事實上，用深度學習進行分析的目的在于識別真實數(shù)據(jù)中的真實模式。如果這種建設性能力可應用于總結經(jīng)驗、設計方案以及記錄歷史，甚至能夠以驚人的逼真性反饋于人們的身體，那么現(xiàn)實與幻想之間的界線將變得非常模糊。

“深度學習雖然有種種局限，但在很多領域已然切切實實發(fā)揮作用，比如在語音識別、機器翻譯等，這是一些可算作‘無限但可枚舉’(Infinite but enumerable)的數(shù)據(jù)對象。在這些領域中，訓練數(shù)據(jù)集及其變種可以包括大部分我們可能遇到的實際數(shù)據(jù)，深度學習可以解決。”新一代人工智能產(chǎn)業(yè)技術創(chuàng)新戰(zhàn)略聯(lián)盟聯(lián)合秘書長、科大訊飛副總裁兼AI研究院聯(lián)席院長李世鵬在接受科技日報記者采訪時指出。

他說：“而另外一些領域則屬于‘無限也不可枚舉’的數(shù)據(jù)對象，比如說自動駕駛場景下的各種環(huán)境圖像和視頻，計算機視覺中通用識別問題的數(shù)據(jù)對象等。這些問題，深度學習可能會解決其中某些子問題，但整體來看，會出現(xiàn)不久前全球人工智能計算機視覺領域奠基人之一艾倫·尤爾教授所提及‘深度學習在計算機視覺領域已至瓶頸’的問題。”

“實際上，深度學習主要依賴于大量的數(shù)據(jù)和數(shù)據(jù)標注。在醫(yī)療領域，可對采集到上萬個病例數(shù)據(jù)庫的醫(yī)學影像進行分析，供放射學和病理學方面訓練，幫助醫(yī)生做出更為精準高效的診斷，實現(xiàn)大規(guī)模應用。不過，對于應用本身其是受限的，因為很多領域并無那么多數(shù)據(jù)，也沒太多真正意義上的訓練。如在自動駕駛領域，正常駕駛很多的數(shù)據(jù)可以采集到，但有些非正常數(shù)據(jù)像事故方面卻很難采集。” 遠望智庫人工智能事業(yè)部部長、圖靈機器人首席戰(zhàn)略官譚茗洲認為。

法國泰雷茲集團首席技術官馬克·厄曼表示：“在眾多的人工智能技術中，深度學習是為我們所熟知的一種。當你擁有大量的數(shù)據(jù)和少量知識的時候，它是一種非常強大的技術。例如，人臉識別，但是這需要采集大量的圖像來訓練。在許多情況下，用于學習的數(shù)據(jù)庫極為龐大，有時候需要千萬甚至幾億數(shù)據(jù)。學習方法也有快慢之別，但是本質上來說，它不及人類大腦聰明。”

可行方法揚長避短

“深度學習肯定不是解決通用人工智能問題的全部，但是人類探索機器智能的必經(jīng)之路。我們應該意識到現(xiàn)在深度學習的一些限制，要做的是揚長避短——用可行的方法解決現(xiàn)在可以解決的問題。”李世鵬指出。

如何解決數(shù)據(jù)短缺問題?李世鵬說，目前很多科學家在對此研究。一類是從數(shù)據(jù)源方面解決，比如，借助更高效的數(shù)據(jù)標注工具幫助人快速獲取更多標注數(shù)據(jù)、用對抗網(wǎng)絡生成數(shù)據(jù)等;一類是從深度學習算法本身改進，比如遷移學習、少樣本學習、無監(jiān)督學習和弱監(jiān)督學習等。

我們看到，AI在自動駕駛領域若達到99.9%的準確率，也意味著很多次駕駛活動中可能出現(xiàn)一次機器不能處理或者不能處理得很好的例子。這是否說明自動駕駛就不能做了?“當然不是。解決方法是通過人機耦合來實現(xiàn)穩(wěn)定可靠的人工智能。”李世鵬答道。

李世鵬解釋道，今天的人工智能即使在可以發(fā)揮得很好的領域，也不是百分之百可靠。在一些不是很關鍵的領域，某些AI技術也許是可用甚至好用，但在某些關鍵領域卻遠遠不能符合要求。因此，不要把人工智能當作萬全技術，在設計一個產(chǎn)品或者系統(tǒng)時，要充分考慮機器失敗的時候，人類怎么能很好地接手。

具體而言涉及兩個問題：一是系統(tǒng)如何識別什么情況下它處理不好，就是說在AI給出某種決定的同時，也給出做此決定的可信度。在可信度很低的情況下，是否可以喚醒人類接應?

