Hinton提出的“深度学习要另起炉灶，彻底抛弃反向传播” 随笔

对于一个正在学习深度学习的人， 今天看到Hinton的上面言论， 心中无疑是五味杂陈的。

Hinton最近提出了“深度学习要另起炉灶，彻底抛弃反向传播”， 一时激起千层浪， 李飞飞等人标识赞同.
Hinton针对人工智能的瓶颈， 提出了capsule的概念。Hinton大神认为其提出的反向传递算法， 在生物学上很难成立， 生物神经网络也不可能存在人工神经网络那么多层级， 需要那么多层的时候， 生物神经网络的速度也跟不上， 借鉴大脑皮层中普遍存在的 Cortical minicolumn 的柱状结构内部含有上百个神经元，并存在分层, Hinton 模仿 mini-column 提出了对应的人工神经网络结构。 对应论文为 Transforming Auto-encoders
Hinton指出CNN中池化层的很多缺点，提出Capsules。

这是 Hinton 最近被 NIPS 接受的关于 **Capsules **论文 Dynamic Routing between Capsules （未发表） 。其在 MNIST 上非常成功，识别率达到了新高，同时解决了CNN难以识别重叠图像等问题。

---

机器学习不是仿生， 但是确实现在大脑做得比深度学习好， 度量的标准不只是静态的识别率， 还包括普适性， 学习的难度（人脑学习使用的样本数量比较少）， 所以先看看Cortical minicolumn是个什么东东。
查了下， 能找到的解释相当少。

---

关于人工智能的未来和方向的思考， 也提到了周志华老师的学件：
周志华：关于人工智能的探讨
周志华老师关于学件的思考， 更多的思考了当前人工智能的瓶颈， 数据分享困难、模型适应性差、黑盒模型导致解释性很差， 提出了学件的概念， 通过分享数据训练出来的学件， 而不是分享数据本身来让大家不用重复造轮子；学件是可解释的， 整个模型的解释性更强；学件可演进；
同时提出了一个学件市场的概念。

---

人工智能的发展， 将来模块化的可能性还是非常的大的， 所以做个人工智能模块市场的可能性也非常大。说不定是个不错的创业方向:)

从机器学习的优化方向上来说， 现在模拟大脑是个重要的方向，按照KK的理论， 整个科技都算一个超生物体， 是不是当计算量充足或者算法和思想突破的时候， 模拟整个社会或者整个文明， 也是一个方向呢？

关于人工智能未来的可能性， 是否存在于一种算法， 类似于大自然的演进一样， 让我们能够使用算法本身来演进算法， 最后不停的得到一个优化的算法， 不过估计这种演进需要的计算量不是一般的大， 因为搜索空间实在太大。那么我们是不是目标就是， 设定一种相对廉价的方法， 在巨大的搜索空间中找到局部最优甚至全局最优点呢？

说不定整个地球就是一个算法演进试验场， 外星人不时来收割一下算法， 当有一天外星人觉得文明跑歪了的时候（恐龙文明）， 就重新设定一下就好了。

扯远了， 无论如何深度学习还是有其优势的， 至少在推荐算法， 处理大数据方向（当然这个可能是计算机的速度决定的）， 还是非常先进的。

继续坚定的学习， 才是王道。