了解深度学习技术！
https://www.toutiao.com/a6642081749134230019/
2019-01-03 09:49:28
我们今天讨论什么是深度学习，他带给我们什么样的好处，以及与人工智能的关系。
作者：詹姆斯·E·鲍威尔
马丁·福特(Martin Ford)在他的新书《智能建筑师:人工智能建造者的真相》(Architects of Intelligence: The Truth about AI from The People Building It) (Packt Publishing, 2018年11月23日)中采访了人工智能专家，探讨了人工智能的未来、它对社会的影响以及我们应该关注的技术问题。在采访中，他谈到了自己的观点，人工智能的好处，以及人工智能尤其是深度学习的发展方向。
优点:简而言之，你如何向不熟悉这项技术的人描述深度学习?它是如何使用的?
马丁·福特:深度学习是一种软件，它大致模拟了大脑中生物神经元的运作和互动方式。神经网络是在20世纪50年代发明的，但直到最近十年，这些具有多层神经元的复杂网络才得以建立起来。“深度”一词指的是这些网络有许多层人工神经元(有时超过100层)。
在过去几年里，深度学习一直是推动人工智能取得显著进步的主要技术。深度神经网络为语音识别和生成提供动力，使亚马逊Alexa成为可能。它也彻底改变了机器视觉。如今，计算机在识别视觉图像方面的表现已经超过人类，这种能力已经被应用于从自动驾驶汽车到基于图像视觉分析诊断癌症的医疗系统等各种应用中。这项技术也被用于提高机器人的感知能力和灵活性。在医学、科学、商业、工厂自动化和交通运输等领域，深度学习的应用数量几乎是无限的。
该技术继续快速发展。产生这种情况的部分原因是计算机硬件性能的不断提高。 NVIDIA和英特尔等公司现在生产专为该技术设计的计算机芯片。在改进深度学习中使用的学习算法方面也进行了大量研究。大型科技公司正在对该技术进行大规模投资，这很可能会继续推动未来的发展。
马丁·福特:深度学习是一种软件，它大致模拟了大脑中生物神经元的运作和互动方式。神经网络是在20世纪50年代发明的，但直到最近十年，这些具有多层神经元的复杂网络才得以建立起来。“深度”一词指的是这些网络有许多层人工神经元(有时超过100层)。
在过去几年里，深度学习一直是推动人工智能取得显著进步的主要技术。深度神经网络为语音识别和生成提供动力，使亚马逊Alexa成为可能。它也彻底改变了机器视觉。如今，计算机在识别视觉图像方面的表现已经超过人类，这种能力已经被应用于从自动驾驶汽车到基于图像视觉分析诊断癌症的医疗系统等各种应用中。这项技术也被用于提高机器人的感知能力和灵活性。在医学、科学、商业、工厂自动化和交通运输等领域，深度学习的应用数量几乎是无限的。
这项技术继续快速发展。出现这种情况的部分原因是计算机硬件越来越快，也越来越好。英伟达(NVIDIA)和英特尔(Intel)等公司现在生产专为这种技术设计的电脑芯片。在深入学习中使用的学习算法的改进方面也有大量的研究。大型科技公司正在对这项技术进行大规模投资，这极有可能继续推动技术进步。
该技术继续快速发展。发生这种情况的部分原因是计算机硬件变得更快，也更好。 NVIDIA和英特尔等公司现在生产专为该技术设计的计算机芯片。在改进深度学习中使用的学习算法方面也进行了大量研究。巨大的科技公司正在对该技术进行大规模投资，这很可能会继续推动未来的发展。
深度学习和人工智能之间的关系是什么？ DL如何推进人工智能？
深度学习(以及更普遍的机器学习，包括神经网络以外的方法)只是人工智能的一个分支。然而，毫无疑问，这是最具爆炸性进展的单一领域。
