摘要：不過，深度學(xué)習(xí)并不是人類可以創(chuàng)造的完美人工智能科技的終點(diǎn)。深度學(xué)習(xí)的公正性并非來自其自身，而是人類篩選和準(zhǔn)備的深度學(xué)習(xí)數(shù)據(jù)。深度學(xué)習(xí)給出的是非自然合法語言解釋的結(jié)果。

現(xiàn)在每一個(gè)人都正在學(xué)習(xí)，或者正打算學(xué)習(xí)深度學(xué)習(xí)，它是目前人工智能諸多流派中興起的一個(gè)。各個(gè)年齡階段的數(shù)十萬人都在學(xué)習(xí)著免費(fèi)和收費(fèi)的深度學(xué)習(xí)課程。太多的創(chuàng)業(yè)公司和產(chǎn)品的命名以“深度”開頭，深度學(xué)習(xí)已然成了一個(gè)流行語，但其真正的落地應(yīng)用實(shí)際上卻很少。絕大多數(shù)人忽略了一個(gè)事實(shí)：深度學(xué)習(xí)只占機(jī)器學(xué)習(xí)領(lǐng)域的1%，而機(jī)器學(xué)習(xí)又只占人工智能領(lǐng)域的1%。而實(shí)際中的絕大多數(shù)任務(wù)則是用余下99%的知識(shí)技術(shù)來處理的。一個(gè)“只會(huì)深度學(xué)習(xí)的專家”并不是“人工智能專家”。

深度學(xué)習(xí)并不是人工智能的同義詞!由于谷歌、Facebook等巨頭公司宣傳人工智能工具時(shí)主要談的就是深度學(xué)習(xí)，甚至只談深度學(xué)習(xí)，因此大眾誤以為所有的人工智能新的篇章都(將)由深度學(xué)習(xí)書寫。然而，真實(shí)情況并非如此。決策樹算法，比如 XGBoost沒有成為頭條，卻在很多Kaggle表格數(shù)據(jù)競(jìng)賽中默默地?fù)魯×松疃葘W(xué)習(xí)。媒體暗示AlphaGo的成功全部歸于深度學(xué)習(xí)，但實(shí)際上它是蒙特卡洛樹搜索+深度學(xué)習(xí)，這表明深度學(xué)習(xí)單槍匹馬很難取勝。很多強(qiáng)化學(xué)習(xí)的任務(wù)是通過神經(jīng)進(jìn)化的 NEAT 算法(通過增強(qiáng)拓?fù)涞倪M(jìn)化神經(jīng)網(wǎng)絡(luò))得到解決的，而不是反向傳播算法。人工智能領(lǐng)域存在著“深度誤傳”。

與100+國(guó)內(nèi)外技術(shù)專家探索2017前瞻熱點(diǎn)技術(shù)

我并不是說深度學(xué)習(xí)沒有解決問題：它令人印象深刻。樹和其他算法并沒有完勝深度學(xué)習(xí)，并且在某些任務(wù)上深度學(xué)習(xí)無法被取代，但是我希望未來一些非深度學(xué)習(xí)系統(tǒng)可被(重新)發(fā)現(xiàn)以擊敗深度學(xué)習(xí)?；蛟S能解釋目前深度學(xué)習(xí)決策的黑箱問題。同樣我也希望能讀到探討“災(zāi)難性遺忘”問題的深度學(xué)習(xí)文章，它是指在學(xué)習(xí)新知識(shí)時(shí)快速遺忘先前已學(xué)習(xí)知識(shí)的傾向，并且需要每天對(duì)抗“過擬合”。關(guān)于“智能”：深度學(xué)習(xí)會(huì)簡(jiǎn)單相信所給的訓(xùn)練數(shù)據(jù)，而不去理解什么是真或假、現(xiàn)實(shí)或想象、公平或不公。人類也會(huì)誤信假新聞，但只是在某種程度上，甚至孩童都知道電影是虛構(gòu)的，不是真實(shí)的。想了解更多內(nèi)容可以閱讀這篇文章：《人工智能(深度學(xué)習(xí))的簡(jiǎn)單解釋》。

