深度學習並不完美，它的局限性是什麼？

前言：當前，深度學習技術已經成為人工智慧領域的一個研究熱點。深度學習一方面通過大量的訓練集來進行機器自動學習，降低了人工建模的成本，但在另外一方面，隨著神經網路模型變得越來越複雜，訓練集越來越大，它的局限性也逐漸顯露出來。

為什麼會出現深度學習？

20世紀80年代以來，機器學習在演算法、模型、應用中都取得了顯著成就，特別是淺層學習模型在計算機領域獲得廣泛應用。但是，隨著信息化時代的到來，由於淺層學習模型是通過專家經驗進行數據特徵提取，而人類大腦學習則是全自動狀態。因此，傳統機器學習具有一定的局限性，這在很大程度上限制了人工智慧技術的發展。

人類大腦神經中樞在進行信息處理時，信息特徵具有逐層傳遞的特徵。當信息由人類器官經過連續多層神經網路系統傳遞到大腦時，每個層次的神經元都會進行激發，以識別信息的特徵。這種分層處理的機制啟示了人工智慧領域的研究者開發構造新一輪機器學習模型，進行分層表達的構想。因此，深度學習在這個背景下應運而生。

深度學習作為一種複雜的機器學習演算法，在數據挖掘、自然語言處理、搜索技術、機器翻譯、多媒體學習、語音、推薦和個性化技術，以及其它相關領域都取得了很多成果。深度學習使機器模仿視聽和思考等人類的活動，解決了許多複雜的模式識別難題，推動了人工智慧相關技術取得了很大進步。

2012年，在ImageNet圖像識別大賽中，傑弗里·辛頓的學生IIya Sutskever和Alex Krizhevsky採用深度學習模型AlexNet打敗了谷歌團隊，一舉奪冠。

同年6月，由斯坦福大學教授吳恩達(Andrew Ng)和大規模計算機系統世界頂尖計算機專家傑夫·迪恩(Jeff Dean)共同主導的Google Brain項目，採用1.6萬個CPU核的並行計算平台訓練深度神經網路的機器學習模型，在語音及圖像識別等領域獲得巨大成功。

2014年，Facebook基於深度學習技術的DeepFace項目，在人臉識別領域的準確率已達到97%以上，與人類識別的準確率相差無幾。

2016年，谷歌公司基於深度學習開發的AlphaGo以大比分戰勝了世界圍棋高手李世石。此後幾年，深度學習的相關演算法在金融、醫療、教育、交通等等多個領域都取得了顯著的成果。

深度學習目前存在哪些問題？

隨著深度學習的不斷進步以及數據處理能力的不斷提升，各大研究機構及科技巨頭相繼對深度學習領域投入了大量的資金和精力，並取得了驚人的成就。然而，我們不能忽略的一個重要問題是，深度學習實際上仍然存在著局限性：

1、深度學習需要大量的訓練數據

深度學習的性能，能否提升取決於數據集的大小，因此深度學習通常需要大量的數據作為支撐，如果不能進行大量有效的訓練，往往會導致過擬合(過擬合是指深度學習時選擇的模型所包含的參數過多，以至於出現這一模型對已知數據預測得很好，但對未知數據預測得很差的現象)現象的產生。

2、無法判斷數據的正確性

深度學習可以在不理解數據的情況下模仿數據中的內容，它不會否定任何數據，不會發現數據中隱藏的偏見，這就可能會造成最終生成結果的不客觀。

3、深度網路對圖像的改變過於敏感

在人類看來，對圖片進行局部調整可能並會不影響對圖的判斷。然而，深度網路不僅對標準對抗攻擊敏感，而且對環境的變化也會敏感。下圖顯示了在一張叢林猴子的照片中PS上一把吉他的效果。這導致深度網路將猴子誤認為人類，同時將吉他誤認為鳥，大概是因為它認為人類比猴子更可能攜帶吉他，而鳥類比吉他更可能出現在附近的叢林中。

圖：添加遮蔽體會導致深度網路失效。左：用摩托車進行遮擋後，猴子被識別為人類。中：用自行車進行遮擋後，猴子被識別為人類，同時叢林背景導致自行車把手被誤認為是鳥。右：用吉他進行遮擋後，猴子被識別為人類，而叢林把吉他變成了鳥。

4、深度學習不能解釋因果關係

深度學習能夠發現事件之間的關聯性，建立事件之間的映射關係，但是深度學習不能解釋因果關係。簡單來說，深度學習學到的是輸入與輸出特徵間的複雜關係，而非因果性的表徵。深度學習可以把人類當作整體，並學習到身高與辭彙量的相關性，但並不能了解到長大與發展間的關係。也就是說，孩子隨著長大會學到更多單詞，但這並不代表學習更多單詞會讓孩子長大。

寫在最後：

綜上所述，儘管人類在深度學習領域取得了不小的進步，但是距離人類級別的人工智慧仍有著很大距離。目前，為了解決深度學習面臨的挑戰，人們已經採取了多項舉措來解決問題。所以，對於深度學習的發展，我們也不要必過於悲觀。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！