深度學習的王座，還保得住嗎？

原標題：深度學習的王座，還保得住嗎？

幾天之前，國內科技媒體，尤其是AI媒體之間刷屏了一篇文章。其原作者是機器視覺專家Filip Piekniewski ，標題叫做《AI Winter is Well on its Way》。這篇文章在國內有各種翻譯的版本，並配了很多標題。但主旨差不多是一樣的：深度學習完了！AI寒冬又要來了！

無論是國內還是國外，在社交媒體上「看熱鬧就不嫌事大」屬於一種基本操作。所以這篇文章還是短期內引發了大量關注。比如我們會看到國內一些媒體以這篇文章為依據，開始提出人工智慧要完了；人工智慧脫下皇帝新衣等等觀點。

可是這篇文章究竟是否靠譜呢？用大神Yann LeCun的評價，這篇文章的觀點屬於「非常無知very uninformed」。確實其中也有不少近似常識錯誤的部分，不是很值得討論。比如文章中認為，深度學習要糟糕的證據之一，是深度學習專家們發的相關推特越來越少了。文章中還煞有介事地分析了吳恩達發推特的數量……

這個論證邏輯實在有點牽強，一個技術誕生好幾年後，當然難以與它剛剛面世時的流量熱度相提並論。而且另一方面，似乎全世界的人均發推數也在大幅下降……

但我們未嘗不能把目光放的更遠一點：比如客觀來看，反深度學習思潮已非一日之寒。各種關於深度學習的爭論，以及對其泡沫的懷疑，在近半年間塵囂之上。這當然不會完全沒有道理。而且圍繞在深度學習身旁的爭議，經常有著複雜的動機和話語背景。而被媒體，尤其是翻譯後媒體所展示出來的，不過是冰山一角而已。

那麼或許我們可以從那篇《AI寒冬就要來了》的文章裡，去觀察一下這場「深度學習的王座保衛戰」。或許這可以給我們一些線索，來判斷AI之冬到底是遠在天邊還是觸手可及。

Filip Piekniewski對深度學習的質疑一共有這麼幾項證據：

1. 關於深度學習的推特在減少……這個我們就不多聊了。

2. 大公司對AI的興趣正在消退。

3. 深度學習沒有證實「架構可以無限延展」的傳聞。

4. 接二連三出現的自動駕駛事故讓深度學習失去價值。

這四大證據，得出的結論就是AI寒冬就像股市崩盤一樣，很快就會發生。不得不說，這個邏輯鏈裡的槽點還是相當密集的。

自動駕駛事故，是深度學習的鍋嗎？

首先來我們回到備受爭議的自動駕駛事故。Filip Piekniewski認為，Uber在坦尚尼亞州撞死人的那起事件，直接證明了深度學習的無效性。原因在於報告顯示，AI系統沒有認出視線範圍內的行人。

這個推論乍聽起來有理有據的，但仔細一想絕對可謂強行甩鍋。這就像一輛車因為發動機熄火導致發生了車禍，那麼原因可能有很多，比如車主沒有好好保養；汽車製造商有質量問題；汽車零部件生產商有問題；甚至是意外因素。但實在很難想象把原因甩給內燃機技術，以及相關學術界。

當然，深度學習目前可不像內燃機一樣經過了千錘百煉。但脫離具體的解決方案與演算法、零部件、車載系統、廠商之間的技術差異等等因素，去質疑巨集觀技術，似乎也是不妥。更何況深度學習也難以被視為無人駕駛場景中的最核心技術。

比如Uber的事故率可謂出名的高，但Waymo的事故率卻出名的低。那麼究竟他們都使用的某種技術不行，還是廠商不行呢？這大概不是個難以回答的問題。

換個角度想，假如深度學習非常炸裂，達到了毀天滅地的程度，於是無人駕駛就成熟到可以不經過任何測試與研究，馬上就取代人類司機安全上路了嗎？好像也不是。

所以把個別廠商的安全事故要甩給大家都用的底層技術，實在有點甩鍋的嫌疑。

大公司放棄人工智慧了嗎？

Filip Piekniewski提出大公司對人工智慧的興趣正在衰退。比如有媒體報道谷歌正在不知道拿DeepMind怎麼辦（這篇文章之後沒多久，谷歌I/O大會裏又著重強調了DeepMind的技術）,而DeepMind和OpenAI這兩個深度學習王牌公司如今靜悄悄的沒什麼聲音,結論是Facebook和谷歌開始展露出從AI撤退的意圖。

那這個意圖可能確實有點太隱晦了。就像Yann LeCun批評的那樣，谷歌、Facebook和微軟這樣的大公司，近期對AI的加註和加速招聘人才都是顯而易見的。這個時間段最有代表性的可能是微軟，最近憑藉一通緊密關聯AI的神操作，微軟股價漲出了新高。谷歌和Facebook，甚至亞馬遜的進一步AI化都非常明顯。而谷歌，可就連軍方AI專案都那麼地不離不……

文章提到了另一點，是DeepMind在AlphaGo之後就沒有什麼驚人表現了。當然每個人對於驚人的定義是不同的，但從我們的角度看，DeepMind這兩年在強化學習和仿生AI的研究上，成果是非常顯著的。它與谷歌能否長期相容當然是另一個商業層面的問題，僅僅就技術表現而言，絕不可能每一個技術進步都有AlphaGo的傳播性和公關價值。

