深度学习四大问题

       深度学习的历史可以追溯到几十年前，但直到大约5年前才得到了较多的关注。其中，2012年是关键的一年，几乎很多东西都发生了改变，包括三人基于ImageNet做的识别图像的深度卷积神经网AlexNet的分布。如今，在语音识别、图像识别、语言翻译等领域，深度学习取得了很多的成果。就像其他主要技术成就一样，深度学习已迅速攀升顶峰。

       由于深度学习是一种强大的统计技术，可以使用大型训练数据集和多层AI神经网络对模式进行分类。从本质上讲，这是一种机器从数据中展开学习的方法，而这些数据将按照生物大脑学习解决问题的方式进行建模。每个人神经单元都会连接到许多其他类似的单元上，并且可以根据用于训练系统的数据在统计上增加或减少这样的连接。同时，多层网络中的每个连续层都会使用前一层的输出作为输入。当然，这项技术在解决封闭式分类问题方面表现出色，鉴于有足够的数据可用，而且测试集与训练集非常相似，所以必须把各种各样的潜在信号映射到有限的类别当中。如果偏离这些假设可能会导致一些问题。

       深度学习面临四大挑战：

       （1）深度学习面临数据匮乏。深度学习的数据要求和纬度的分析方法有本质上的区别。随着数据集的大小增加，传统分析的性能趋于稳定。对深度学习技术来说，数据集的逐渐增加，加上正确的训练方法，将有助于性能的提高。目前，深度学习技术已经从复杂的非结构化数据（包括音频、语音、图像和视频）中提取模式方法变得特别有价值。要做到这一点，需要成千上万的数据记录，以便模型在分类任务中做的更好，并且数百万的数据记录可以在人类水平上进行执行。人类抽象可以依赖于一种能表达代数变量之间的抽象关系的能力。但是深度学习目前做不到。

      （2）深度学习其实很肤浅。所谓深度，就是指其高度复杂的多层统计特性。但是，虽然能够取得一些惊人的成果，深度学习实际上是非常浅薄和脆弱的。目前的人工智能应用程序通过大量数据和深度学习算法的训练可以很好地完成一件事，只不过每个应用程序必须使用自己的数据集进行单独训练，即使对于与以前类似的用例也是如此。到目前为止，还没有一个好的办法可以将训练从一种情况转移到另一种情况。而人工智能在应用程序和测试集方面做得最好，但在试图泛化或者推断其训练数据集之外，它的效果要差得多。

      （3）深度学习不够透明。典型的深度学习系统其复杂的神经网络中具有大量的参数。用人们理解的方式评估各个节点对决策的贡献非常困难的。这种不透明可能导致严重的偏见问题。

      （4）深度学习很难达到预期效果。深度学习在医疗、汽车与飞机等高风险应用，但鉴于其统计特性、不透明性以及区别因果关系与相关性存在的困难，深度虚席存在很大问题。

       为了解决四大问题，人们也开始进行新研究项目智能搜索，确保相关问题得到妥善解决，更好服务于人类生活。