人工智能之深度学习不能仅仅是深度神经网络

人工智能之深度学习不能仅仅是深度神经网络

深度学习是当今人工智能范畴炙手可热的技术，也是人工智能第三次复兴的关键。深度学习的展开有3个重要阶段：1）1998年， LeCun提出卷积神经网络LeNet使得手写体辨认的精度大幅度进步；2）2003年，Bengio基于循环神经网络提出新的NLP（自然言语处置）模型，效率大幅进步 3） 2012年，Hinton和研讨生Alex提出AlexNet，取得ImagetNet大赛冠军并远超第二名。 自从之后，大量的相关应用研讨和改进研讨层出不穷，几万篇论文以至更多的论文发表，推进了深度神经网络的快速展开。

2015年，深度学习神经网络三位顶级专家 Lecun Y , Bengio Y , Hinton G协作在Nature协作发表著名论文“Deep Learning (深度学习)”，[Deep learning[J]. Nature, 2015, 521(7553):436-444.]，目前已援用1万多次。这篇论文正式标记着，以深度神经网络为代表的深度学习技术正式走向人工智能研讨的中央C位。在深度神经网络展开的过程中，得到了Google， 微软和Facebook等互联网巨头的鼎力加持，发布了很多相关的研发平台，大大缩短了研发者的时间。于是，深度神经网络的研讨与应用开端一日千里的快速展开。由此，这三位出色的科学家在2019年取得了图灵奖。下面，我们再剖析一下这篇经典论文的摘要，共分4句。

第1句： Deep learning allows computational models that are composed of multiple processing layers to learn representations of data with multiple levels of abstraction. 深度学习允许由多个处置层组成的计算模型学习具有多个笼统层次的数据表示。这句话没有问题，没有特指深度神经网络。

第2句： These methods have dramatically improved the state-of-the-art in speech recognition, visual object recognition, object detection and many other domains such as drug discovery and genomics. （ 这些措施极大地进步了语音辨认、视觉目的辨认、目的检测以及药物发现和基因组学等许多范畴的技术水平。）这句话阐明深度学习应用范围很广，也没有问题。

第3句： Deep learning discovers intricate structure in large data sets by using the backpropagation algorithm to indicate how a machine should change its internal parameters that are used to compute the representation in each layer from the representation in the previous layer. （深度学习经过运用反向传播算法来发现大型数据集中的复杂结构，以指示机器应如何改动用于从前一层的表示中计算每一层的表示的内部参数。） 这句话有些问题，学习不一定要神经网络特有的反向传播算法，能够是其他模型和其他算法。

第4句： Deep convolutional nets have brought about breakthroughs in processing images, video, speech and audio, whereas recurrent nets have shone light on sequential data such as text and speech. （深度卷积网络在处置图像、视频、语音和音频方面取得了突破性停顿，而递归网络则为文本和语音等连续数据带来了光明。）这句话也有些问题，深度卷积网络和递归网络是2种典型的神经网络，不外其他措施也能够取得很好的效果，以至更好的效果。

“月满则亏，盛极而衰”，最近几年，深度神经网络的热潮慢慢褪去，或者说有很多质疑的声音，好比模型复杂度太高，算法可解释性较差，应用成本较高，保险性难以保障等。最近几年，随着大家关于深度学习的了解不时深化，发现深度学习是个好概念，但是不能仅仅局限于深度神经网络，应该有更普遍的意义，应有更多不同的处置措施和技术道路 。

近年来，我国科研工作者明显有了科研自信和创新自信，人工智能研讨学者曾经不满足于跟踪和改进国外的一流研讨成果，而是勇于提出不同的思绪和处置措施。好比中科院的王飞跃教授提出了平行学习，华南理工大学的陈俊龙教授提出了宽度学习，清华大学的朱军教授提出了贝叶斯深度学习，南京大学的周志华教授提出了深度森林，中科院大学的王立新教授提出了深度卷积含糊模型；我们课题组也提出了深度神经含糊系统等等。是不是有点百花齐放，百家争鸣的觉得？

可惜，我国的互联网巨头们目前还没有更上，他们还在陶醉在平台的用户数，并耗费巨资与菜贩果贩争蝇头小利，却全然不顾或讪笑讽刺国外巨头已把目的锁定在悠远的通用人工智能和火星移民。

爱因斯坦说“A person who never made a mistake never tried anything new.“（ 一个从不犯错误的人，一定历来没有尝试过任何新颖事物。）希望国内IT产业不要满足于在国外成熟的平台上中止快速二次开发，而是不要怕犯错，与学术界紧密协作，推出其他类型深度学习或机器学习的开发平台，打造人工智能产业生态链，从而使得我国人工智能研讨和产业的展开能植根于我们自主的平台和技术，这才干未雨绸缪，向北斗系统学习，避免人工智能科研“卡脖子”事情的发作。

转载本文请联络原作者获取受权，同时请注明本文来自陈德旺科学网博客。

链接地址： http://blog.sciencenet.cn/blog-57940-1272108.html

上一篇： 再回首人工智能之含糊系统