目录:
视频: ä¸è¦å²ç¬æåçæ§ (十一月 2024)
2012年，多伦多大学的一组科学家取得了图像分类的突破。
在ImageNet这一年度人工智能（AI）竞赛中，参赛者争夺最精确的图像分类算法，多伦多团队率先推出了AlexNet，“ AlexNet以惊人的10.8个百分点的优势击败了该领域……比后者高出41％次优”，根据Quartz的说法。
许多人称赞深度学习及其超集，机器学习是我们时代的通用技术，比电和火更深刻。 但是，其他人警告说，深度学习最终将使人类在每一项任务上都能胜任，并成为最终的职业杀手。 深度学习推动的应用程序和服务的爆炸式增长再次引发了人们对人工智能世界末日的恐惧，在人工智能末日世界中，超智能计算机征服了地球，并使人类陷入奴隶制或灭绝。
但是，尽管进行了大肆宣传，但深度学习仍存在一些缺陷，可能会阻止其实现其某些承诺-积极和消极的。
深度学习过于依赖数据
构成其基础结构的深度学习和深度神经网络通常与人脑进行比较。 但是我们的思想可以用很少的数据学习概念并做出决策。 深度学习需要大量样本来执行最简单的任务。
深度学习的核心是一种复杂的技术，它通过在标记的数据中查找通用模式并使用该知识对其他数据样本进行分类来将输入映射到输出。 例如，为深度学习应用程序提供足够的猫图片，它将能够检测照片是否包含猫。 同样，当深度学习算法吸收足够多的不同单词和短语的声音样本时，它可以识别并转录语音。
但是，只有当您有大量可用于算法的高质量数据时，这种方法才有效。 否则，深度学习算法可能会犯严重错误（例如将步枪误用为直升机）。 当他们的数据不具有包容性和多样性时，深度学习算法甚至会表现出种族主义和性别歧视行为。
对数据的依赖也会引起集中化问题。 由于它们可以访问大量数据，因此与资源较少的初创公司相比，诸如Google和Amazon之类的公司更适合开发高效的深度学习应用程序。 AI在少数公司中的集中化可能会阻碍创新，并使这些公司对用户的影响太大。
深度学习不灵活
人类可以学习抽象概念并将其应用于各种情况。 我们一直在这样做。 例如，当您第一次玩诸如Mario Bros.之类的计算机游戏时，您可以立即使用现实世界中的知识，例如需要跳过维修区或躲避火球。 随后，您可以将您的游戏知识应用于其他版本的Mario，例如Super Mario Odyssey，或其他具有类似机制的游戏，例如Donkey Kong Country和Crash Bandicoot。
但是，AI应用程序必须从头开始学习所有内容。 看看深度学习算法如何学习玩Mario，可以看出AI的学习过程与人类的学习过程有何不同。 从本质上说，它对周围的环境一无所知，然后逐渐学会与不同的元素进行交互。 但是它从玩Mario中获得的知识仅服务于该单个游戏的狭窄领域，并且不能转移到其他游戏，甚至其他Mario游戏中。
缺乏概念性和抽象性的理解使深度学习应用程序只专注于有限的任务，并阻止了通用人工智能的发展，这种人工智能可以像人类一样做出明智的决策。 那不一定是缺点。 一些专家认为创建通用AI是没有意义的目标。 但是，与人脑相比，这无疑是一个限制。
深度学习是不透明的
与程序员为规则定义的传统软件不同，深度学习应用程序通过处理和分析测试数据来创建自己的规则。 因此，没有人真正知道他们如何得出结论和决定。 甚至深度学习算法的开发人员也常常发现自己对自己的创作结果感到困惑。
缺乏透明度可能是AI和深度学习的主要障碍，因为该技术试图在敏感的领域中找到自己的位置，例如患者治疗，执法和自动驾驶汽车。 深度学习算法可能不像人类那样容易出错，但是当他们确实犯错时，这些错误背后的原因应该是可以解释的。 如果我们不了解AI应用程序的工作方式，我们将无法将它们与关键任务相信任。
深度学习可能会被过度炒作
深度学习已经在许多领域证明了其价值，并将继续改变我们的工作方式。 尽管存在缺陷和局限性，但深度学习并没有使我们失败。 但是我们必须调整我们的期望。
正如人工智能学者加里·马库斯（Gary Marcus）警告说的那样，对技术的过度宣传可能会导致另一个“人工智能冬天”。在这个时期，过高的期望和表现不佳会导致普遍的失望和缺乏兴趣。
Marcus建议深度学习不是“一种通用的溶剂，而是许多工具中的一种”，这意味着，尽管我们继续探索深度学习提供的可能性，但我们还应该研究其他根本不同的方法来创建AI应用程序。
甚至开创了导致深度学习革命的工作的杰弗里·欣顿教授，都认为可能必须发明全新的方法。 他告诉Axios：“未来取决于某些研究生，他们对我所说的一切深表怀疑。”
