2017GAITC｜继续大数据驱动深度学习还是另寻他途

深度学习引燃人工智能热

对于人工智能领域的学者和从业者来说，2016年初阿尔法狗战胜李世石，具有里程碑式的重要意义，而这一事件也让深度学习一词走红，创投圈跟风掀起一股人工智能投资热，毫不夸张地说，这一次“人工智能热”是深度学习所引发的。

人工智能是计算机的一个分支学科，早在1956年计算机科学家们在达特茅斯会议（Dartmouth Conferences）上便被明确提出，在人工智能这个概念里包含着众多分支技术，其中机器学习便是其中一类算法。如果说AI是一个合集，那么机器学习就是AI的子集，而深度学习又是机器学习这个子集里面的一种技术。

其实，深度学习也并非一项新技术。2006年，加拿大多伦多大学教授、机器学习领域泰斗Geoffrey Hinton和他的学生Ruslan Salakhutdinov在顶尖学术刊物《科学》上发表了一篇文章，开启了深度学习在学术界和产业界的浪潮。

随着CPU性能的显著提升以及图形处理器（GPU）的广泛应用，计算机可以实现更快、更便宜、更强大的并行处理。另外，得益于几乎无限的存储空间和海量数据的出现，图像、文本、交易数据、地图数据等应有尽有，使得深度学习的模型可以得到有效训练，深度学习的应用场景随之增加，尤其是在计算机视觉上表现最为抢眼。

但是，深度学习加大数据的方法是否就是目前水平下的最终解决方案呢？2017年5月21日，全球人工智能大会的尖峰对话环节将邀请多位学界专家和商业精英，展开主题为“通用AI之路：继续大数据驱动深度学习还是另寻他途”的圆桌论坛，参会嘉宾分别为：

达闼科技创始人兼CEO、前中国移动研究院院长黄晓庆

亮风台联合创始人&CEO廖春元

360首席科学家、360人工智能研究院院长颜水成

紫牛基金合伙人张泉灵

山东大学计算机学院与软件学院院长陈宝权

何为通用人工智能

首先，何为通用人工智能？

根据维基百科的解释，通用人工智能（Artificial General Intelligence，AGI）也称强人工智能，指具备执行一般智慧行为的能力。通用人工智能类似于人类智能，可以将意识、感性、知识和自觉等人类的特征互相连结，拥有人类五感（甚至更多）、推理能力以及人类思维方式。而在目前技术水平下，人工智能只能在某些固定领域达到或超过人类智能，被称为弱人工智能（Narrow AI）。

通用人工智能的强大可以满足人们对未来的想象，也是现实中人工智能的发展方向，要达到通用人工智能的程度，仅靠深度学习+大数据的方式难以全面涵盖。

深度学习的局限性

在深度学习乃至人工智能概念被提出之前，科学家就开始模拟人脑的神经网络，开发人工神经网络的算法，人工神经网络中数据传播也模仿大脑中神经元的信号传播，将输入值进行多层筛选，每层神经元都会给出权重，最终输出一个判断结果。而深度学习可以简单理解为传统神经网络的拓展，因此一些之前接触过人工神经网络的机器学习从业者对深度学习的印象很可能是：这不过是多层结构的人工神经网络而已。

不过，尽管深度学习在专业领域的应用效果十分不错，但它并非是万能的。深度学习需要结合特定领域的先验知识，和其他模型结合才能得到最准确的结果。此外，类似于神经网络，深度学习的另一局限性是可解释性不强，像个“黑箱子”一样，不知道为什么能取得好的效果，使用者不知如何有针对性地去具体改进，而这有可能成为产品升级过程中的阻碍。

因此，虽然目前深度学习+大数据训练得方式在语音、图像上表现不错，但是在一些复杂函数上，这种模式捉襟见肘。那么，在通往通用人工智能的方向上，我们还需要做哪些准备？5月21日，学界专家同AI领域创业者将齐聚全球人工智能大会，进行这一次深入的探讨。

注：文章转发自中国人工智能学会（http://caai.cn）

附“20172017全球人工智能技术大会”活动详情：

活动地点：国家会议中心会议区四层大会堂B

本文作者宋少卿，亿欧专栏作者；微信：zzb0930（添加时请注明“姓名-公司-职务”方便备注）；转载请注明作者姓名和“来源：亿欧”；文章内容系作者个人观点，不代表亿欧对观点赞同或支持。

赏

44

56