20 年前，每個(gè)人都在學(xué)習(xí) HTML，這個(gè)手動(dòng)編寫網(wǎng)頁的標(biāo)記語言當(dāng)時(shí)被認(rèn)為足以成就一個(gè)互聯(lián)網(wǎng)億萬富翁。和其他人一樣，我學(xué)習(xí)了每一項(xiàng)看起來有用的技術(shù)，如 HTML、移動(dòng)app和深度學(xué)習(xí)，并且我希望大家在今后的人生都一直學(xué)習(xí)新事物。事實(shí)上，你一生中不能只學(xué)習(xí)一項(xiàng)技術(shù)。即使你學(xué)習(xí)了深度學(xué)習(xí)，你也不會(huì)一輩子了解人工智能。1995 年 HTML 開始過時(shí)，無法滿足需求，取而代之的是 CSS、Java 和服務(wù)器語言。同樣地，深度學(xué)習(xí)有一天也會(huì)過時(shí)，并且無法滿足需求。現(xiàn)在大多數(shù)流行的手機(jī) APP 根本用不到 HTML，那么誰又會(huì)知道未來的人工智能APP是否用得到深度學(xué)習(xí)呢?

不過實(shí)際上，深度學(xué)習(xí)是 1980 年代的技術(shù)，比HTML還老：由于有了更多的訓(xùn)練數(shù)據(jù)，1970 年代的“帶有隱藏層的神經(jīng)網(wǎng)絡(luò)”得到了更好的結(jié)果，被重新命名為深度學(xué)習(xí)，之后被大肆炒作。1992年我簡(jiǎn)要地查看了一些神經(jīng)網(wǎng)絡(luò)的源代碼，以及分形算法和細(xì)胞自動(dòng)機(jī)。正如絕大多數(shù)人一樣，當(dāng)時(shí)我并沒有選擇深度學(xué)習(xí)，只是把它當(dāng)作毫無實(shí)際價(jià)值的學(xué)術(shù)數(shù)學(xué)難題。相反，我重點(diǎn)學(xué)習(xí)視頻游戲的 3D 技術(shù)、互聯(lián)網(wǎng)技術(shù)等等，因?yàn)樗鼈兛梢约纯太@得結(jié)果。但是我們都錯(cuò)了，深度學(xué)習(xí)借助大數(shù)據(jù)可以大有作為!2015 年的 Deep Dream 簡(jiǎn)直令我著迷，接著是GAN等等。不過，深度學(xué)習(xí)并不是人類可以創(chuàng)造的完美人工智能科技的終點(diǎn)。

數(shù)十年來，“古老”的深度學(xué)習(xí)技術(shù)已被廣泛研究和更新以更準(zhǔn)確地解決更多任務(wù)，但是沒有一個(gè)深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)(卷積、RNN、RNN + LSTM、GAN 等)可以解釋其自身的決策。無疑深度學(xué)習(xí)在未來還會(huì)解決更多的問題，取代更多的工作，但不太可能解決所有的問題，或者保持驚人的進(jìn)步以對(duì)其所作決定的公正性進(jìn)行合理的解釋。

深度學(xué)習(xí)無法理解哲學(xué)家柏拉圖與亞里士多德。

未來人工智能應(yīng)探索其他的新方法，或者被忽視的舊方法，而不僅僅是深度學(xué)習(xí)。深度學(xué)習(xí)的一個(gè)局限是把數(shù)據(jù)中最常見的內(nèi)容作為真理，把統(tǒng)計(jì)學(xué)上較稀少、或與較常出現(xiàn)的內(nèi)容相反的東西看作謬論。深度學(xué)習(xí)的公正性并非來自其自身，而是人類篩選和準(zhǔn)備的深度學(xué)習(xí)數(shù)據(jù)。深度學(xué)習(xí)可以閱讀并翻譯文本，但不是以“人類的方式”。如果使用超過100本書訓(xùn)練深度學(xué)習(xí)模型：40本書告訴它仇恨、戰(zhàn)爭(zhēng)、死亡和摧毀如何是壞的，60本書告訴它希特勒的納粹思想是好的，那么該模型最終會(huì)成為100%的納粹!

