23、深度学习助力人工智能发展：现状、挑战与未来

深度学习助力人工智能发展：现状、挑战与未来

1. 深度学习的阴影与端到端学习

深度学习虽然带来诸多光明，但也存在一些阴影。神经网络的运行需要大量数据，然而这些数据并非人人都能获取，因为大型组织掌握着数据资源。迁移学习虽能在一定程度上缓解数据不足的问题，但某些应用仍需要实际数据，这限制了人工智能的民主化发展。

而且，深度学习系统十分复杂，其输出结果难以解释，容易滋生偏见和歧视；同时系统也较为脆弱，容易被一些技巧欺骗，任何神经网络都可能受到对抗攻击的影响，攻击者通过操纵输入来欺骗系统，使其给出错误的响应。

不过，深度学习支持端到端学习，它以比以往更简单直接的方式解决问题，在解决问题时可能产生更大的影响。例如，要解决一些难题，如让人工智能识别已知面孔或驾驶汽车，传统的人工智能方法需要将问题分解为更易处理的子问题，以在合理时间内获得可接受的结果。以识别照片中的人脸为例，传统人工智能系统会按以下步骤处理：
1. 找到照片中的人脸。
2. 从照片中裁剪出人脸。
3. 处理裁剪后的人脸，使其姿势类似于身份证照片。
4. 将处理后的裁剪人脸作为学习示例输入到神经网络进行图像识别。

而现在，只需将照片输入到深度学习架构中，引导其学习在图像中找到人脸并进行分类。这种方法同样适用于语言翻译、语音识别甚至自动驾驶汽车等领域，只需将输入传递给深度学习系统，就能获得所需结果。

2. 卷积神经网络（CNN）的崛起

卷积神经网络（CNN）推动了近期深度学习的复兴。由于其在图像识别任务中的出色表现，从业者和学者们认为深度学习是一种可行的技术。这种成功引发了一股热潮，许多人试图将相同的技术应用于其他问题。