深度学习能否一统大数据机器学习江湖？

从历史来看，重大科学的研究往往呈螺旋形上升的过程，不可能一蹴而就，每一次基础科学研究的重大进步，一定会带来相关产业界的革命性增长。经历过“三起三落”的人工神经网络，能够在换马甲为深度学习后成功逆袭，正是机器学习领域这三十年来积累诞生的重大基础科学研究成果。现在深度学习被看作是通向真正人工智能的关键技术，被寄予厚望。2013年3月，Geoffrey Hinton和他的两位研究生加盟谷歌，参与Google Brain（谷歌大脑）计划以提升现有的机器学习产品并协助处理谷歌日益增长的大数据；2013年12月，Facebook宣布Yann LeCun为其新建的人工智能实验室的主管；2014年5月，Andrew Ng加入百度组建深度学习研究中心启动Baidu Brain计划（上述三人与Bengio Yoshua是深度学习领域最有影响力的开创者和推动者）；2016年3月，基于深度学习技术的谷歌AlphaGo首度在围棋比赛中击败人类顶尖高手，引起广泛讨论。在这个过程中，有霍金、盖茨、特斯拉CEO Elon Musk等大牛一致跳出来说小心人工智能，甚至Musk还发起组建了Open AI联盟，来推动人工智能技术开源以对抗各大IT巨头的XXX Brain计划，我国多位院士也牵头启动了国家层面的类脑研究计划。可以看到，在短短几年时间里，基于深度学习的人工智能已经取得了重大突破。我在10多年前对神经网络和支持向量机两个机器学习方向都有过粗浅的学习和理解，见证了神经网络研究三起三落其中的一段时光，见证了以支持向量机为代表的浅层学习技术的火爆，但却始终少有看到机器学习技术真正走出实验室，直到最近几年！神经网络换马甲为深度学习后成功逆袭，使得机器学习领域这几十年来积累的成果，得以走出实验室，在学术界研究和产业界应用都一鸣惊人并有望引领人工智能的突破性发展。上述种种，在我看来未来的深度学习绝不只是几个具体算法、模型那么简单，而是一种仿人脑多层异构神经元连接网络的机器学习思想、方法论和成套技术框架。各类深度学习技术的变异、进化、融合，结合GPU超级计算将是未来现实大数据条件下大规模机器学习的唯一方向，特别是海量多模态大数据条件下的机器学习，没有深度架构，将无法支撑大数据条件下自动特征学习、模型的有效表达、预测和记忆。深度学习模型的层次化、网络化仿生是处理大数据的必然要求。当然，深度学习在当前看来是通向现实人工智能的一条有效途径，但不应该是一种包罗万象的解决方案。尽管深度学习的能力相比传统机器学习技术很强，但和真正的人工智能目标相比，仍然缺乏诸多重要的能力，如复杂的逻辑推理、知识抽象、情感经验、记忆和表达等。不过深度学习现在还处于初级阶段，真正实现类脑计算还需要时日，随着深度学习的网络形式和深度架构的逐步演进，结合GPU、TPU、XPU…的超摩尔定律发展，也许我们能见证深度学习成就深度智能那一天。。

来源：点金大数据