現(xiàn)在，每一個人不是在學(xué)習(xí)深度學(xué)習(xí)，就是在準(zhǔn)備開始學(xué)習(xí)深度學(xué)習(xí)的路上。這個人工智能領(lǐng)域快速火了起來。大約有來自各年齡階段的十萬名學(xué)生在學(xué)習(xí)付費或者免費的深度學(xué)習(xí)課程。許多初創(chuàng)公司以及產(chǎn)品都打上了該領(lǐng)域的標(biāo)簽，就像流行用語一樣，但是真正使用了深度學(xué)習(xí)的卻很少。大多數(shù)人忽視了一個事實，深度學(xué)習(xí)只占了機器學(xué)習(xí)領(lǐng)域的1%，而機器學(xué)習(xí)又只是人工智能領(lǐng)域的1%。剩下的99%都是大多數(shù)任務(wù)已經(jīng)在實際使用的。一個“深度學(xué)習(xí)領(lǐng)域?qū)＜摇辈⒉皇且粋€“人工智能專家”。

深度學(xué)習(xí)并不是人工智能的同義詞

最廣為人知的人工智能工具來自于谷歌、Facebook等公司，大都是或者只是深度學(xué)習(xí)，所以公眾會認(rèn)為新的人工智能突破是由或者將由深度學(xué)習(xí)實現(xiàn)。這是不正確的。像XGBoost這樣的決策樹并不出名，但是在許多Kaggle表格數(shù)據(jù)競賽中默默地打敗了深度學(xué)習(xí)。大眾媒體指出AlphaGo只用到了深度學(xué)習(xí)，但是實際上它是 Monte Carlo樹搜索算法+深度學(xué)習(xí)，并存在證據(jù)證明單單靠深度學(xué)習(xí)不足以讓它獲勝。許多強化學(xué)習(xí)任務(wù)是由NEAT算法（通過增強拓?fù)涞倪M化神經(jīng)網(wǎng)絡(luò)）實現(xiàn)，不是基于BP的神經(jīng)網(wǎng)絡(luò)算法。這些都是人工智能領(lǐng)域有關(guān)深度學(xué)習(xí)的誤解。

我并不是說深度學(xué)習(xí)沒有在解決問題：深度學(xué)習(xí)確實很厲害。樹以及其他算法往往很難打敗深度學(xué)習(xí)，有些任務(wù)中深度學(xué)習(xí)也是無法替代的，我也希望未來能開發(fā)出不含深度學(xué)習(xí)的系統(tǒng)能打敗深度學(xué)習(xí)?；蛟S也能夠解決深度學(xué)習(xí)作出的決策存在的法律噩夢（即使是正確的，但是被法律質(zhì)疑時無法解釋）。同時我想在新聞里讀到像“災(zāi)難性遺忘”（出現(xiàn)學(xué)習(xí)新的信息前突然忘記先前學(xué)習(xí)的信息的傾向）這樣的有關(guān)深度學(xué)習(xí)的事情，或者讀到解決過擬合問題的一些日常新聞。關(guān)于智能：深度學(xué)習(xí)僅僅相信得到的訓(xùn)練數(shù)據(jù)，并不理解對與錯、現(xiàn)實與虛幻、是否公平。在某種程度上，人類有時也會相信假新聞，甚至小孩子也知道電影是虛構(gòu)的，并不現(xiàn)實。

現(xiàn)在的深度學(xué)習(xí)也許是曾經(jīng)的HTML？

20年前每個人都在學(xué)習(xí)HTML，這種編寫網(wǎng)頁的標(biāo)記語言，那時每個人都幻想成為一個“.com”億萬富翁。就像其他人一樣，我學(xué)習(xí)了每一種看似很有用的技術(shù)：HTML、移動端應(yīng)用、深度學(xué)習(xí)，我也希望每一個人在其一生中能夠不斷學(xué)習(xí)新事物。事實上，你不可能一輩子只學(xué)一種技術(shù)。如果你學(xué)習(xí)深度學(xué)習(xí)，你可能一輩子都搞不懂AI。來自1995年的HTML已經(jīng)過時且無法滿足需求，它被CSS、Javascript 以及服務(wù)器端編程語言所接管。同理，深度學(xué)習(xí)總有一天也會過時且不夠用。許多流行的移動端APP都不包含HTML，所以誰知道未來的人工智能APP是否包含深度學(xué)習(xí)呢？

