲得特定輸出內容（例如，輸入數據中的特定特征如何促成輸出內容的生成）。

　　因此，人工智能就給我們帶來了復雜的道德、法律和安全問題。例如，在法律環境中使用人工智能對人做出重大裁決已經引起了人們對如何確保司法、公正、問責制和透明度的關注。

　　在限制與其固有的局限性相關的問題的同時，還需開展大量的研究來改進深度學習并增強其功能。

　　2.建模問題

　　工業界曾經有一種觀點：“在大數據條件下，簡單的機器學習模型會比復雜模型更有效。”在實際的大數據應用中，很多最簡單的模型得到大量使用的情形也在一定程度上印證著這種觀點。

　　但是，隨著深度學習的快速發展，人們不得不重新思考這種觀點。因為在大數據情形下，往往只有比較復雜或表達能力強的模型，才能充分挖掘海量數據中的信息。隨著深度模型變得更強大，從大數據中發掘出的信息往往更有價值。大數據需要深度模型。比如說，語音識別所涉及的是大數據機器學習問題。其聲學建模所面臨的是高達十億到千億級別的樣本訓練。

　　Google公司在一個語音識別實驗中發現，訓練后的DNN，訓練樣本上的預測誤差，竟然與測試樣本的預測誤差基本相當。而在通常模型上，訓練樣本上的預測誤差要明顯小于測試樣本。這是因為大數據里含有豐富的信息維度，從而讓DNN這樣高容量的復雜模型處于欠擬合狀態。由此也就表明大數據需要深度學習。淺層模型模擬人工經驗抽取樣本特征，其功能主要是負責分類或預測。在這種情形下，特征的好壞就成為整個系統性能的關鍵。為此，為了發掘更好的特征，開發人員就得對需要解決的問題有深入的理解。要做到這一點，就需要反復摸索，這在時間上往往要花費數年。這就表明，人工設計樣本特征在可擴展性上欠佳。

　　3.工程問題

　　對于從事深度學習技術研發的人來說，首先要解決的是利用并行計算平臺來實現海量數據訓練的問題。深度學習需要頻繁迭代，傳統的大數據平臺無法適應這一點。隨著互聯網服務的深入，海量數據訓練的重要性日益凸顯。而現有的DNN訓練技術通常所采用的隨機梯度法，不能在多個計算機之間并行。采用CPU進行傳統的DNN模型訓練，訓練時間非常漫長，一般訓練聲學模型就需要幾個月的時間。這樣緩慢的訓練速度明顯不能滿足互聯網服務應用的需要。目前，提升模型訓練速度，成為許多大公司研發者的主攻方向。比如谷歌公司，搭建起了DistBelief這個深度學習并行計算平臺。通過采用異步算法，實現隨機梯度下降算法的并行化，從而加快模型訓練速度。不過，工程方面盡管取得了一定的進展，但對解決各種服務需求來說，仍然有很長的一段路要走。
?責任編輯人：CC