另一個是人機如何和諧地在一起工作，這涉及到用戶體驗設計和AI的結合。至少AI在現(xiàn)階段還只是作為提高人類效率的工具，所以在用戶體驗設計中應該做到不需要人時刻盯著，但在有狀況時應及時提醒反饋給人類無縫接手。

探索未來突破之路

國內(nèi)外專家表示，盡管人工智能的發(fā)展水平令人矚目，但目前的人工智能系統(tǒng)有一定智商沒情商、會計算不會“算計”、有專才無通才。就目前既有的解決方法，還不夠具有革命性，要讓未來的AI更“智慧”，需要加強對人類大腦等方面的研究，探索突破深度學習瓶頸之路。

“尤爾等指出的組合模型訓練及用組合數(shù)據(jù)測試，實質上應該認為是個分解過程，但難點就在于分解。就像計算機視覺里最難的問題是圖像或物體分割一樣，這本身可能需要更多高層次上的語義理解。更具顛覆性的方法是賦予AI引擎一些推理功能，即使沒有見過的數(shù)據(jù)，也能通過推理進行解決。”李世鵬指出。

李世鵬進一步說，腦科學和認知科學的發(fā)展給我們很多啟示，MIT等一些大學院所的科學家正沿著這條路徑探索。其實，上世紀90年代盛行的專家系統(tǒng)很多時候就是給機器一些規(guī)則(推理法制)，讓機器按規(guī)則去推理從而解決一些問題。但專家系統(tǒng)的問題是規(guī)則制定本身是件很麻煩的事，遠不及今天數(shù)據(jù)標注來得簡單。將來的思路可能是需要深度學習從大數(shù)據(jù)中歸納出一些可以解釋的規(guī)則，然后，將它們應用到新的數(shù)據(jù)中去解決問題。知識圖譜和深度學習的結合也許是這條路線的一個實用分支。

在某些方面，我們發(fā)現(xiàn)深度學習如同挖掘機一樣，能夠采集相當多的數(shù)據(jù)，然而，卻不像小孩子那樣，不需要千萬次的學習即會認出自己的母親。

厄曼說，這是因為實際上孩子認媽媽是將多種信息混合在一起判定，其中包括形象、氣味、身體接觸、出生記憶以及許多復雜因素。盡管深度學習是受到生物啟發(fā)，基于我們所說的神經(jīng)元，但是，當你與神經(jīng)科學家交談時，會覺得深度學習僅是一種對人腦的過于簡單的再現(xiàn)，人腦可比這復雜得多。所以深度學習只是AI使用的眾多技術中的一種，希望其他技術可以對其加以補充。

“正如現(xiàn)在的自動駕駛，只能說是試水階段，其技術本身肯定不是主要依賴深度學習，而是多模態(tài)感知，運算也不是簡單依賴于視覺，而是與人類認識這個世界一樣，通過眼、耳、鼻、舌、身、意多個感知來綜合認知，而人腦本身在大多數(shù)情況下不依賴于大量數(shù)據(jù)，而是借助‘觸類旁通’等能力。因此，人腦科學、計算機科學、生理學和認知科學等跨界交融應用才是未來AI的發(fā)展方向。”譚茗洲指出。

他認為，深度學習是一個好的開始，但是不能解決一切問題，需要和更高維度的方式疊加。而跨學科的研究會在語義、知識圖譜、機器記憶、想像、邏輯推理等類人腦的領域，彌補深度學習的一些短板。