如果在訓(xùn)練數(shù)據(jù)集中納粹主義是最流行的觀點(diǎn)，深度學(xué)習(xí)靠自己永遠(yuǎn)無法明白為什么殺害猶太人、同性戀以及殘疾人是錯(cuò)誤的。難怪深度學(xué)習(xí)無法解釋其自身決策，除了最簡(jiǎn)單的：“我(深度學(xué)習(xí))讀到最多的是‘納粹主義是正確的’，因此它應(yīng)該是正確的”。深度學(xué)習(xí)將會(huì)學(xué)習(xí)并模仿最具缺陷的邏輯而不去思考它的缺陷，包括恐怖主義。甚至孩童都可以自己明白電影中哪個(gè)家伙是壞人，但是深度學(xué)習(xí)做不到，除非人類首先明確教導(dǎo)它。深度學(xué)習(xí)中有些東西很酷，比如帶有反向傳播的梯度下降，以及自定義的深度學(xué)習(xí)硬件，但這大多來自統(tǒng)計(jì)學(xué)和幾何學(xué)，很可能不會(huì)出現(xiàn)在 2037 年的人工智能時(shí)代。

對(duì)很多任務(wù)來說，深度學(xué)習(xí)人工智能正在或者將會(huì)變成違法的、不被社會(huì)所兼容的。**2018年5月25日起，公司或個(gè)人在收集 28 個(gè)歐洲國(guó)家公民數(shù)據(jù)時(shí)應(yīng)遵循《一般數(shù)據(jù)保護(hù)條例》(GDPR)。屆時(shí)歐洲的一些APP將被禁止使用深度學(xué)習(xí)，這導(dǎo)致AI初創(chuàng)公司拼命尋找深度學(xué)習(xí)的替代方案，否則將面臨罰款的風(fēng)險(xiǎn)。罰款金額為全球營(yíng)收的4%，包括美國(guó)部分。關(guān)于自動(dòng)化決策的GDPR要求深度學(xué)習(xí)具有解釋其決策的能力，以及防止基于種族、觀點(diǎn)、健康等歧視現(xiàn)象的發(fā)生。**類似于GDPR的法律正在全球范圍內(nèi)制定，這只是時(shí)間問題?！睹绹?guó)公平信用報(bào)告法》要求披露所有對(duì)消費(fèi)者信用評(píng)分產(chǎn)生不利影響的因素，最多只允許有4個(gè)。深度學(xué)習(xí)的因素可謂海量，而不僅僅是4個(gè)，如何將其簡(jiǎn)化為4個(gè)呢?人工智能，正如比特幣ICO，開始忽視法規(guī)，但是法律與懲罰總會(huì)降臨。

如果深度學(xué)習(xí)系統(tǒng)的工作是采取更多相關(guān)決策，而不是簡(jiǎn)單區(qū)分一張圖像是否是貓，或者在自拍的哪部分添加兔耳，它們將會(huì)被非深度學(xué)習(xí)系統(tǒng)取代。人工智能必須是負(fù)責(zé)任的，可以使用簡(jiǎn)單、合法有效的語言向法官和用戶解釋其輸出結(jié)果，這與深度學(xué)習(xí)大不相同。深度學(xué)習(xí)的復(fù)雜性，對(duì)法官和用戶來說就像是“魔術(shù)”，這是一種法律風(fēng)險(xiǎn)，而不是一個(gè)很酷的未來。深度學(xué)習(xí)將會(huì)建議或警示人類，比如從醫(yī)療圖像中檢測(cè)疾病，并獲得醫(yī)生的驗(yàn)證，但這只是缺乏細(xì)節(jié)的部分自動(dòng)化。面對(duì)被人工智能拒絕、并尋求解釋的人們(例如工作、貸款被拒絕等)，我們能說什么呢?

