深度学习真的适合人工智能吗？

 

自从前年Alpha Go完虐李世石之后，深度学习就火了，但似乎没人说得清它的原理，只是把它当作一个黑箱来使，有人说，深度学习就是一个非线性分类器，也有人说，深度学习是对人脑的模拟，然而，笔者觉得都没有捅透那层窗户纸。

 

 

这几年，人工智能引起了非常多的关注，深度学习和机器学习在AI核心技术上得到了充分的关注之外，在计算机视觉和自然语言处理等领域又一次产生了巨大的影响，深度学习也是无人驾驶汽车的关键技术。

 

深度学习到底是什么？

 

 

在深度学习中，计算机模型学习直接从图像、文本或声音中执行分类任务，深度学习模式可以达到新的精确度，有时甚至超过人类的表现，大多数深度学习方法使用神经网络的架构，这也是深度学习模型通常被称为深度神经网络的原因。

 

所谓深度通常是指神经网络中隐藏层的数量，传统的神经网络只包含2到3个隐藏层，而深度神经网络最多可以有150个，深度神经网络最受欢迎的类型之一是卷积神经网络，，卷积神经网络通过输入数据来卷积学习特征，并通过2D卷积图层，使得这种架构非常适合处理2D数据。

 

为何深度学习关注点很多？（http://www.gp2q.com）

 

 

最主要的原因是准确性，深度学习模式可以达到前所未有的精确度，有时甚至超过人类的表现，还有另外两个因素使该技术得到了业界的关注，其一，深度学习需要大量的标记数据。如，无人驾驶汽车的发展需要以数百万计的图像和数千小时的视频为基础，这些大量的标记数据现在已经可以轻松获得。

 

其二，深度学习需要大量的计算能力，高性能的GPU具有高效深度学习的并行架构，与集群或云计算结合使用时，开发团队可以将深度学习网络的培训时间从几周缩短到几个小时甚至更短。

 

深度学习会是AI未来吗？

 

 

其实，深度学习并不是人工智能的同义词，由于谷歌、Facebook等巨头公司宣传人工智能工具时主要谈的就是深度学习，甚至只谈深度学习，因此大众误以为所有的人工智能都由深度学习书写，然而，真实情况并非如此。

 

未来人工智能应探索其它的新方法，或者被忽视的旧方法，而不仅仅使用深度学习，深度学习的一个局限是把数据中最常见的内容作为真理，把统计学上较稀少、或与较常出现的内容相反的东西看作谬论，深度学习的公正性并非来自其自身，而是人类筛选和准备的深度学习数据。

 

此外，有一些专家正在开发完全不包含深度学习的全新人工智能系统，但他们缺乏资金支持，现在所有人都只投资深度学习，而且这个风潮还将持续一段时间，没有人知道下一个人工智能大事件将会是关于什么的，但不太可能是深度学习。

 

总结：如果你们还没来得及学习人工智能，那么你们可以考虑等待下一个人工智能系统兴起，并准备好并直接研究它，跳过深度学习，否则，如果你有需求学习人工智能，笔者建议你们一定要深入了解整个人工智能和机器学习领域的知识，而不仅仅是深度学习。

更多：（http://www.gp2q.com）