當然，值得注意的是，DeepMind確實正在越來越少提出深度學習相關的技術，反而強化學習正在成為這家公司新的關鍵詞。

泡沫與不確定性，確實瀰漫在DL身旁

整體而言，這篇刷屏文章中相對靠譜的一個懷疑，是關於深度學習的框架延展性問題。13到16年間，確實瀰漫過很多對深度學習的過分吹捧，並且其中很大部分來自於科學家。其中一個論調，是深度學習的特殊性讓其架構可以無限增長，於是智慧也就會停不下來地幾何級擴張。

但在實踐中，這顯然不靠譜。首先是無限增長架構效果並不一定好，這在很多過分複雜的模型中都得到了印證；其次過於複雜的架構，同時也意味著巨大的能耗和龐大的資料需求量，這都是今天無法負擔的。

這類赤果果的打臉，在深度學習身上已經發生了不少。由於深度學習技術提出時，確實讓學術界和產業界看到了非常可觀的延展空間，以及把很多抽象能力計算化的可能。而在競技、視覺以及自然語言翻譯等領域，深度學習也的確帶來了不可替代的提升。

於是無論圈內還是圈外，關於深度學習就是那個「終極演算法」，人類可以藉由DL一路達到通用智慧等等言論蜂擁而至。而深度學習之所以被很多科學家反感，這些反常識的言論其實佔據了主要原因。

這些言論和樂觀估計是否帶來了資本和商業市場上的泡沫呢？可以說是絕對有的，而且恐怕美國比中國更甚。這些因素，加上深度學習技術一些無法被攻破的先天不足：比如嚴重的黑箱性、資料依賴性，以及對動態模擬的不足等等，共同組成了一個不穩定空間。

尤其在AI嘗試走向商業化的時候，這些不穩定或許會發展為定時炸彈。好在目前來看，商業應用初級深度學習的技術紅線，還有非常遙遠的距離。

而即使是「反深度學習聯盟」中最大的旗幟Marcus也認為，在功能架構上來說，深度學習可能是今天最好的解決方案，雖然它有這樣或那樣的問題。

深度學習失效了，AI冬天就會到來嗎？

最後一個我們需要弄清楚的問題，是假如深度學習失效，或者至少不再那麼紅火，那麼AI之冬是不是就一定不遠了？

歷史上人類經歷過兩次AI之冬，尤其80年代的AI寒冬，給當時已經相對完整的產業結構帶來了致命的打擊。到底有沒有第三次，這或許是每個相關者都關注的問題。

這裏最大的問題，可能是深度學習失寵和AI之冬的必然聯絡：到底是「蒼天已死，黃天當立」，還是「蒼天已死，大家完蛋」？

目前來看，似乎前者出現的概率要比後者更高。即使最終在某個產業節點，一些突發因素證明深度學習是一種架子很大但實際沒什麼用的技術，那麼好像今天等著上位的「備胎」也有不少。

比如上面提到了，DeepMind正在大舉投身對於強化學習的研究，並且躍躍欲試想要搞些大事情。比如不久前他們通過對大腦中海馬體的模仿，用強化學習技術達成了在無地圖情況下自動導航。效果已經非常驚人了。

而深度學習之父Geoffrey Hinton似乎也對這個「親兒子」不太滿意。他和團隊正在努力提出膠囊網絡技術，這被廣泛視作未來可以補充甚至挑戰深度學習地位的演算法實現方式。

此外，小資料學習、GAN等方案都在嘗試在某些領域補充深度學習的缺憾。《冰與火之歌》告訴我們，鐵王座上經常換人，但七國還是那個七國。深度學習不被寵愛與AI寒冬的逼近，似乎二者間也缺少必然的邏輯聯絡。

尤其在深度學習的商業化潛力，還遠遠沒有被逼盡的情況下。

推翻深度學習，目前還不那麼容易

綜上所述，由於深度學習這東西生來伴著太多的光環，而且太多科學家與企業主為它說過很明顯的大話。那麼很多同行在這門技術不那麼活躍的情況下，趕緊出來「打臉」一番，似乎也是可以理解的。

需要注意的是，無論吹噓深度學習可以連線通用智慧；還是將其成敗與吳恩達每天少發了0.15條推特聯絡到一起，顯然都是帶著立場和情緒的。

或許相對客觀對深度學習技術的評價是這樣的：生來驚豔，並且先天不足。

但在產業與工程化層面，今天想要推翻深度學習的主流地位似乎更加困難。原因在於80分不等於0分，深度學習以及衍生技術解決的是一個機器識別、仿生模態感知與機器理解能力從無到有的進步。

這個進步之下，有大公司的鉅額投注、國家與政府的跟進，也有感知智慧開啟的商業想象空間，以及商業智慧與各行各業的結合可能。這些技術起點和整個商業市場相比，目前全世界的滲透率都還很低。這也意味著，即使深度學習不再在技術端繼續增長，那麼把產業潛力釋放乾淨，也還需要一個漫長的時間軸。

另一方面，目前所謂以推翻深度學習為目標的技術，往往是在補充深度學習的不足，並且大多比較初級。它們未來是否真的是非此即彼的關係，目前還是未知數。

歸根結底，深度學習可能還要在它所謂的「王座」上再坐一會。而媒體和反對者想要得出AI寒冬的結論，可能還需要多花些努力才行。返回搜狐，檢視更多

責任編輯：