法律包含“解釋權(quán)”，比如為什么工作或貸款被拒絕。深度學(xué)習(xí)給出的是非自然(合法)語言解釋的結(jié)果。深度學(xué)習(xí)的代碼容易獲得，卻不為法官或用戶所接受，因?yàn)榧词馆^好的數(shù)學(xué)家或其他算法也無法搞明白它，或者將模型簡(jiǎn)化成可以理解的語言。即使最后的決策是由人類做出的，人工智能工具也應(yīng)給出詳細(xì)的理由，人們可以認(rèn)為它是錯(cuò)的(然后無視、推翻人工智能的決定)，或者通過簡(jiǎn)單的復(fù)制、粘貼并且簽署人工智能給出的解釋來快速接受。沒有人知道如何修改深度學(xué)習(xí)以給出簡(jiǎn)單到人類可理解的解釋，因此深度學(xué)習(xí)不可能做到完全與我們的要求相符!這一問題同樣影響到了若干其他人工智能和機(jī)器學(xué)習(xí)算法，但不像深度學(xué)習(xí)受影響那么嚴(yán)重。比如，如果決策樹算法變成提升樹或集成樹，它也會(huì)變得不可解釋。但是未來，可能會(huì)出現(xiàn)或發(fā)現(xiàn)能為自己的決策辯護(hù)的新的人工智能，它們將會(huì)在常規(guī)決策中取代深度學(xué)習(xí)和人類的位置。

在GDPR規(guī)定的情況中，只有人類職員可以拒絕申請(qǐng)：人工智能可自動(dòng)化完成積極的結(jié)果，否則，如果它拒絕了一項(xiàng)貸款、工作等，就應(yīng)該將這項(xiàng)任務(wù)交給人，讓人工來處理這些會(huì)讓用戶感到生氣或者要追究的消極結(jié)果。但是在拒絕的情況下，人類將不會(huì)從基于深度學(xué)習(xí)的人工智能中獲得幫助或解釋，他們不能獲知深度學(xué)習(xí)的邏輯是否正確。他們需要自己從頭檢查數(shù)據(jù)，以決定是否最終拒絕，并且要為這個(gè)決定寫一份合理的解釋。此舉風(fēng)險(xiǎn)在于為了節(jié)約時(shí)間和成本，人類員工會(huì)為人工智能的拒絕決定編造假的解釋，并盲目接受人工智能的認(rèn)可。但是決定人工智能給出拒絕決策的公平性的法官會(huì)詢問為什么別人的被接受了，并且進(jìn)行對(duì)比。安全起見，無論類似GDPR的法規(guī)是如何規(guī)定的，對(duì)于接受和拒絕，你都要有充足的理由。非深度學(xué)習(xí)的人工智能系統(tǒng)將最終成為被人類所采用的系統(tǒng)，它們會(huì)把所有決策的解釋提供給用戶、法官和支持人員，不論是完全或部分自動(dòng)化的決策。

在法律和深度學(xué)習(xí)之前，解釋性已經(jīng)是一個(gè)大問題。在反壟斷案例中，谷歌等公司被質(zhì)問為什么是這個(gè)產(chǎn)品而不是其他產(chǎn)品出現(xiàn)在搜索結(jié)果的第一個(gè)。下面也是深度學(xué)習(xí)出現(xiàn)之前的事：很多其他的算法同樣以瘋狂的方式混合數(shù)據(jù)以得到結(jié)果，因此沒有哪個(gè)人可以輕易地重構(gòu)出決策原因。法官被告知：工程師并不了解詳情，以及被當(dāng)作證據(jù)的幾頁線性代數(shù)。這樣不會(huì)有好結(jié)果：甚至在特定的法律存在之前，多個(gè)案例承擔(dān)著數(shù)十億美元的罰款，收到要更變系統(tǒng)的警告。被自動(dòng)拒絕了工作、貸款、退款的用戶集體起訴商店、銀行或保險(xiǎn)公司的自動(dòng)決策單元，將會(huì)變成常態(tài)，所以無法解釋便意味著“無以辯護(hù)”、被罰款以及一場(chǎng)品牌公關(guān)災(zāi)難。

