机器学习和深度学习之间的关系是包含与被包含的关系,如图1.3所示。
深度学习的局限瓶颈
深度神经网络(DNN)是一个强大的框架,可应用于各种业务问题。当前,深度学习仍有一定的局限。
第一,深度学习技术具有启发式特征。深度学习能否解决一个给定的问题还暂无定论,因为目前还没有数学理论可以表明一个“足够好”的深度学习解决方案是存在的。该技术是启发式的,工作即代表有效。
第二,深度学习技术具有不可预期性。深度学习涉及的诸多隐含层,属“黑箱模型”,会破坏合规性,对白箱模型形成挑战。
第三,深度学习系统化具有不成熟性。目前,没有适合所有行业或企业需要的通用深度学习网络,各行业或企业需要混合和匹配可用工具创建自己的解决方案,并与更新迭代的软件相互兼容。
第四,部分错误的结果造成不良影响。目前,深度学习不能以100%精度解决问题。深度学习延续了较浅层机器学习的大多数风险和陷阱。
第五,深度学习的学习速度不如人意。深度学习系统需要进行大量训练才有可能成功。
尽管深度学习在图像识别、语音识别等领域都得到落地和应用,涌现出了依图、商汤、寒武纪等人工智能企业,但是深度学习依旧存在困扰产学研的瓶颈。
第一,数据瓶颈。几乎所有的深度神经网络都需要大量数据作为训练样本,如果无法获取大量的标注数据,深度学习无法展开。虽然谷歌等互联网巨头开始研发人造数据技术,但是真正的效果还有待评估。
第二,认知瓶颈。这是由深度学习的特性决定。深度学习对感知型任务支持较好,而对认知型任务支持的层次较低,无法形成理解、直觉、顿悟和自我意识的能力。科学家推断,可能是这一切源于人类知识认识的局限,而深度学习在某些方面已经超越了人类的认知能力和认知范围。