“我們的產(chǎn)品融合了大數(shù)據(jù)和人工智能技術(shù)。”（其實多數(shù)情況下不過是用hadoop跑了個腳本。）

作為一個知識分子，我是不太擅長罵人的。咱們還是先講講道理，看看深度學(xué)習到底解決了什么，還有哪些挑戰(zhàn)。

實際上，到今天為止，無論什么樣的機器學(xué)習，本質(zhì)上都是在統(tǒng)計數(shù)據(jù)，從中歸納出模型。實際上，很早以前大家就認識到，深層的神經(jīng)網(wǎng)絡(luò)比起淺層的模型，在參數(shù)數(shù)量相同的情形下，深層模型具有更強的表達能力。這個概念說起來也好理解：用同樣的面積的鐵皮，做個桶比做個盤子盛的水要多一些。對此，馬三立大師早有論述：碗比盤深，盆比碗深，缸比盆深，最淺的是碟子，最深的是缸。而盤子或桶里的水，則類比于模型可以接納并總結(jié)的數(shù)據(jù)：太淺層的模型，其實很容易自滿，即使有大量的數(shù)據(jù)灌進去，也并沒有什么卵用。

既然很早就知道深層模型的表達能力更強，那么為什么近年來深度學(xué)習才大放異彩呢？那是因為桶雖然盛水多，我們以前卻沒有掌握將它高效率地灌滿的辦法。也就是說，以前對深度神經(jīng)網(wǎng)絡(luò)，沒有太有效的工程優(yōu)化方法。一個大桶擺在那兒，卻只能用耳挖勺一勺勺往里灌水，多怎才能灌滿??？直到本世紀，Geoffrey Hilton和他的學(xué)生發(fā)明了用GPU來優(yōu)化深度神經(jīng)網(wǎng)絡(luò)的工程方法，這就好比灌水時發(fā)明了水管，極大地提高了效率。這樣的工程方法產(chǎn)生后，深度神經(jīng)網(wǎng)絡(luò)才變成工業(yè)界實用的武器，并且在若干領(lǐng)域都帶來了里程碑式的變化。

桶有了，水管也有了，還缺什么呢？當然就是水了。對深度學(xué)習模型而言，水就是海量的數(shù)據(jù)。比方說原來用淺層的模型做人臉識別，訓(xùn)練樣本到了一定的規(guī)模，再多就沒有用了，因為盤子已經(jīng)灌滿了，再灌就盛不了了。可是，改用深度學(xué)習，再加上有了水管以后，數(shù)據(jù)一直往里面灌，模型還是可以繼續(xù)學(xué)習和提高。就拿機器識別物體這樣的任務(wù)來說，通過數(shù)百萬副圖片的訓(xùn)練，深度學(xué)習模型甚至可以超過人的肉眼的識別能力，這確實是人工智能在感知類問題上重要的里程碑。

然而，上面的例子提醒我們：人工智能和人的智能，還真的不是一回事。幾歲的小孩子，大人給他指過一次貓，下次他十有八九就能認出來。然而不論是多強的人工智能模型，也不可能看幾張貓的圖片，就能準確地認識貓。也就是說，深度神經(jīng)網(wǎng)絡(luò)的“智能”，是建立在海量數(shù)據(jù)基礎(chǔ)之上的，因此，深度學(xué)習與大數(shù)據(jù)，有著非常緊密的內(nèi)在聯(lián)系。

關(guān)于深度學(xué)習，還有一個有趣的現(xiàn)象。就目前情況來看，深度學(xué)習技術(shù)在互聯(lián)網(wǎng)應(yīng)用（例如廣告、推薦等）上取得的提高，沒有語音圖像這些領(lǐng)域那樣顯著。這里面有什么規(guī)律性的解釋么？個人認為，自然現(xiàn)象的數(shù)據(jù)處理，例如語音識別，我們完全可以通過主動的語料采集，讓各個phoneme甚至biphone、triphone都挺有充分的覆蓋；而互聯(lián)網(wǎng)收集的社會行為，例如廣告點擊、新聞閱讀這些數(shù)據(jù)，Ground truth并不清晰：即使對于同一個人、同一則廣告、同一個廣告位，點擊與否也是個很不確定的事件，而這樣的不確定性即使引入再多的上下文信息，也不可能消除。而引入了大量的上下文信息（即模型需要的feature）后，在每個片段上的數(shù)據(jù)實際上非常稀少，并不能滿足深度學(xué)習模型徹底進化的需要。怎么解決這個問題呢？最近爆火的Alphago采用的deep reinforcement learning方法論，或有是個啟發(fā)。

以上種種人工智能技術(shù)經(jīng)歷的磨難與輝煌，乃至更加波瀾壯闊的未來，都需要參與者們抱定一顆平常心，以十年磨一劍的決心和毅力去攻克一個個產(chǎn)品與技術(shù)難關(guān)。同時，這需要對于科學(xué)技術(shù)真正的信仰與堅持，因為人工智能不同于賣盒飯或者搞劫持，凡小學(xué)肄業(yè)以上文化程度，對手段之道德底線無特殊要求者皆可以勝任，它需要對于科學(xué)技術(shù)真正的信仰與堅持，對于背景理論多年的修養(yǎng)與磨練，遠非看上去那樣簡單美好。

資本與大佬們對于人工智能的追捧，當然不能說是壞事。不過說實話，在里面確實也能多少嗅出一些單純追逐風口、順風接屁的惡趣味。這個領(lǐng)域已經(jīng)被捧殺了好幾回，好不容易有些轉(zhuǎn)機，還是給大家正確的普及、合理的預(yù)期比較重要。就拿語音識別來說，Benchmark集合上詞正確率的提升，其實并不意味著人機直接用語言進行交流已經(jīng)可以暢通無阻：各種復(fù)雜噪音環(huán)境下的魯棒性問題、自然語言理解的巨大挑戰(zhàn)、找到適合語音交流的殺手級應(yīng)用場景，這些都是當我們推門以為豁然開朗時，又發(fā)現(xiàn)橫亙在面前的王屋與太行。理性的人工智能從業(yè)者，不要輕信各種花色品種的大佬們場外吃了春藥后的搖旗吶喊——因為你并非正要向終點沖刺，而是剛剛踏上跑道。

（圖片來自@南大周志華 老師微博）

春藥吃下去，High是能High一陣，但精盡人亡就不好了。那些把人工智能捧成耶和華一般的行業(yè)分析師與大佬，是十分值得警惕的：我敢斷言，當此領(lǐng)域再遇波折，將“人工智能”這四個字踩在腳下、惡狠狠淬上一口的，還會是這一撥人。而其中有些個別人惡俗的熱捧，則可以說是人工智能的恥辱——西施長得好不好，是不需要八大胡同的選美比賽來品頭論足的。

作者：@北冥乘海生 微信公眾號：計算廣告（Comp_Ad）