事實上，深度學(xué)習(xí)是一種源于1980年代的技術(shù)，比HTML還悠久：70年代，帶有隱藏層的神經(jīng)網(wǎng)絡(luò)通過訓(xùn)練更多數(shù)據(jù)獲得了更好的結(jié)果，隨后重命名為深度學(xué)習(xí)并開始大肆宣傳。在1992年，我仔細(xì)檢查了一些神經(jīng)網(wǎng)絡(luò)源碼以及一些分形、元胞自動機之類的東西。就像大多數(shù)人，那時的我誤以為深度學(xué)習(xí)只是一個學(xué)術(shù)性數(shù)學(xué)難題，沒有實際用途。相反，我專注于學(xué)習(xí)給出直接結(jié)果的技術(shù)：電子游戲的3D技術(shù)、互聯(lián)網(wǎng)等等。但是我們都錯了，深度學(xué)習(xí)能夠利用大數(shù)據(jù)做很多神奇的事情！2015年我著迷于Deep Dream（人工神經(jīng)網(wǎng)絡(luò)），接下來是GANs（生成對抗網(wǎng)絡(luò)）等等。當(dāng)然，深度學(xué)習(xí)并不是我們發(fā)明的最后的完美的AI科學(xué)。

在過去的幾十年里，古老的深度學(xué)習(xí)已經(jīng)被廣泛研究和更新并應(yīng)用于更精確地解決更多任務(wù)，不過沒有一個版本的深度學(xué)習(xí)(Convolutional, RNN, RNN + LSTM, GANs等)能夠解釋它的決策。在未來，深度學(xué)習(xí)能夠解決更多任務(wù)并取代一些工作，但不可能解決所有的問題，或者保持驚人的進步以自我解決黑箱問題。

哲學(xué)家柏拉圖與亞里士多德正在說：深度學(xué)習(xí)可不能理解他們。

未來人工智能應(yīng)該去探索一些其他的新方法或已存在被忽略的方法。深度學(xué)習(xí)的限制在于僅僅認(rèn)為真理是數(shù)據(jù)中頻繁出現(xiàn)的地方，而統(tǒng)計較少的就是錯的或者頻繁出現(xiàn)地方的對立面。深度學(xué)習(xí)的公正性并不來自于它本身，而是來自于人類選擇并準(zhǔn)備的數(shù)據(jù)。深度學(xué)習(xí)不是用人類的方法來閱讀文本并翻譯出字里行間的意思。如果一個深度學(xué)習(xí)模型訓(xùn)練了100多本書：40本講了憎恨、戰(zhàn)爭、死亡和毀滅是多么糟糕，60本書講了希特勒的納粹主義是正確的，那么深度學(xué)習(xí)的結(jié)果將是100%納粹了。

深度學(xué)習(xí)本身是不會認(rèn)為屠殺猶太人、同性戀或者殘疾人是糟糕的事情，如果納粹注意是訓(xùn)練數(shù)據(jù)中最流行的觀點。難怪深度學(xué)習(xí)并不能解釋自己的決策，它會天真地說“我讀到的大多數(shù)書都說納粹主義是正確的，所以他就是正確的。”深度學(xué)習(xí)會學(xué)習(xí)并模仿有缺陷的邏輯而不是去發(fā)現(xiàn)缺陷，包括恐怖主義。就連小孩都能自己理解電影中誰是壞蛋，但是深度學(xué)習(xí)不能，除非人類一開始就非常明確地告訴它。深度學(xué)習(xí)中一些特定的東西，比如基于梯度下降的反向傳播算法、自定義深度學(xué)習(xí)硬件是很酷的，但是那大多數(shù)都是統(tǒng)計學(xué)和幾何學(xué)，所以將不會出現(xiàn)在2037年的AI領(lǐng)域。