实际上，在顶尖专家中，关于深度学习在未来人工智能中的作用和重要性，存在着一些争论。《智能架构师》采访了包括杰夫•辛顿(Geoff Hinton)、扬•勒肯(Yann LeCun)和约舒亚•本吉奥(yoshu Bengio)在内的深度学习先驱，他们倾向于相信，神经网络最终会证明自己有能力在人工智能领域做任何真正重要的事情。其他专家不同意。他们认为，深度学习必须与其他方法相结合，才能继续推动这一领域的发展。
深度学习有什么好处？ 有什么缺点？
深度学习的主要好处是系统具有强大的能力:(通常是超人的)识别数据模式的能力。这些模式可能是可视图像中的对象或人、人类语言中的文字、业务数据中的重要见解，或者是机器中某个特定部分可能会失败的早期警告。
目前的技术状态有许多潜在的缺陷。
深度学习系统相对不灵活或“脆弱”。如果最初的假设发生了变化，系统将生成不正确的数据。与人类不同，这些系统无法适应。
深度学习系统可能缺乏透明度或充当“黑匣子”。他们给出了结果，但没有解释这些结果是如何产生的。当系统用于刑事司法等领域时，这可能是一个大问题，在这些领域，理解导致决策的基本原理至关重要。
在某些情况下，已经检测到基于种族，性别或其他参数的偏差。这是因为用于训练系统的数据存在偏差。例如，如果在面部识别系统中使用神经网络并且网络在大多数白脸上训练，则系统在识别非白脸方面可能不太有效。这可能导致“误报”，因此非白人经常被错误识别。
安全性一直是任何自治系统的主要关注点，有证据表明，深度学习系统可能容易受到黑客攻击。
越来越多的法规要求企业解释它们的决定，而在人工智能中，这可能会很困难，因为算法是隐藏在视野之外的——因此需要推动算法的透明度。DL是解决方案的一部分吗
深度学习系统成为“黑匣子”的趋势是该领域的一个主要关注点，目前有许多关于构建更透明系统的研究正在进行。像谷歌这样的公司都有团队致力于提高透明度和消除这些系统中的偏见。
我采访过的人之一，大卫·费鲁奇(David Ferrucci)(他领导了IBM Watson的开发团队)，创办了一家公司，专门致力于开发能够自我解释的系统。他利用自然语言处理方面的最新进展，最终设想出一种系统，能够像人类分析师那样回答问题。
关于深度学习（ DL ）有哪些常见的误解？人们认为它可以做什么呢？
最重要的误解是人们把真正的智力和深度学习联系在一起。这些系统目前仅限于作为非常有效的模式识别器。他们没有表现出真正的人类智慧。当媒体描述“类脑”计算机的神经网络时，这种误解可以被放大。
虽然我采访过的很多人（例如，包括DeepMind的Demis Hassabis和Google的Ray Kurzweil）对真正的机器智能取得进展非常感兴趣，但大多数研究人员都认为这还有很长的路要走。
就目前而言，DL系统能够以惊人的熟练程度完成非常具体的事情 – 但它们并不像人一样“思考”。
DL在未来一两年的发展方向是什么?从长远来看(比如5到10年后)，它将走向何方?
未来一两年，核心技术将继续取得突破，但或许更重要的是，DL在整个经济领域的应用将呈爆炸式增长。我采访过的吴立胜(Andrew Ng)提出了几个旨在加快这一进程的举措:落地。人工智能正在为制造业带来深入的学习，而人工智能基金正在酝酿新的想法，这些想法最终将扩大到专注于多个领域的初创公司。
在未来的5-10年里，DL可能会发展成为一种真正的通用技术。它将几乎像电一样，在经济、科学和文化的几乎每个方面都变得越来越不可或缺。
我们还应该为在更长时间内实现真正突破性突破的可能性做好准备。例如，雷•库兹韦尔(Ray Kurzweil)认为，我们可能在11年内实现人类水平的机器智能。这是一个大胆的预测，但我们应该期待取得显著进展，对经济和社会产生巨大影响。