3、深度学习：人工智能的突破与挑战

深度学习：人工智能的突破与挑战

1. 机器学习的局限性

1.1 数据依赖性

机器学习通过收集数据并预测答案来进行学习，它在处理人类难以在现实时间内解决的问题时非常有用，例如使用100维超平面进行分类。同时，“大数据”分析也主要依赖机器学习。然而，机器学习在实现人工智能方面存在重大弱点。

机器学习是基于输入数据进行模式分类和预测的技术，但它不能使用任何数据进行正确预测，必须有合适的数据。而机器本身无法分辨哪些是合适的数据，这就需要人类来找出正确的数据。

以区分人类和猫为例，人类很容易区分，但对于机器学习，首先要准备机器可读的图像数据，然而直接使用原始图像数据是不行的。机器无法自行从数据中找出要学习的内容，需要人类从原始图像数据中处理并创建出能定义两者差异的数据，如面部颜色、面部部位位置、面部轮廓等，这些人类找出并作为输入的数据被称为特征。

1.2 特征工程难题

机器学习无法进行特征工程，这是其最薄弱的环节。特征是机器学习模型中的变量，它能定量显示对象的特征，使机器能够进行适当的模式识别。特征的设置方式对预测精度有巨大影响。

机器学习存在两个潜在的局限性：
- 算法通常只能在与训练数据分布相似的数据上表现良好，对于分布不同的数据，学习到的模型往往泛化能力较差。
- 即使是训练良好的模型，也缺乏做出明智元决策的能力，因此机器学习大多只能在非常狭窄的方向上取得成功。

例如，一家公司想根据资产数量推广资产管理套餐，需要预测客户的资产情况。在选择潜在客户的特征时，年龄和居住地比身高和体重更相关。如果基于身高或体重进行机器学习，由于使用了不相关的数据，预测结果就如同随