從 2016 年 AlphaGo 戰(zhàn)勝李世石掀起深度學習的熱潮，到如今深度學習寒冬論甚囂塵上，短短兩三年時間，深度學習被唱衰，如今在產(chǎn)業(yè)互聯(lián)網(wǎng)的高速發(fā)展下深度學習又該走向何方？未來的發(fā)展方向在何方？

深度學習技術(shù)自身的局限性

深度學習畢竟是機器學習，不會像人一樣思考，這就使得深度學習存在著很大的局限性。對于大多數(shù)任務而言，要么不存在相應的深度神經(jīng)網(wǎng)絡能夠解決任務，要么即使存在這樣的網(wǎng)絡，它也可能是不可學習的。

通過堆疊更多的層并使用更多訓練數(shù)據(jù)來擴展當前的深度學習技術(shù)，只能在表面一緩解一些問題，無法解決更根本的問題，比如深度學習模型可以表示的內(nèi)容非常有限，比如大多數(shù)你想要學習的程序都不能被表示為數(shù)據(jù)流形的連續(xù)幾何變換。

另外一點比較突出的問題在于深度學習的泛化能力不夠，或者稱之為只有局部泛化能力。而我們?nèi)祟惒粫覀兺ㄟ^將事務進行抽象和推理的手段，可以做到少樣本或者零樣本學習。對于我們?nèi)祟惗?，我們有著極端泛化能力。

比如說，我們想要學習讓火箭登錄月球的正確發(fā)射參數(shù)。

如果使用深度網(wǎng)絡來完成這個任務，并用監(jiān)督學習或強化學習來訓練網(wǎng)絡，那我們需要輸入上千次、甚至上百萬次發(fā)射實驗。相比之下，我們?nèi)祟惪梢岳贸橄竽芰μ岢鑫锢砟Ｐ停ɑ鸺茖W），并且只用一次或幾次實驗就能得到讓火箭登錄月球的精確解決方案。同樣，如果你開發(fā)一個能夠控制人體的深度網(wǎng)絡，并且希望它學會在城市里安全行走，不會被汽車撞上，那么這個網(wǎng)絡不得不在各種場景中死亡數(shù)千次，才能推斷出汽車是危險的，并且做出適當?shù)亩惚苄袨?。將這個網(wǎng)絡放在一個新的城市，它將不得不重新學習已知的大部分知識。但人類不需要死亡就可以學會安全行為，這個也要歸功于我們對假想情景進行抽象建模的能力。

看來，深度學習和真正意義上的智能有著極大差距。語音識別、智能翻譯、圖像識別、AlphaGo、自動駕駛….. 盡管人類在深度學習領(lǐng)域取得了不小的進步，但是距離人類級別的人工智能仍有著很大距離。

深度學習技術(shù)該走向何方？

深度學習帶來了人工智能的第三次熱潮，大量資本和人才紛紛涌入人工智能領(lǐng)域，關(guān)于人工智能的創(chuàng)業(yè)公司迅速增長。據(jù)最新發(fā)布的《中國新一代人工智能科技產(chǎn)業(yè)發(fā)展報告》統(tǒng)計，2018 年全球人工智能領(lǐng)域?qū)＠暾埩窟_到 13 萬余件，我國人工智能企業(yè)占世界人工智能企業(yè)總數(shù)的 21.67% ，排名世界第二。

技術(shù)不同于科學研究，遲早要尋求回報。人工智能風口下的初創(chuàng)公司，只有精耕產(chǎn)品需求，使解決方案更加的解決客戶難題，才能發(fā)揮技術(shù)的價值。

另一項數(shù)據(jù)則顯示我國 90% 的 AI 公司由于未找到商業(yè)變現(xiàn)的途徑，處于虧損狀態(tài)。但也有一些企業(yè)借創(chuàng)新的技術(shù)，過硬的實力，全鏈的產(chǎn)業(yè)落地模式，在產(chǎn)業(yè)互聯(lián)網(wǎng)時代受到資本的寵溺，一躍成為行業(yè)獨角獸，如第四范式、字節(jié)跳動、寒武紀科技、云從科技、馭勢科技、曠視科技、商湯科技、圖森未來、依圖科技等高科技公司。

國內(nèi)外各大科技巨頭公司紛紛進軍深度學習領(lǐng)域，無論是國外的谷歌、亞馬遜、Facebook，還是國內(nèi)的百度、阿里、騰訊等科技巨頭公司紛紛開源了自己的深度學習框架。產(chǎn)業(yè)互聯(lián)網(wǎng)時代，更多人工智能公司追求商業(yè)落地，將技術(shù)賦能場景。

我們?nèi)绾慰朔疃葘W習的局限性并通向通用智能？眾多科學家對此也進行了解答：

在未來，模型將會融合算法模塊與幾何模塊，前者提供正式的推理、搜索和抽象能力，后者提供非正式的直覺和模式識別能力?！?a href="http://www.www27dydycom.cn/tags/python/" target="_blank">Python 深度學習》

AlphaGo（這個系統(tǒng)需要大量的手動軟件工程和人為設計決策）就是這種符合人工智能和幾何人工智能融合的一個早期的例子。

此外，通過使用存儲在可復用的子程序的全局庫（這個庫隨著在數(shù)千個先前任務和數(shù)據(jù)集上學習高性能模型而不斷進化）中的模塊化部件，這種模型可以自動成長，而不需要人類工程師對其進行硬編碼。隨著元學習系統(tǒng)識別出經(jīng)常出現(xiàn)的問題解決模式，這些模式將會被轉(zhuǎn)化為可復用的子程序（正如軟件工程中的函數(shù)和類），并被添加到全局庫中。這樣就可以實現(xiàn)抽象和極端泛化能力。

因此，這種永久學習的模型生長系統(tǒng)可以被看作是一種通用人工智能（AGI artificial general intelligence）。

為了達到這個目標，多年來，深度學習領(lǐng)域一直處于所謂的人工智能革命的最前沿。許多人相信深度學習將帶領(lǐng)我們進入通用 AI 時代。但從過去的風口浪尖，到如今的塵埃落地，浪潮一再的退去。計算機視覺與 AI 專家 Filip Piekniewski 曾警示預測人工智能的冬天就像是猜測股市崩盤——不可能精確地知道發(fā)生的時間，但幾乎可以肯定會在某個時刻發(fā)生，就像股市崩盤之前，有跡象表明會發(fā)生危機，但在當時的環(huán)境中，卻很容易被大家忽視。

深度學習已經(jīng)出現(xiàn)了明顯的下降跡象。人工智能將何去何從？深度學習將會走向何方？

2019 年 10 月 19 日，中國計算機大會將就“深度學習的冬天什么時候到來”的話題開展論壇，由中科院計算所研究員山世光擔任論壇主席。這場大會以“智能+引領(lǐng)社會發(fā)展”為主題，將邀請多位國內(nèi)外計算機領(lǐng)域知名專家、企業(yè)家到會做特邀報告，同時還有 80+ 場技術(shù)論壇、20 場活動及展覽展示等。

未來充滿了不確定，但我們可以為這個冬天做好更多的準備。