對(duì)大部分人來說，“人工智能”意味著科幻電影中能夠給出聰明解釋的人工智能，電影中人類可以快速?zèng)Q定自己是否同意，這樣易于進(jìn)行法律驗(yàn)證。大多數(shù)聽到公司是“人工智能第一位”或“增加人工智能”的人，包括法官和撰寫《一般數(shù)據(jù)保護(hù)條例》(GDPR)等法律的人，都會(huì)期待和電影中一樣的“人工智能”，即如果被法院傳召，它能夠捍衛(wèi)自己的決定，這令用戶和法官都印象深刻。然而我們得到的是無法解釋的“深度學(xué)習(xí)人工智能”，僅僅因?yàn)槠淙狈山忉屝?，這些人工智能即使在它們能夠解決的問題上也不會(huì)經(jīng)常得到使用。深度學(xué)習(xí)無法節(jié)省成本，也不會(huì)取代那些需要敏銳的自動(dòng)決策的工作。即使在人類必須作出最終決策的情況下，人工智能工具能夠解釋自己的建議，也比它不給出理由就做出回應(yīng)更加可取?？山忉尩娜斯ぶ悄芤坏┍?重新)發(fā)現(xiàn)，將會(huì)更加安全、合法、廉價(jià)、快速，并且取代深度學(xué)習(xí)和人類。深度學(xué)習(xí)在 20 世紀(jì)60到80年代發(fā)明，而到2010年才重新被發(fā)現(xiàn)，或許未來可解釋的人工智能基礎(chǔ)也已經(jīng)被某些研究者描述出來，但是由于不是深度學(xué)習(xí)，所以可能在許多年內(nèi)都沒人關(guān)心和開發(fā)該類型的人工智能，直到它們被重新發(fā)現(xiàn)和炒熱。

關(guān)于自動(dòng)決策的GDPR也需要防范基于種族、意見、健康狀況等產(chǎn)生的歧視。但是使用用戶生成的數(shù)據(jù)，如社交媒體和新聞(而不是真實(shí)的數(shù)據(jù)，例如醫(yī)療或財(cái)務(wù)記錄)訓(xùn)練的深度學(xué)習(xí)模型通常暗含邪惡的偏見。如前所述，深度學(xué)習(xí)可以讀取大量文本和數(shù)據(jù)，并模仿其內(nèi)容，但無法批判性地理解內(nèi)容。深度學(xué)習(xí)只相信它在數(shù)據(jù)中頻繁看到的事物、底層模式和趨勢(shì)，因此它會(huì)放大人類社會(huì)的偏見和問題。如果數(shù)據(jù)顯示被逮捕的黑人比白人多，那么一旦有人犯罪，深度學(xué)習(xí)將首先懷疑黑人。數(shù)據(jù)顯示公司董事會(huì)董事中男性比例高于女性，深度學(xué)習(xí)將在招聘中更傾向于男性應(yīng)聘者。

深度學(xué)習(xí)決策會(huì)比訓(xùn)練數(shù)據(jù)的平均樣本包含更深刻的偏見，如種族歧視、性別歧視。這個(gè)問題在所有的機(jī)器學(xué)習(xí)算法中都會(huì)發(fā)生，但是深度學(xué)習(xí)模型是其中最難測(cè)試、檢測(cè)、控制和調(diào)整的。例如聊天機(jī)器人變得納粹化、充滿仇恨，或者美圖軟件中給黑人照片美白。這個(gè)問題很難解決，與其試圖解決它，很多深度學(xué)習(xí)實(shí)驗(yàn)直接因?yàn)樗蝗蝗∠?/p>

?

