當(dāng)前，人工智能發(fā)展借助深度學(xué)習(xí)技術(shù)突破得到了全面關(guān)注和助力推動(dòng)，各國(guó)政府高度重視、資本熱潮仍在加碼，各界對(duì)其成為發(fā)展熱點(diǎn)也達(dá)成了共識(shí)。本文旨在分析深度學(xué)習(xí)技術(shù)現(xiàn)狀，研判深度學(xué)習(xí)發(fā)展趨勢(shì)，并針對(duì)我國(guó)的技術(shù)水平提出發(fā)展建議。

一、深度學(xué)習(xí)技術(shù)現(xiàn)狀

深度學(xué)習(xí)是本輪人工智能爆發(fā)的關(guān)鍵技術(shù)。人工智能技術(shù)在計(jì)算機(jī)視覺和自然語(yǔ)言處理等領(lǐng)域取得的突破性進(jìn)展，使得人工智能迎來新一輪爆發(fā)式發(fā)展。而深度學(xué)習(xí)是實(shí)現(xiàn)這些突破性進(jìn)展的關(guān)鍵技術(shù)。其中，基于深度卷積網(wǎng)絡(luò)的圖像分類技術(shù)已超過人眼的準(zhǔn)確率，基于深度神經(jīng)網(wǎng)絡(luò)的語(yǔ)音識(shí)別技術(shù)已達(dá)到95%的準(zhǔn)確率，基于深度神經(jīng)網(wǎng)絡(luò)的機(jī)器翻譯技術(shù)已接近人類的平均翻譯水平。準(zhǔn)確率的大幅提升使得計(jì)算機(jī)視覺和自然語(yǔ)言處理進(jìn)入產(chǎn)業(yè)化階段，帶來新產(chǎn)業(yè)的興起。

深度學(xué)習(xí)是大數(shù)據(jù)時(shí)代的算法利器，成為近幾年的研究熱點(diǎn)。和傳統(tǒng)的機(jī)器學(xué)習(xí)算法相比，深度學(xué)習(xí)技術(shù)有著兩方面的優(yōu)勢(shì)。一是深度學(xué)習(xí)技術(shù)可隨著數(shù)據(jù)規(guī)模的增加不斷提升其性能，而傳統(tǒng)機(jī)器學(xué)習(xí)算法難以利用海量數(shù)據(jù)持續(xù)提升其性能。二是深度學(xué)習(xí)技術(shù)可以從數(shù)據(jù)中直接提取特征，削減了對(duì)每一個(gè)問題設(shè)計(jì)特征提取器的工作，而傳統(tǒng)機(jī)器學(xué)習(xí)算法需要人工提取特征。因此，深度學(xué)習(xí)成為大數(shù)據(jù)時(shí)代的熱點(diǎn)技術(shù)，學(xué)術(shù)界和產(chǎn)業(yè)界都對(duì)深度學(xué)習(xí)展開了大量的研究和實(shí)踐工作。

深度學(xué)習(xí)各類模型全面賦能基礎(chǔ)應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)是兩類獲得廣泛應(yīng)用的深度神經(jīng)網(wǎng)絡(luò)模型。計(jì)算機(jī)視覺和自然語(yǔ)言處理是人工智能兩大基礎(chǔ)應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于計(jì)算機(jī)視覺領(lǐng)域，在圖像分類、目標(biāo)檢測(cè)、語(yǔ)義分割等任務(wù)上的表現(xiàn)大大超越傳統(tǒng)方法。循環(huán)神經(jīng)網(wǎng)絡(luò)適合解決序列信息相關(guān)問題，已廣泛應(yīng)用于自然語(yǔ)言處理領(lǐng)域，如語(yǔ)音識(shí)別、機(jī)器翻譯、對(duì)話系統(tǒng)等。