深度學(xué)習(xí)領(lǐng)域的人工智能或?qū)⑹欠欠ǖ?/p>

對于大多數(shù)任務(wù)而言，深度學(xué)習(xí)領(lǐng)域的人工智能是或?qū)⑹欠欠ǖ?，不是符合?guī)則的。收集28個歐盟國家的居民數(shù)據(jù)的人或公司應(yīng)該遵循建立于2018年5月25日的《通用數(shù)據(jù)保護法規(guī)（GDPR）》。在這一天，歐洲的大多數(shù)APP將去除深度學(xué)習(xí)，導(dǎo)致許多人工智能初創(chuàng)公司快速將深度學(xué)習(xí)替換成其他的東西，否則將面臨罰款。罰款金將高達全球收入的4%，包括在美國的收入。

GDPR要求針對自動決策作出正確的解釋，防止由于種族、意見、健康等等歧視而產(chǎn)生不好的影響。全球范圍內(nèi)，像GDPR這樣的法律出現(xiàn)或者在計劃內(nèi)只是時間問題?！睹绹叫刨J報告法》要求披露所有影響消費者信用評分的因素，最多允許4個因素。深度學(xué)習(xí)的影響因素常常有上千或者百萬級，不僅僅只有4個，如何簡化為4個？人工智能，比如比特幣ICO，開始忽視規(guī)則，只不過法律和罰款總會來的。

深度學(xué)習(xí)系統(tǒng)在辨別小貓照片或者在自拍時添加小兔耳朵特效時都需要更多相關(guān)的決策，在未來將被非深度學(xué)習(xí)系統(tǒng)所替代。人工智能需要可解釋的，與深度學(xué)***不同，你能用簡單、合法的詞語向法官或者普通使用者解釋結(jié)果。深度學(xué)習(xí)的復(fù)雜性，使得它對于法官和用戶來說就是一種“魔法”，具有法律風(fēng)險：并不是很酷炫的未來。深度學(xué)習(xí)會建議或者警示人類，比如從醫(yī)學(xué)圖像中檢測疾病，由醫(yī)生核實，但是這只是半自動化，缺少細(xì)節(jié)。而對被AI拒絕（拒絕貸款、工作等等）需要解釋用戶說點什么呢？

法律包括了“解釋權(quán)”，比如為什么工作或者貸款被拒絕了。深度學(xué)習(xí)給出的結(jié)果，不是自然（法律）語言能解釋的。你可以得到數(shù)頁有關(guān)深度學(xué)習(xí)的變量的內(nèi)容，但是法官或用戶不能接受，因為即使是最好的數(shù)學(xué)家或者其他算法也不能將深度學(xué)習(xí)的模型用詞語簡單解釋。

甚至在人類做出最終決定時，人工智能工具應(yīng)該給出詳盡的理由使人們能夠發(fā)現(xiàn)錯誤（以便重寫、撤銷AI的決策），或者接受決策并簡單復(fù)制、粘貼并在AI的解釋上簽名。沒有人知道如何修改深度學(xué)習(xí)來給出像人類一樣的解釋，所以深度學(xué)習(xí)難以遵從規(guī)則！這影響了數(shù)個其他AI和機器學(xué)習(xí)算法，不過也只是一些，不像深度學(xué)習(xí)那么多。迭代決策樹或者集成決策樹也同樣變得難以解釋。但是在未來，嶄新或者重新發(fā)現(xiàn)的AI將為自己作出的決策所辯護，這些AI將替代深度學(xué)習(xí)和人類。

在GDPR的案例中，只有人類的工作人員能夠拒絕某項申請：AI能夠自動化操作某些積極的結(jié)果，但當(dāng)AI拒絕了貸款或者工作等等，就需要AI把工作轉(zhuǎn)交給工作人員，由工作人員來處理這些令人好奇且生氣的消極的決策。在拒絕的案例里，工作人員從基于深度學(xué)習(xí)的AI那里無法得到幫助或者解釋，他們并不能知道深度學(xué)習(xí)的邏輯是多還是錯。他們不得不從頭檢查數(shù)據(jù)，以決定最終是否拒絕，并寫下決策的合理原因。