你無法通過在訓(xùn)練之后添加補(bǔ)丁，來修復(fù)一個(gè)帶有偏見、種族和性別歧視的深度學(xué)習(xí)模型。深度學(xué)習(xí)是一個(gè)神經(jīng)網(wǎng)絡(luò)，與其他人工智能方法不同，你無法通過局部補(bǔ)救來修改某個(gè)答案，而是必須使用不同的、完全平衡以及公正的、稀有的真實(shí)世界數(shù)據(jù)對(duì)該網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練。深度學(xué)習(xí)可以在不理解數(shù)據(jù)的情況下模仿數(shù)據(jù)中的內(nèi)容：它不會(huì)否定任何數(shù)據(jù)，不會(huì)發(fā)現(xiàn)社會(huì)上的偏見，而只是“學(xué)習(xí)數(shù)據(jù)”。你應(yīng)該雇傭一個(gè)人類員工，專門創(chuàng)建來自理想社會(huì)的假的、公正的數(shù)據(jù)，在這里白人與黑人被逮捕的頻率相同，董事會(huì)中50%的董事都是女性，等等。但是，由人類專家創(chuàng)建海量無偏見數(shù)據(jù)的成本如果僅是為了訓(xùn)練深度學(xué)習(xí)模型，用人工智能取代人類的價(jià)值又在哪里呢!此外，即使你已經(jīng)訓(xùn)練出真正公正的深度學(xué)習(xí)模型，你也沒有證據(jù)可以向法官或用戶證明其決策的公正性，因?yàn)樗鼰o法提供解釋。

深度學(xué)習(xí)用于沒有法律風(fēng)險(xiǎn)的非商業(yè)應(yīng)用或者游戲，其重要性將會(huì)降低。當(dāng)可解釋的人工智能流行起來時(shí)，深度學(xué)習(xí)將會(huì)像磁帶或陰極電視一樣被拋棄。在游戲中輸給機(jī)器人的人類不太可能說服法官因?yàn)槿斯ぶ悄芄緹o法解釋人工智能是怎么贏的而對(duì)其罰款。不滿FaceApp把自己的自拍照修的更老、更年輕，或者換了性別的人也不太可能說服法官因?yàn)镕aceApp無法解釋人工智能是如何決定新面孔的而對(duì)其罰款(除了一個(gè)“種族變化”濾鏡，遭到大規(guī)模抗議后被移除，完全不需要法官參與)。在醫(yī)療圖像中進(jìn)行疾病檢測(cè)是一項(xiàng)安全的深度學(xué)習(xí)應(yīng)用，前提是用戶在服藥之前先向人類醫(yī)生尋求確認(rèn)。

合法的深度學(xué)習(xí)市場(chǎng)非常有限：在決策結(jié)果造成財(cái)政、健康上的區(qū)別，或者存在歧視，而深度學(xué)習(xí)無法幫助人們理解決策是否公正以及為什么公正的時(shí)候，法官都可以進(jìn)行處罰。那么自動(dòng)駕駛呢?似乎在藝術(shù)、游戲或高級(jí)幽默以外的領(lǐng)域使用深度學(xué)習(xí)都有法律風(fēng)險(xiǎn)。有需要時(shí)，現(xiàn)有的非深度學(xué)習(xí)方法可以取代深度學(xué)習(xí)，新方法也會(huì)被(重新)發(fā)現(xiàn)，因此人工智能的發(fā)展將會(huì)繼續(xù)順利進(jìn)行。尤其是如果每個(gè)人都將研究(并投資)人工智能和機(jī)器學(xué)習(xí)科學(xué)領(lǐng)域中的所有新舊算法，而不只是深度學(xué)習(xí)：這也是成為“人工智能全方位專家”的路徑。

深度學(xué)習(xí)除了正在“非法”用于很多可解任務(wù)以外，它也不能被用于解決以下一系列問題：那些需要抽象推理來找出數(shù)據(jù)中哪些是公平，哪些是不公平的任務(wù)，以及那些需要解釋其自行作出的決定的任務(wù)。即使對(duì)于那些不需要解釋的任務(wù)，例如圖像識(shí)別，深度學(xué)習(xí)看起來是較好的系統(tǒng)，但是也不如人類自己的眼睛保險(xiǎn)。你可以輕而易舉地使用“對(duì)抗樣本”來讓深度學(xué)習(xí)系統(tǒng)出錯(cuò)：為一張貓的圖片加入一些不可見的噪點(diǎn)，機(jī)器就會(huì)把它誤認(rèn)為其他不相關(guān)的東西，比如一只狗。人類看到這樣的圖片仍然看得出它是一只貓，而深度學(xué)習(xí)會(huì)將其理解成一只狗或者其它黑客秘密嵌入的東西。這一點(diǎn)可以用到路牌上，來黑掉目前的自動(dòng)駕駛汽車。新一代的人工智能系統(tǒng)必須克服這個(gè)問題才能取代深度學(xué)習(xí)。

