深度学习已经触到天花板了吗

纽约大学的Gary Marcus写了一篇关于深度学习局限性的文章，并提出了几个令人警醒的观点(在文章传播开之后，他又写了一篇同样有趣的续篇)。Rodney Brooks将时间线放在一起，并通过引用的研究跟踪他的AI炒作周期预测。

对此持怀疑态度的人通常有几个共同点。神经网络需要的数据量非常大，即使在今天，数据仍然是有限的。这也是为什么你在YouTube上看到的“游戏”AI示例通常需要几天不断地输掉游戏，直到神经网络找到对应的获胜模式。

我们确实需要降低我们的期望并停止夸大“深度学习”的能力。如果我们不这样做，我们可能会发现即将又会迎来AI的另一个寒冬。

神经网络“深度”是在于它具有多层节点，而不是因为它对问题产生了深刻的理解。这些层也使神经网络难以理解，对于开发人员也是是如此。最重要的是，当神经网络进入其他问题空间时，例如旅行推销员问题，它会出现回报递减的问题。为什么在搜索算法更加直接、有效、可扩展且经济的情况下，我还要使用神经网络来解决旅行商问题呢?

当然，有些人希望使用神经网络解决更多其他复杂的问题，虽然这很有趣，但神经网络似乎很难超越任何专门的算法。

Luke Hewitt 在《The Unreasonable Reputation of Neural Networks》文章中给出了最好的解释：

需要指出的是，神经网络需要大量的硬件和软件才能进行训练。对我来说，这是不可持续的。当然，神经网络的预测精度比训练时要高得多。然而，为了提高神经网络的精度，它需要不断的被训练，因此训练时消耗的能量和成本成指数级增长。当然，现在计算机的速度越来越快，但芯片制造商能否继续维持摩尔定律呢?

这是有道理的。为什么在搜索算法更加直接、有效、可扩展且经济的情况下，我还要使用神经网络来解决旅行商问题呢?

正是由于这些原因，我认为另一个AI寒冬即将来临。越来越多的专家和博主正在指出这些局限。公司依旧花费大价钱招聘最好的“深度学习”和“人工智能”人才，但我认为许多公司认识到深度学习并不是他们所需要的只是一个时间问题。更糟糕的是，如果你的公司没有Google的研究预算、博士人才或从用户那里收集的海量数据，你很快就会发现你实际的“深度学习”前景非常有限。

在每一个人工智能的寒冬之前，科学家们都在夸大和鼓吹他们创造的潜能。仅仅说他们的算法能很好地完成一项任务是不够的，他们希望它能解决任何任务，或者至少给人一种它可以的印象。例如，AlphaZero特别擅长于下棋，于是媒体的反应是“哦，天哪，通用智能时代来了!机器人来了!”然而科学家们并没有去纠正它们，而是鼓励他们使用这些词汇。毕竟，降低预期并不能帮助风投融资。但是，尽管人工智能研究人员的机器人能力有限，但他们仍然将算法拟人化，他们为什么会这么做呢，这比起科学问题，倒更像是一个哲学问题。

Garry Kasparov在1997年对阵Deep Blue时表示：Rex功能

接下来会面临什么呢?

当然，并不是所有使用“机器学习”或“人工智能”的公司实际上使用了“深度学习”。

（编辑：PHP编程网 - 湛江站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!