這兒的風(fēng)險在于，工作人員為了節(jié)省金錢和時間，將對AI的拒絕做出假的解釋，盲目地接受了AI之前作出的決策。但是法官們需要對AI的拒絕的公正性作出裁決，同樣會出于比較，去詢問為什么其他人被接受了。為了安全起見，你需要對于接受的決策給出有說服力的原因，不僅僅只是拒絕的決策，不管這理由在GDPR這樣的法律中是什么。非深度學(xué)習(xí)的人工智能系統(tǒng)把所有決策的解釋提供給用戶，法官和支持人員，進而用于完全自動化或半自動化的決策。

可解釋能力在任何法律以及深度學(xué)習(xí)之前，就已經(jīng)是一個大問題。在反托拉斯案件中，像谷歌這樣的公司被問到為什么在搜索結(jié)果頁頂部顯示某一產(chǎn)品，而不是其他產(chǎn)品。這在深度學(xué)習(xí)出現(xiàn)之前也有過：許多其他算法也以一種瘋狂的方式來混合數(shù)據(jù)以獲得結(jié)果，所以沒有人能輕易地重建決策的邏輯。

法官們被告知工程師們并不了解詳情，線性代數(shù)的頁面被當(dāng)作證據(jù)。這不能圓滿結(jié)束：甚至在一個具體的法律出現(xiàn)之前，已經(jīng)有多個案件，數(shù)十億美元的罰款被裁定，并且伴隨著警告要求改變制度。用戶自動拒絕商店、銀行、保險等自動決策單元的工作、貸款、退款等集體訴訟將成為常態(tài)，無法解釋將意味著“無防御”、被罰款和品牌公關(guān)災(zāi)難。

對大多數(shù)人來說，“人工智能”是指科幻電影AI，它能提供聰明的解釋，人們可以很快地決定他們是否同意，對進行法律驗證非常容易。大多數(shù)人，包括法官和寫GDPR的，知曉公司是把AI放在第一位，或者喜歡AI元素，期望AI像電影中一樣，即使被法院傳召，也能捍衛(wèi)自己的決定，這些令用戶和法官都印象深刻。

相反，我們就無法解釋“深度學(xué)習(xí)“人工智能，將無法使用于很多任務(wù)，甚至對于可以解決，也不能用，只是因為缺乏可解釋性。深度學(xué)習(xí)不會節(jié)省成本，也不會解決敏感的自動化決策的工作。即使人類最終必須作出最終決定，工具AI解釋他們的建議將比不給出緣由而做出響應(yīng)的AI更可取?？山忉尩腁I，一旦被（再）發(fā)現(xiàn)，將會是更加安全、合法合規(guī)、便宜、快速，并取代深度學(xué)習(xí)和人類。深度學(xué)習(xí)是1960-1980年代發(fā)明的，從2010年之后又被重新發(fā)現(xiàn)?；蛟S未來可解釋的AI已經(jīng)被一些研究者在某些地方描述出來，但不是深度學(xué)習(xí)，所以可能好多年都沒有人關(guān)心和開發(fā)，直到它們被重新發(fā)現(xiàn)和炒熱。

GDPR，自動決策，也需要防止基于種族、意見、健康狀況所產(chǎn)生的歧視的影響。但對于深度學(xué)習(xí)的訓(xùn)練，是基于從用戶模型生成的數(shù)據(jù)如社會媒體和新聞（而不是初始真實數(shù)據(jù)，如醫(yī)療和財務(wù)記錄），這總是含有偏見，不精準(zhǔn)。如前所述，深度學(xué)習(xí)可以閱讀大量的文本和數(shù)據(jù)，并模仿其內(nèi)容，但不會批判性地理解它。深度學(xué)習(xí)會更相信所發(fā)現(xiàn)的事物，強調(diào)數(shù)據(jù)中的模式和趨勢，從而放大人類社會的偏見和問題。數(shù)據(jù)顯示，黑人比白人更容易被捕：如果犯罪發(fā)生，深度學(xué)習(xí)將首先懷疑黑人。數(shù)據(jù)顯示，公司董事中男性比女性多：深度學(xué)習(xí)將更偏愛男性求職者。

