怎樣看待前 Uber AI Lab 主管 Gary Marcus 對深度學習侷限性進行的批判？

1樓：矽基生物

我想耍流氓乙個：你行，你上！

想想還是算了，萬一人家真搞出一套更厲害的，不是打臉了嗎。

說實話，人家馮諾依曼早就證明了神經網路和圖靈機是等價的（估計也和人腦等價），也就是說，各種演算法的效能應該是量的差距不是質的差距。對深度學習這樣直白的批評，真沒什麼意義，就算搞出一套更好的演算法，這些問題估計也長期存在。

沒人說深度學習是終極AI吧，我就對模擬退火比較感興趣。不過深度學習是有點紅的發燙了，不要給外（金）行（主）一種AI=深度學習的錯覺

2樓：Dr.Shiki

1 dl的VC dim很大，所以需要資料量不是什麼問題啊，如果以人眼24fps的input，這個資料量又當如何算？

5 不夠透明應該去研究，用到「走出」這種詞語是什麼鬼？

9到目前為止，相對論/量子論也只是一種良好的區域性近似，其答案並不完全可信！講道理，科學就是對真理的逼近，現在的深度學習是目前為止最好的對智慧型的逼近，沒毛病

暫時不是很懂他其他點說的是什麼

3樓：劉縉

我試著把人腦代入，至少這兩條完全符合：

5. 迄今為止人腦幾乎完全是黑盒

7. 人腦是臭名昭著地容易把相關誤認為因果。

其它1,8,9一定程度上也符合。

我們必須走出人類智慧型，這樣才能迎來真正的通用人工智慧？

人腦是黑盒，人類執行某個任務的效能/可靠性並沒有理論證明，那為什麼很多任務還交給人類呢？

目前沒有比人類效能更好的替代方案。

人類的可靠性在實踐中被證明可以接受。

深度學習代替其它一些很多人更喜歡的有更漂亮理論的方法，其實也是基於同樣的理由。

4樓：NX-8MAA09148HY

上面說的確實是事實

但是，擋不住人家效果好啊，不管怎麼樣，我們只能說，深度學習還有很多值得改進或者進一步探索的地方，什麼東西都有缺點，這是肯定的，但更加肯定的是，深度學習，是乙個好東西，而不是乙個壞東西

OK，讓我想更多的是，為什麼有那麼一些學者對深度學習充滿仇恨，拋開那些利益什麼的狹隘因素，我覺得可能現階段，深度學習讓很多懶惰的「學者」開始投機，並且還得到了不錯的回報，這一點比較讓人痛恨吧，但是，這都不是深度學習的錯

最讓我不解的是最後一點，良好的近似？回想起當年統計學習剛出來的時候，愛因斯坦也說過「上帝不會擲骰子」這種話，現在誰還在質疑統計學習呢？如果站在歷史的角度考慮問題，這一切只不過是新事物代替舊事物的一種陣痛吧？

那麼對深度學習的態度，會不會更溫和一些呢？

我們必須走出深度學習，可能他自己才是真的沒有走出深度學習。

沉浸在對深度學習的仇視中，是不是也是沒有走出來呢？

5樓：張大帥

毫無意義。

有本事用非deep方法做出deep的效果，沒本事就別bb。

只會批判實踐者的缺陷，卻做不出任何實質性改進，連批判的內容也都是引用業界人所共知事實，筆下雖有千言而胸中實無一策，只會引經據典，大言不慚，我從未見過如此厚顏無恥之人！

6樓：清香白蓮

說得還是比較中肯的，不過這裡面很多不僅僅是深度學習的侷限性，其他機器學習業未能很好解決。像第7條，貌似就不是機器學習所能解決的，因為機器學習是從資料中學習知識的，然而資料本身只能說明相關關係，不能說明因果關係，要學習因果關係只能通過實驗設計。

對於第9條，不要說深度學習或機器學習，一切模型都是建立在一定的假設基礎上對客觀世界現象的一種簡化抽象地描述，都是一種近似，沒有模型絕對可信，只有上帝。其他的機器學習方法也一樣是先有乙個模型的假設空間，然後在資料與建模者的經驗的約束下，搜尋出乙個區域性相對較優解，這個解就是最終的模型。