“深度学习并未走进死胡同 将推动人工智能快速发展”

编辑将深度学习作为一种机器学习的做法，是实现人工智能的重要基础。 近来，随着人工智能的飞速发展，深度学习的短板日益凸显，有学者认为其瓶颈已经出现。 深度学习的瓶颈真的来了吗？ 针对这一问题，本文分为上下篇，对深度学习的特点和短板，以及改进方法进行探讨，为网民梳理专家学者的不同思考。

日前，世界人工智能计算机视觉行业创始人之一约翰·霍普金斯大学教授艾伦·； 尤尔表示深度学习已经成为计算机视觉行业的瓶颈，引起了业界众多专家的共鸣和热议。

目前，深度学习作为实现人工智能的一种方法，其目的是更密切地模仿人脑。 那么，业内专家学者承认这一点吗？ 作为人工智能技术的重要基础，深度学习在快速发展中到底面临着那些困难？ 如果出现深度学习瓶颈，该如何解决这个难题？ 带着相关问题，科技日报记者近日深入解读了中外人工智能知名专家尤尔教授的见解。

深入学习的地方

最初，深度学习刚进入众多人工智能研究者的视线，被人嗤之以鼻，但仅仅几年后，其触角就在许多高科技行业延伸，横跨谷歌、微软、百度、甚至推特等多家公司。

许多高科技企业热衷于探索深度学习特殊形式的卷积神经互联网。 卷积互联网由相互连接的卷积层构成，与大脑中解决视觉新闻的视觉皮层非常相似，但不同之处在于可以重用一张图像内多个位置的同一滤波器。 卷积网络学会在某个位置识别脸部后，也可以自动在其他位置识别脸部。 这个原理也适用于声波和手写拷贝。

业内人士表示，卷积神经互联网允许人工神经互联网快速接受培训。 由于存储器占有量空之间小，因此不需要分别存储图像内各位置的过滤器，非常适合制作扩展性高的深网( deep nets )。 这也有卷积神经互联网善于识别图形的优点。 基于此，谷歌开发了安卓手机的语音识别系统，百度开发了可视化的新型各搜索引擎。

当然，卷积神经互联网要正常工作，需要强大的计算机和庞大的数据集，在收集数据和计算平均值时，效果并不充分。

作为卷积神经网络的权威人物，Facebook (人工智能实验室的负责人伊恩·； 勒坤表示，目前最广泛采用的卷积神经网络几乎完全依靠监督学习。 这意味着，当考虑如何识别卷积神经网络学会中的特定对象时，有必要给几个样本加上标签。 另一方面，无监督学习( unsupervised learning )可以从没有标记的数据进行学习，和人脑的学习方法很接近。 在此基础上开发的反向遗传算法虽然可以比较有效地将错误率最小化，但无法展示人脑的结构。

卢坤说:“我们对大脑如何学习几乎一无所知。 虽然已知神经元突触可以自我调节，但大脑皮质的机制还不清楚，我知道的最终答案是，无监督学习是接近人脑的学习方法，但无法解答大脑的认识机制。

瓶颈强调警惕

深度学习优于其他技术，但并不通用，经过几年的快速发展，瓶颈凸显出来。 不久前，艾伦·； 尤娅指出。

尤亚认为深度学习有三大局限性。 首先，深度学习几乎总是需要大量的标记数据。 这使得视觉研究者过于专注于容易标记的任务，而不是重要的任务。

其次，深网在基准数据集上良好，但在数据集以外的现实世界图像中，有可能导致严重的失败。 特别是，深网络很难应对数据集内不经常发生的罕见事件。 在现实世界的应用中，这些情况会带来潜在的风险，因为相应的视觉系统故障可能会导致可怕的结果。 例如，训练自动驾驶车的数据集中几乎不包括婴儿坐在路上。

第三，深网对图像中的一些变化过度敏感。 这种过度的敏感性不仅反映在图像中难以感知变化的标准上，也反映在上下文的变化上。 由于数据集大小的限制，过度的敏感性会导致系统的错误评价，但这种过度敏感性导致的图像变化很难欺骗人类的注意者。

例如，在丛林里有猴子的照片中，ps里有吉他。 这是ai把猴子误认为人类，把吉他误认为鸟的原因。 也许是因为人类比猴子更有可能有吉他，鸟类比吉他更有可能在附近的丛林里。

尤尔认为，瓶颈背后的是被称为组合爆炸的概念。 在视觉行业，从组合学的角度来看，现实世界的图像量太大了。 任何数据集，无论多大，都不容易表现现实的多样性和复杂性。 更何况，由于每个人选择、放置物体的方法不同，被放置的场景数量会呈指数级增加。 这需要无限大的数据集，这无疑对培训和测试数据集提出了巨大的挑战。

业内专家表示，这三大限制问题无法扼杀深度学习，但都是值得警惕的信号。

死亡的说法值得商榷

去年，深度学习行业的知名学者在脸书上发表了令人惊讶的语言深度学习而死亡，引起了业界的骚动。 现在，网上机器学习社区的一些人说进行深度学习是死胡同。

&lsquo； 深度学习死亡的说法来自业内人士，他们非常看好深度学习，但后来意识到了其局限性。 极限并不意味着这个东西死了，我们可以补充什么。 法国电讯集团首席技术官马克·； 阿曼对科技日报的记者说。

&lsquo； 深入学习死去的提法。 新一代人工智能产业技术创新战术联盟联合秘书长、科大讯飞副总裁兼ai研究院联合院长李世鹏指出。

李世鹏表示，深度学习创建新计算科学行业的做法当然有自身的限制和缺陷。 这个被外界宣传为万能的ai工具，其实在科学界一直被谨慎对待，从一开始，在所记载的大数据依赖、非说明、无推理功能、训练集中包含的样本中就能很好地发挥作用，但在未包含的样本中就能很好地发挥作用

我赞成尤尔教授的客观说法——深度学习在计算机视觉行业遇到了瓶颈。 特别是他讨论问题的这个时候是必要的，对方向有正面的提示。 现在大家都太热衷于深度学习了，无论是学术界还是产业界，&lsquo； 深度学习非ai的感觉。 其实这有个大问题。 因为深度学习确实只是在人工智能行业实现的，是一种狭隘的成功体验。 智库人工智能事业部部长、图灵机器人首席战术负责人谭茜洲指出。

总的来说，李世鹏说深度学习死亡的说法值得商榷。 在今后相当长的一段时期内，深度学习对人工智能的快速发展起到了积极的作用，具有很大的应用价值。 并且，科学家正在试图揭示深度学习天生的缺陷和局限性，一点一点地弥补其现阶段快速发展的不足，各个行业都在探索新一代人工智能的突破。

本篇文章：《“深度学习并未走进死胡同 将推动人工智能快速发展”》