- 现在的深度学习算法是依赖数据，依赖计算的，所以我们能用它做的事情主要有两种，一种是已经有或者便于采集大量数据的，另一种是虽然数据不多，但是商业价值很高，所以大公司愿意出资人工做数据的。但是这似乎就局限了深度学习的应用，也局限了人工智能的发展。比如，ImageNet的标签是由人手工完成的，因为图像识别图像分类是很有前景的一个应用；而自动驾驶也前程似锦，因为摄像头可以为我们提供充足的数据。而从一个小语种翻译到另一个小语种却是一个很艰巨的任务，因为我们没有巨大的语料库，也没有商业驱动力。
- 认识到局限性之后，紧接着的问题就是，现在热门的人工智能的方向是否就是被局限的？假如向一个对今天的AI的实现方法一无所知，却又极具思考能力的人提问，问他一个“人工智能”应该可以做什么事情，有什么可以协助或代替人类的工作可以让“人工智能”来完成，那么他会认为今天的自然语言处理、图像识别和分类、语音识别是重点吗？课上一句话发人深思，我们不希望后人回头看，这一波人工智能的浪潮只留下了图像分类。那么深度神经网络，卷积神经网络，他们还能够做什么工作呢？这应该是工业界在不停探索的问题。也许未来我们可以看到AI被用在了我们现在无法设想的领域。
- 如果说，DNN，CNN它们始终会有数据的局限（即使我们可以用很多方法优化），那么是否它们被局限于这种特性本身？它们的特性莫非就决定了它们的宿命？它们可能被用于一些我们认为更智能的事情，比如阅读理解，逻辑推理吗？现在的小冰的“创作”也好，所谓的阅读理解也好，它的本质是不是就是平淡无奇的函数拟合，统计方法，加上很多的参数调节技巧和GPU的运算？但是从另一个角度考虑，人脑的思维其实也不过是神经元的连接，人的情绪也受控于甲状腺素、肾上腺素、多巴胺，内啡肽的调节；只不过实际的低层次的细节对我们隐去了。那么我们能够看到参数的调节，能够看到数据的传递的DNN，CNN，所以它们好像失去了神奇的魔力，好像平淡无奇，但其实它们也真的拥有成为General AI的潜力？但是，鸿沟还是没有被越过，而鸿沟是什么，如何越过它，还有待我们的探索。
网友评论