如今的技術(shù)開發(fā)成果已經(jīng)讓人印象深刻，計算機可以辨識圖片和視頻里的東西，可以將語音轉(zhuǎn)化成為文字，其效率已經(jīng)超過了人力范疇。Google也將GoogleTranslate辦事中添加了神經(jīng)網(wǎng)絡，現(xiàn)在的機器學習在翻譯水平上已經(jīng)逐步迫近人工翻譯?，F(xiàn)實中的一些應用也讓人大開眼界，好比計算機可以預測農(nóng)田作物產(chǎn)量，其準確性比美國農(nóng)業(yè)部還高；機器能更加精準的診斷癌癥，其準確度也比從醫(yī)多年的老醫(yī)師還要高。

深度學習在當下已經(jīng)成為熱詞，人工智能教育踐行者葉偉志認為雖然深度學習的成果不停涌現(xiàn)，但深度學習目前還存在著很多問題，任重而道遠。

一、現(xiàn)在的機器學習缺乏交互學習的能力

現(xiàn)在一個深度學習的模型，如果拿到一個新的數(shù)據(jù)集上訓練一遍，它會把本來在老數(shù)據(jù)集上訓練的東西全部忘掉。這里需要一種學習能力是自主學習，我們需要這個機器能夠本身去尋找具有價值的一些數(shù)據(jù)和狀態(tài)。

第二種學習方式叫做交互式學習，人類在學習的時候，除了我們本身去不雅觀察這個世界，總結(jié)規(guī)律以外，很多的學習來源于和人的交互中得到。

還有一種重要的學習方式是創(chuàng)造性學習，人的智力的核心是具備本身學習和自我創(chuàng)造的能力，現(xiàn)在的機器學習，在這方面非常缺乏。

二、現(xiàn)在的機器缺乏常識

一個典型的例子是自動駕駛，學過開車的都知道，從開始學到能夠熟練的開車，可能有幾百公里的駕駛路程就可以了，谷歌的無人車到目前為止已經(jīng)開了幾百萬公里，還是做不到無人完全自動駕駛。其中最主要的一個原因，它不像人類具備一些常識性的推理能力。

這導致的后果是它需要研究人員或工程師，在每一種可能遇到的路況都要做特定的處理，需要在它這幾百萬公里的數(shù)據(jù)里面，盡量的覆蓋可能多的交通狀況和路況。即便如此，它還是不能夠保證能處理遇到的一些新路況。人類學習開車，主要學的是控制標的目的盤和踩油門，針對前方路況是要開過去還是減速，人類通過常識就可以做到。

三、現(xiàn)在的機器學習很難從少量的標注數(shù)據(jù)進行學習

好比ImageNet角逐，每一幅圖，機器平均有上千個樣原來學習。而對于人類，要學習識別一個新的物體，給他看一兩眼大概就能學會了。

怎么樣才能夠有效的利用少量的標注數(shù)據(jù)進行學習呢？其中重要的一點就是我們需要有非常好的特征體現(xiàn)，好的特征體現(xiàn)需要有大量的數(shù)據(jù)才能學到，而大量沒有標注的數(shù)據(jù)，則需要通過非監(jiān)督的方式才能有效的把里面的特征體現(xiàn)很好的學習出來。

怎么樣做到非監(jiān)督學習呢？就是通過對未來的預測進行非監(jiān)督學習。能夠?qū)ξ磥碜龀鲱A測是智力一個非常核心的部分。物理學是對一個簡單系統(tǒng)比較精確的預測，而深度學習或者人的智力是對一個復雜系統(tǒng)近似的預測。如果我們能夠?qū)ξ磥磉M行一個比較好的預測，那就說明這個模型能夠抓住環(huán)境，以及變革的素質(zhì)規(guī)律，從而能夠提取出一些比較有用的信息，這樣能夠有效的把它用于少量的標注數(shù)據(jù)的學習。

四、現(xiàn)在的很多成功應用是基于標注好的一些標注數(shù)據(jù)來學習

對于人類來說，如果要鑒別兩只鳥，我們學習的過程就是，按照以前人類的知識，總結(jié)出兩只鳥尾巴長短會的差別，以前的經(jīng)驗還會總結(jié)出這兩種鳥的頭部花紋的差別。人類在接受了語言的描述，，知識和經(jīng)驗的累積，可以非?？斓膶W習?，F(xiàn)在機器還沒有措施把人通過語言來傳遞的這種知識和標注數(shù)據(jù)，有機的結(jié)合進行學習。

葉偉志，壹企問咨詢總經(jīng)理，廣東天使會合伙人，人工智能企業(yè)應用專家，資深軟件開發(fā)工程師。