著名深度學(xué)習(xí)庫Keras作者Fran?ois Chollet曾在一篇名為《深度學(xué)習(xí)的限制》的文章中說到：“深度學(xué)習(xí)真正能成功做到的是使用連續(xù)幾何變換，在給定大量人為標(biāo)注數(shù)據(jù)的情況下將空間X映射到空間Y的能力?！边@些空間擁有多重維度，不僅僅是三維的，這就是深度學(xué)習(xí)可以模仿畢加索的作畫風(fēng)格、在德州撲克中“Bluff”，以及在其他任務(wù)中模仿人類創(chuàng)造力的原因。但是對(duì)于外行人來說，這也許意味著：深度學(xué)習(xí)模型經(jīng)過訓(xùn)練可以擁有識(shí)別貓的能力，而它本身不知道什么是貓;它可以是一個(gè)種族主義者，但不知道什么是種族主義。深度學(xué)習(xí)可以識(shí)別貓、具有種族主義、或贏得很多游戲，這一點(diǎn)是令人矚目的，有時(shí)也有實(shí)際用途，但是深度學(xué)習(xí)無法解釋為什么圖中的動(dòng)物是貓，或者一個(gè)決策是否帶有種族歧視。

在《深度學(xué)習(xí)的未來》一文中，Keras的作者描述了一種只有“幾何模塊”的全新深度學(xué)習(xí)系統(tǒng)，它應(yīng)該與尚未出現(xiàn)的“算法模塊”和“元學(xué)習(xí)器”相關(guān)。這種系統(tǒng)可以顯著增加能夠解決的問題類型與數(shù)量，但因?yàn)樯疃葘W(xué)習(xí)模塊的存在，這種方式仍然無法解釋它的決策。這就像我們不能用言語解釋大腦中計(jì)算出的某些感覺或圖像。人類會(huì)解釋一切事物，但大多數(shù)都是編造的、過于簡(jiǎn)單的理由，而每個(gè)人似乎都認(rèn)為是準(zhǔn)確的。機(jī)器的算法卻總是被要求做到完全準(zhǔn)確。有一些專家正在開發(fā)完全不包含深度學(xué)習(xí)的全新人工智能系統(tǒng)，但他們?nèi)狈Y金支持：現(xiàn)在所有人都只投資深度學(xué)習(xí)，而且這個(gè)風(fēng)潮還將持續(xù)一段時(shí)間。沒有人知道下一個(gè)人工智能大事件將會(huì)是關(guān)于什么的，但不太可能是深度學(xué)習(xí)2.0。

深度學(xué)習(xí)正被大肆炒作，因?yàn)楸M管涉及利益沖突，目前也只有出售深度學(xué)習(xí)軟、硬件的人在關(guān)于人工智能的訪談中發(fā)聲。你可曾見過任何“自然智能”專家，如心理學(xué)家和哲學(xué)家支持過深度學(xué)習(xí)?

如果你并不急于學(xué)習(xí)人工智能，或者還沒有時(shí)間，我認(rèn)為你可以等待下一代人工智能系統(tǒng)的興起然后直接學(xué)習(xí)它，跳過深度學(xué)習(xí) 1.0 時(shí)代。如果你急需學(xué)習(xí)人工智能，或者自己也有足夠的時(shí)間，我建議你深入了解整個(gè)人工智能及機(jī)器學(xué)習(xí)領(lǐng)域的知識(shí)，而不僅僅是深度學(xué)習(xí)。

商業(yè)智能與數(shù)據(jù)分析群

興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價(jià)值的辦法，實(shí)際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報(bào)表系統(tǒng)等全方位知識(shí)

QQ群：81035754