我们仁攀类本身对图像，声音和说话的懂得，建立在我们作为仁攀类的感触感染体验中，地球上的生物也是如斯感触感染和懂得。机械进修模型无法获得这种感触感染和懂得，是以不克不及以仁攀类的感到去请求机械进修。经由过程注释大年夜量的练习示例来填充我们的模型，我们让它们进修一个几何变换，将数据映射到这个特定的一组示例上，然则这个映射只是我们思惟华夏始模型的简单草图，机械进修像个履行者，履行仁攀类的思路，但没有情感和懂得，它们的行动准则都是仁攀类付与。
再举个例子，如不雅你开辟了一个能控制人身材的神经收集，并欲望它可以或许在不被任何车碰撞的情况下流览全部城市，那么神经网路控制的人在各类情况下都要逝世掉落数千次，直到可以断定出车辆的情况以及各类危险，并制订履行躲避行动。而再去一个新的城市，神经收集必须从新进修大年夜部分的常识。反过来，仁攀类可以或许进修安然的行动，而没有效逝世亡试错 的过程，这要归功于仁攀类假设情境的抽象建模。
(同样的经验，捉崾登机械进修的局部泛化，缺乏抽象才能。右侧是仁攀类的极端泛华，可以经由过程假设而抽象建模，不必真的遍历)
现代 AI 的一个异常凸起的风险是「误会了深度进修，并高估了其才能」。仁攀类思惟的一个根本特点是根据仁攀类物种的「思惟理论和体系」，我们偏向把仁攀类的意图、崇奉、懂得加于身边的事务上。就像在岩石上画一个笑容它好就像在笑，这些都是我们的想象。在深度进修方面，例如，当我们可以或许有些成功地培养一个模型，它看到图片就生成标题，我们常误认为该模型「懂得」了图片的内容大年夜而生成了标题。然后，当练习数据中存在的图像类型稍微偏离导致模型开端产生完全荒诞的字幕时，我们会异常惊奇。
简而言之，尽管我们在机械感知上取得了进步，但我们仍然远离感性的人文 AI：我们的模型只能履行局部泛化，适应与以前数据异常接近的新情况，而仁攀类认知可以或许极端泛化，敏捷适应大年夜胆别致的情况，或为长远将来的情况进行筹划。
结论
这是你应当记住的：到今朝为止，深刻进修的独一真正的成功是应用持续几何变换将空间 X 映射到空间 Y 的才能，但还要给出了大年夜量的工资注释的数据。做好这一切，根本上能改变每一个行业的游戏规矩，然则距离更人道化的 AI 还有很长一段路要走。
为了让 AI 解决这些限制，并开端与仁攀类大年夜脑竞争，我们须要彪炳「简单的输入到输出映射」，存眷推理和抽象。
【编辑推荐】
- [ I am Jarvis ] ：聊聊 FaceID 背后的深度进修视觉算法
- 为什么要用深度进修来做个性化推荐 CTR 预估
- 微软CEO纳德拉访谈良石工智能的大年夜偏向与将来是什么？
- 神经收集求解新思路：OpenAI用线性收集计算非线性问题
- 阿迪达斯机械人工厂制造的鞋子立时要发货了
- 惊闻AI降临，DBA即将掉业
推荐阅读
本文的目标是赞助您完成向 Node.js 核心文件供献代码的第一个提交!当然你也可以开端直接向 Node.js 的核心供献，比如答复应用者的问题，甚至向项目提交卸码。接下来，我们介绍提交卸码以获>>>详细阅读
本文标题：深度学习的局限性，你了解吗？
地址：http://www.17bianji.com/lsqh/37754.html
1/2 1
网友点评
精彩导读
科技快报
品牌展示