深度學習在語音識別、圖像理解、自動駕駛汽車、自然語言處理、搜索引擎優(yōu)化等方面提供了顯著的功能和進步。你知道嗎，盡管深度學習的范圍如此廣闊，但人工智能的這種變體在第三次迭代中，也就是現(xiàn)在的21世紀，獲得了巨大的轟動。隨著gpu的出現(xiàn)，深度學習可以在大量基準測試和實際應用程序上超越競爭對手。即使是計算機視覺（深度學習的常見用例之一）社區(qū)也相當懷疑，直到2011年AlexNet在ImageNet上擊敗了所有競爭對手。

盡管在這些發(fā)展之后，深度學習模式仍存在許多局限性，阻礙了它在當今的大規(guī)模應用。例如，模型不具有可伸縮性和旋轉(zhuǎn)不變性，當物體姿態(tài)異常時，很容易對圖像進行錯誤分類。讓我們關(guān)注一些常見的缺點。

一個主要的缺點是深度學習算法需要大量的數(shù)據(jù)集進行訓練。舉例來說，對于語音識別程序，需要形成多種方言、人口統(tǒng)計學和時間尺度的數(shù)據(jù)來獲得期望的結(jié)果。雖然像谷歌和微軟這樣的大型科技巨頭能夠收集并擁有豐富的數(shù)據(jù)，但有好主意的小公司可能無法做到這一點。此外，有時訓練模型所需的數(shù)據(jù)已經(jīng)很稀疏或不可用，這是很有可能的。

此外，在更大的架構(gòu)下，深度學習模型需要更多的數(shù)據(jù)來產(chǎn)生可行的結(jié)果。在這樣的場景中，重用數(shù)據(jù)可能不是一個合適的想法，數(shù)據(jù)擴充在某種程度上可能是有用的，但是擁有更多的數(shù)據(jù)總是首選的解決方案。此外，由于復雜的數(shù)據(jù)模型，訓練深度學習模型是一件非常昂貴的事情。有時，它們需要昂貴的gpu和數(shù)百臺機器，這就增加了用戶的成本。

其次，在基準數(shù)據(jù)集上表現(xiàn)良好的深度學習模型在數(shù)據(jù)集之外的真實圖像上可能會嚴重失敗。為了說明這一點，考慮一個深度學習算法，它學習到校車總是黃色的，但是，突然，校車變成藍色，它將需要重新訓練。相反，一個5歲的孩子認出這輛車是一輛藍色校車是沒有問題的。此外，他們也無法在與訓練環(huán)境幾乎不同的情況下有效地執(zhí)行任務。例如，Google的DeepMind訓練了一個系統(tǒng)來擊敗49款Atari游戲；然而，每次該系統(tǒng)擊敗一款游戲時，它都必須經(jīng)過再訓練才能擊敗下一款游戲。

這給我們帶來了深度學習的另一個局限性，即雖然模型可能非常擅長將輸入映射到輸出，但它可能不擅長理解它們正在處理的數(shù)據(jù)的上下文。換言之，它缺乏常識，在跨領域的邊界地區(qū)得出結(jié)論。據(jù)DeepMind的人工智能研究員格雷格·韋恩（GregWayne）說，目前的算法可能無法辨別沙發(fā)和椅子是用來坐的。它還缺乏通用智能和多領域集成。

深度學習算法還可以解決不透明或黑盒問題，使它們難以調(diào)試或理解如何做出決策。這也讓用戶在理解某些部件為什么會出現(xiàn)故障時無所適從。一般來說，深度學習算法會對數(shù)百萬個數(shù)據(jù)點進行篩選，以找到人類專家通常不會注意到的模式和相關(guān)性。雖然在執(zhí)行一些瑣碎的任務時可能會遇到問題，但在腫瘤檢測等情況下，醫(yī)生需要知道為什么模型在掃描報告中標記了一些區(qū)域，為什么沒有標記其他區(qū)域。

此外，深度學習算法在訓練階段的缺陷使其容易受到對手樣本的攻擊：對手精心設計的輸入，意圖導致深度神經(jīng)網(wǎng)絡錯誤分類。同時，數(shù)據(jù)集中存在的偏見可能導致不準確的結(jié)果，從而內(nèi)在地放大了現(xiàn)實世界中的歧視。黑匣子的存在使得開發(fā)人員很難確定這些惡意數(shù)據(jù)是在哪里、如何輸入系統(tǒng)的。

最后，深度學習架構(gòu)具有出色的能力，如圖像分類和序列預測。它們甚至可以生成與另一個類似GANs的模式相匹配的數(shù)據(jù)。然而，它們并不能推廣到每一個監(jiān)督學習問題。
編輯：lyn