在訓(xùn)練數(shù)據(jù)中，深度學(xué)習(xí)的決定最終會比一般樣本更具歧視性、種族主義和性別歧視。這個問題發(fā)生在所有ML算法中，但是深度學(xué)習(xí)模型偏差是最難測試、檢測、控制和調(diào)優(yōu)的方法之一。它難以修復(fù)，以至于不僅僅是試圖修補它，而是已經(jīng)造成突然取消了許多深度學(xué)習(xí)實驗，從聊天機器人變得納粹化和可惡，到應(yīng)用程序通過“美麗”過濾器美白黑臉照片。

深度學(xué)習(xí)是一個神經(jīng)網(wǎng)絡(luò)，你無法單獨編輯每個答案的結(jié)果

你不能在通過訓(xùn)練后平衡補丁來修正帶有歧視性的種族主義或性別歧視的深度學(xué)習(xí)模型。深度學(xué)習(xí)是一個神經(jīng)網(wǎng)絡(luò)，并不像其他一些人工智能方法，不能對特定的答案進行局部手術(shù)，你必須重新訓(xùn)練所有不同，100%平衡和公平的數(shù)據(jù)以及這在世界中非常罕見的數(shù)據(jù)。深度學(xué)習(xí)模仿在數(shù)據(jù)中發(fā)現(xiàn)的東西，而不理解它：深度學(xué)習(xí)不會否定任何數(shù)據(jù)，也不會計算出社會中的不公，深度學(xué)習(xí)只是“學(xué)習(xí)數(shù)據(jù)”。你應(yīng)該雇傭一個專門的人員來創(chuàng)造一個理想社會的虛假的公平數(shù)據(jù)，白人被逮捕的頻率和黑人一樣，導(dǎo)演中有50%是女性，等等。但是，創(chuàng)建由人類專家編輯的大量不帶偏見的數(shù)據(jù)的代價，僅僅是為了訓(xùn)練深度學(xué)習(xí)模型，又如何說明AI值得取代人類呢！此外，即使你訓(xùn)練了一個真正公平的深度學(xué)習(xí)模型，你也沒有證據(jù)說服法官或用戶了解任何決定的公正性，因為深度學(xué)習(xí)不會給出任何解釋。

深度學(xué)習(xí)將是次要的，用于非商業(yè)應(yīng)用程序或游戲，不構(gòu)成法律風(fēng)險。當(dāng)可做解釋的AI流行起來的時候，深度學(xué)習(xí)將會像磁帶或者軟盤一樣被淘汰。人們玩游戲輸?shù)魰r不會說服一個法官對AI公司進行罰款，因為它不能解釋AI是怎么贏的。不喜歡FaceApp的人，將他們自拍照片變得更老，更年輕，或者異性的，不大可能說服法官對FaceApp進行罰款，因為它不能解釋AL如何決定新的外表（除了“種族”濾波器，這是在大規(guī)模的抗議活動后移除的）。檢測醫(yī)學(xué)圖像中的疾病是安全的一種深度學(xué)習(xí)應(yīng)用，只要用戶在向人類醫(yī)生確認(rèn)后服用藥物。

在法律上安全的深度學(xué)習(xí)市場是非常有限的：法官可以在所有情況下進行處罰，決定的結(jié)果可以作出經(jīng)濟上或健康的差異，或歧視性的，深度學(xué)習(xí)將無法幫助理解是否以及為什么該決定是公平的。自動駕駛汽車怎么樣？深度學(xué)習(xí)似乎是一種法律風(fēng)險，不僅僅是藝術(shù)、游戲或趣味笑話。現(xiàn)有的非深度學(xué)習(xí)方法可以在需要時替換深度學(xué)習(xí)，新方法將被發(fā)現(xiàn)，因此AI的進展將繼續(xù)順利進行。特別是如果每個人都學(xué)習(xí)（并投資）所有人工智能和機器學(xué)習(xí)中舊的和新的算法，不僅僅是深度學(xué)習(xí)：這才是成為“整個人工智能終身專家”的唯一途徑。

