导读：当下火爆的人工智能领域还存在着许多技术瓶颈。其实，我们离真正的人工智能之间的距离还很远。

　　人工智能现在已经火的不能再火了。各种新闻机构都在不断地放出猛料，有的说现在IBM的Waston人工智能已经能够彻底取代劳动者了；还有的说现在的算法在医疗领域已经能够打败医生了。每一天，都有新的人工智能初创公司出现，每一家都声称自己在利用机器学习，彻底颠覆你个人的生活，商业性质的活动。

　　还有一些大家平日里司空见惯的产品，比如榨汁机，无线路由器，一夜之间也都换上了全新的广告语：“我们都是由人工智能技术所支持的！”智能桌子不仅能知道你平日里工作时所需要的合适高度，甚至还能帮你点午餐！

　　但事实是什么呢？那些报道新闻的记者，其实从来没有亲自去介入到一个神经网络的训练过程当中，而新闻源头的初创公司以及营销团队也有自己的盘算：都是想扩大自己的名声，获取到资本和人才的关注，哪怕它们压根没有解决一个现实中存在着的问题。

　　也正是在这样的喧嚣气氛中，难怪在人工智能领域会出现那么多一知半解，其实大家都搞不清楚什么是AI能做的，什么是AI无法办到的。

　　深度学习确实是一个让人心驰神往的技术，这无可辩驳。

　　其实，神经网络这个概念自上个世纪60年代就已经出现了，只是因为最近在大数据、计算机性能上面出现的飞跃，使得它真正变得有用起来，由此也衍生出来一门叫做“深度学习”的专业，旨在将复杂的神经网络架构应用在数据建模上，最终带来前所未有的准确性。

　　现在的技术开发成果也确实让人印象深刻。计算机现在可以辨识图片和视频里的东西都是什么，可以将语音转化成为文字，其效率已经超过了人力范畴。Google也将GoogleTranslate服务中添加了神经网络，现在的机器学习在翻译水平上已经逐步逼近人工翻译。

　　现实中的一些应用也让人大开眼界，就比如说计算机可以预测农田作物产量，其准确性比美国农业部还高；机器还能更加精准的诊断癌症，其准确度也比从医多年的老医师还要高。

　　DARPA（美国国防部高级研究计划局）的一名负责人JohnLauchbury形容如今人工智能领域内存在着三股浪潮：

　　1、知识库，或者是类似于IBM所开发的“深蓝”和Waston专家系统。

　　2、数据学习，其中包括了机器学习和深度学习。

　　3、情境适应，其中涉及通过利用少量数据，在现实生活中中构建出一个可靠的，解释型的模型，正如人类能完成的程度一样

　　就第二波浪潮而言，目前深度学习算法的研究工作进展的不错，用Launchbury的话来说就是因为“流形假设”的出现。

　　在最近在湾区召开的一次人工智能大会上，Google的人工智能研究人员FrancoisChollet强调了深度学习的重要性，它比一般的数据统计和机器学习方法都要更高级，是一款非常强大的模式辨别工具。但是，不可否认它是存在着严重局限性的，至少目前来说是这样。

　　深度学习的成果是建立在极其苛刻的前提条件之上

　　不管是“监督学习”（supervisedperception），亦或者是“强化学习”（reinforcementlearning），它们都需要大量的数据进行支撑，而且在提前计划上面表现的非常差，只能做某些最简单直接的模式辨认工作。

　　相比之下，人就能够从极少数的例子上学到有价值的信息，并且善于在时间跨度很长的计划，在针对某个情境上有能力自己建造一个抽象模型，并利用这样的模型来做站在最高处的归纳总结。

　　事实上，随便在街边上走着的一个路人所能做到的最为稀松平常的事，对于深度学习算法来说都是难如登天。还是举个例子好了：现在比如说我们要让机器来学会如何在路上走的时候避免被车撞到。

　　如果你是采用的“监督学习路径”，那么你需要从汽车驾驶的情境中提取海量的数据，而且还要以明确标示出来的“动作标签”进行分类挑拣，比如“停止”、“站住”等等。再接下来，你还需要训练一个神经网络，使得它能够从眼下的情景和所与之相对应的行动之间构建因果联系；

　　如果你是采用的“强化学习路径”，那么你应该给算法一个目标，让它能够独立地判断当下最优解（也就是最理想的行动）是什么，电脑在不同的情境之下，为了实现避免撞车的这个动作，它估计要宕机上几千次；

　　Choliet总结道：“你不可能就以今时今日的技术研发成果作为基础，就能实现某种一般意义上的智能。”

　　而人则不一样，你需要告诉他一次：你需要躲避车子走。然后我们的大脑就有能力从少数的例子中提取经验，有能力在大脑中想象出来被车碾压后的凄惨场景（在计算机那里被称之为“建模”），为了避免丧生或者缺胳膊少腿，绝大多数人都能快速地学习到不被车撞到的要领。

　　虽然现在已经有了比较大的进展，一些神经网络可以从数据层面，在相当大的样本数量上给出一个惊人的成果，但是它们如果单独拿出一个出来，都是不可靠的，所犯的错误是人一辈子都不可能犯的，比如说错把牙刷当作篮筐。

　　数据质量的不稳定性带来的是：不可靠、不准确，以及不公平。

　　而且，你的结果，还得取决于输入的数据质量如何。神经网络中如果输入的数据是不准确的，不完整的，那么结果也会错的离谱，有些时候不仅造成损失，而且还会很尴尬。就比如说Google图片错把非裔美国人当作了猩猩；而微软曾经试着把一个人工智能放在Twitter上进行学习，几个小时之后，它就变得充满恶意，满口脏话，带有严重种族歧视。

　　也许推特上的这个例子有些极端，但不可否认，我们输入的数据本身就存在着某种程度的偏见和歧视，这种带有主观性的，潜移默化的观念或者暗示，有时我们甚至自己都无法察觉。就比如说：word2vec是google推出的做词嵌入（wordembedding）的开源工具，从GoogleNews里提取了300万个词。这组数据传递出来的信息包括了“爸爸是医生，妈妈是护士。”这明显就带有性别上的歧视。

　　这种歧视不仅仅是被原封不动地搬运到了数字世界，而且还会得到放大。如果“医生”这个词更多的指向“男人”而非“女人”，那么算法在面对一份公开的医生职位筛选的时候，它会将男性放在女性前面优先考虑。

　　除了不准确、不公平，还存在着最大的风险：不安全。

　　“生成对抗式网络”（GAN）的发明人IanGoodfellow提醒我们：现在的神经网络可以很容易被不轨之徒操纵。他们可以以一种人的肉眼无法识别的方式，篡改图片，让机器错误地辨识这个图片。

　　左边的是熊猫（机器的确认度是57.7%），加上中间的这层图片之后，机器的确认度上升到了99.3%，认为图片上出现的是长臂猿。

　　不要小看这样的风险，这种恶意篡改人工智能系统的做法，会带来极大的危害，尤其是被篡改的图片和最初的图片在我们看来完全是一回事。比如说无人自驾驶汽车就会受到威胁。、

　　以上就是深度学习所存在着的种种瓶颈，目前它要发挥作用所需要的前置条件太过苛刻，输入的数据对其最终的结果有着决定性的影响，另外，它存在着很多漏洞，安全性也无法得到保证。如果我们要驶向理想中的人工智能未来，这些瓶颈还有待于人们的进一步的突破与挑战。