從幾個關鍵詞來理解深度學習的含義與重要性

　　【中國智能制造網 名家論壇】我講了為什么堅信人工智能。今天已成歷史。人工智能，就好像第四次工業革命，正從學術界的私藏，轉變為一種能夠改變世界的力量。尤其，以深度學習取得的進步為顯著標志。它讓匍匐前進60年的人工智能一鳴驚人。
我們正降落到一片新大陸。深度學習帶來的這場重大技術革命，有可能顛覆過去20年互聯網對技術的認知，實現技術體驗的跨越式發展。

那么，深度學習到底是什么？怎么理解它的重要性？

我們先從概念和現象入手。

　　我總結了一句話，學術上看未必嚴謹，但從我的理解角度看——深度學習是基于多層神經網絡的，海量數據為輸入的，規則自學習方法。

這里包含了幾個關鍵詞：

　個關鍵詞叫多層神經網絡。

深度學習所基于的多層神經網絡并非新鮮事物，甚至在80年代被認為沒前途。但近年來，科學家們對多層神經網絡的不斷算法優化，使它出現了突破性的進展。

以往很多算法是線性的。而這世界上大多數事情的特征是復雜非線性的。比如貓的圖像中，就包含了顏色、形態、五官、光線等各種信息。深度學習的關鍵就是通過多層非線性映射將這些因素成功分開。

　那為什么要深呢？多層神經網絡比淺層的好處在哪兒呢？
　　
簡單說，就是可以減少參數。因為它重復利用中間層的計算單元。我們還是以認貓為例好了。它可以學習貓的分層特征：底層從原始像素開始學習，刻畫局部的邊緣和紋；中層把各種邊緣進行組合，描述不同類型的貓的器官；高層描述的是整個貓的全局特征。

它需要超強的計算能力，同時還不斷有海量數據的輸入。特別是在信息表示和特征設計方面，過去大量依賴人工，嚴重影響有效性和通用性。深度學習則徹底顛覆了“人造特征”的范式，開啟了數據驅動的“表示學習”范式——由數據自提取特征，計算機自己發現規則，進行自學習。

你可以理解為——過去，人們對經驗的利用，靠人類自己完成。在深度學習呢？經驗，以數據形式存在。因此，深度學習，就是關于在計算機上從數據中產生模型的算法，即深度學習算法。

問題來了，幾年前講大數據，以及各種算法，與深度學習有什么區別呢？
　　
過去的算法模式，數學上叫線性，x和y的關系是對應的，它是一種函數體現的映射。但這種算法在海量數據面前遇到了瓶頸。上的ImageNet圖像分類大賽，用傳統算法，識別錯誤率一直降不下去，上深度學習后，錯誤率大幅降低。在2010年，獲勝的系統只能正確標記72%的圖片；到2012年，多倫多大學的GeoffHinton利用深度學習的新技術，帶領團隊實現了85%的準確率。2015年的ImageNet競賽上，一個深度學習系統以96%的準確率次超過了人類（人類平均有95%的準確率）。

計算機認圖的能力，已經超過了人。尤其圖像和語音等復雜應用，深度學習技術取得了優越的性能。為什么呢？其實就是思路的革新。