除了深度學(xué)習(xí)是“非法的”用于許多有用的，它可以解決的任務(wù)，它也有幾個任務(wù)不能解決：那些需要抽象推理找出什么是公平的和不公平的，在看到的數(shù)據(jù)，解釋自己獨特的邏輯。即使對于不需要解釋的任務(wù)，深度學(xué)習(xí)似乎是最好的系統(tǒng)，像圖像識別，深度學(xué)習(xí)并不像人眼那樣安全。你可以用“對抗性的例子”來欺騙深度學(xué)習(xí)：像貓一樣的照片，加上無形的干擾，可以欺騙深度學(xué)習(xí)像看到其他東西，比如像一只狗。所有的人仍然會看到一只貓，但深度學(xué)習(xí)會看到一只狗或任何黑客秘密嵌入的東西。這可以利用路牌來破解目前的自動駕駛汽車。新的AI系統(tǒng)可以抵抗這個黑客，將取代深度學(xué)習(xí)。

Keras一書的作者，最受歡迎的深度學(xué)習(xí)庫，在自己的文章里寫 “深度學(xué)習(xí)的局限性”，“深度學(xué)習(xí)唯一真正的成功是將地圖空間X映射到Y(jié)空間，使用連續(xù)的幾何變換的能力，根據(jù)大量的人工標(biāo)注數(shù)據(jù)?！?這些空間有很多尺寸，不只是3D，這就是深度學(xué)習(xí)如何來模仿畢加索藝術(shù)風(fēng)格，撲克中虛張聲勢和一些任務(wù)中展示的創(chuàng)造力。但用通俗的話來說，我會說這意味著：深度學(xué)習(xí)可以訓(xùn)練識別貓的照片，在不了解貓是什么的情況下；在不知道什么是種族主義者的情況下，就成為種族主義者。深度學(xué)習(xí)可以識別貓或種族主義者或贏得游戲，這是令人矚目的進步，但深度學(xué)習(xí)不能解釋為什么照片顯示一只貓，或某種決定是偏向種族主義者的。

在《深度學(xué)習(xí)的未來》中，Keras作者介紹了他的一個新系統(tǒng)，深度學(xué)習(xí)是只存在于“幾何模塊”中，不與“算法模塊”和“元學(xué)習(xí)”有關(guān)聯(lián)。這將增加所需要解決的任務(wù)的數(shù)量和類型，但由于深度學(xué)習(xí)模塊的存在，仍然無法解釋這些決定。就像我們無法用語言來解釋我們大腦中的某些情緒或圖像。人類的解釋，大多是編造的，過于簡單的解釋，以至于每個人似乎都認(rèn)為是準(zhǔn)確的。機器的算法卻被不公平地要求精確。其他專家正在起草新的人工智能系統(tǒng)根本不包括深度學(xué)習(xí)，但他們?nèi)狈Y金：現(xiàn)在每個人都只在深度學(xué)習(xí)投資，深度學(xué)習(xí)狂熱將持續(xù)一段時間。沒有人知道下一個大AI會是什么，但不太可能是深度學(xué)習(xí)2.0。

深度學(xué)習(xí)被大肆宣傳，因為只有在利益沖突中，銷售深度學(xué)習(xí)軟件和硬件的人才會在AI辯論中接受采訪。你有注意到任何“自然智慧”專家，如心理學(xué)家和哲學(xué)家那樣地支持深度學(xué)習(xí)？

如果你還沒來得及學(xué)習(xí)AI，你可以考慮等待下一個AI系統(tǒng)興起，并準(zhǔn)備好并直接研究它，跳過深度學(xué)習(xí)。否則，如果你有需求學(xué)習(xí)AI，我建議你一定要深入了解整個人工智能和許多機器學(xué)習(xí)領(lǐng)域的知識，而不僅僅是深度學(xué)習(xí)。