深度學(xué)習(xí)技術(shù)仍不完美，有待于進(jìn)一步提升。一是深度神經(jīng)網(wǎng)絡(luò)的模型復(fù)雜度高，巨量的參數(shù)導(dǎo)致模型尺寸大，難以部署到移動(dòng)終端設(shè)備。二是模型訓(xùn)練所需的數(shù)據(jù)量大，而訓(xùn)練數(shù)據(jù)樣本獲取、標(biāo)注成本高，有些場(chǎng)景樣本難以獲取。三是應(yīng)用門檻高，算法建模及調(diào)參過程復(fù)雜繁瑣、算法設(shè)計(jì)周期長(zhǎng)、系統(tǒng)實(shí)施維護(hù)困難。四是缺乏因果推理能力，圖靈獎(jiǎng)得主、貝葉斯網(wǎng)絡(luò)之父JudeaPearl指出當(dāng)前的深度學(xué)習(xí)不過只是“曲線擬合”。五是存在可解釋性問題，由于內(nèi)部的參數(shù)共享和復(fù)雜的特征抽取與組合，很難解釋模型到底學(xué)習(xí)到了什么，但出于安全性考慮以及倫理和法律的需要，算法的可解釋性又是十分必要的。因此，深度學(xué)習(xí)仍需解決以上問題。

二、深度學(xué)習(xí)發(fā)展趨勢(shì)

深度神經(jīng)網(wǎng)絡(luò)呈現(xiàn)層數(shù)越來越深，結(jié)構(gòu)越來越復(fù)雜的發(fā)展趨勢(shì)。為了不斷提升深度神經(jīng)網(wǎng)絡(luò)的性能，業(yè)界從網(wǎng)絡(luò)深度和網(wǎng)絡(luò)結(jié)構(gòu)兩方面持續(xù)進(jìn)行探索。神經(jīng)網(wǎng)絡(luò)的層數(shù)已擴(kuò)展到上百層甚至上千層，隨著網(wǎng)絡(luò)層數(shù)的不斷加深，其學(xué)習(xí)效果也越來越好，2015年微軟提出的ResNet以152層的網(wǎng)絡(luò)深度在圖像分類任務(wù)上準(zhǔn)確率首次超過人眼。新的網(wǎng)絡(luò)設(shè)計(jì)結(jié)構(gòu)不斷被提出，使得神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)越來越復(fù)雜。如：2014年谷歌提出了Inception網(wǎng)絡(luò)結(jié)構(gòu)、2015年微軟提出了殘差網(wǎng)絡(luò)結(jié)構(gòu)、2016年黃高等人提出了密集連接網(wǎng)絡(luò)結(jié)構(gòu)，這些網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)不斷提升了深度神經(jīng)網(wǎng)絡(luò)的性能。

深度神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)功能不斷豐富。為了克服目前神經(jīng)網(wǎng)絡(luò)存在的局限性，業(yè)界探索并提出了新型神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)，使得神經(jīng)網(wǎng)絡(luò)的功能越來越豐富。2017年，杰弗里?辛頓提出了膠囊網(wǎng)絡(luò)的概念，采用膠囊作為網(wǎng)絡(luò)節(jié)點(diǎn)，理論上更接近人腦的行為，旨在克服卷積神經(jīng)網(wǎng)絡(luò)沒有空間分層和推理能力等局限性。2018年，DeepMind、谷歌大腦、MIT的學(xué)者聯(lián)合提出了圖網(wǎng)絡(luò)的概念，定義了一類新的模塊，具有關(guān)系歸納偏置功能，旨在賦予深度學(xué)習(xí)因果推理的能力。

深度神經(jīng)網(wǎng)絡(luò)工程化應(yīng)用技術(shù)不斷深化。深度神經(jīng)網(wǎng)絡(luò)模型大都具有上億的參數(shù)量和數(shù)百兆的占用空間，運(yùn)算量大，難以部署到智能手機(jī)、攝像頭和可穿戴設(shè)備等性能和資源受限的終端類設(shè)備。為了解決這個(gè)問題，業(yè)界采用模型壓縮技術(shù)降低模型參數(shù)量和尺寸，減少運(yùn)算量。目前采用的模型壓縮方法包括對(duì)已訓(xùn)練好的模型做修剪（如剪枝、權(quán)值共享和量化等）和設(shè)計(jì)更精細(xì)的模型（如MobileNet等）兩類。深度學(xué)習(xí)算法建模及調(diào)參過程繁瑣，應(yīng)用門檻高。為了降低深度學(xué)習(xí)的應(yīng)用門檻，業(yè)界提出了自動(dòng)化機(jī)器學(xué)習(xí)（AutoML）技術(shù)，可實(shí)現(xiàn)深度神經(jīng)網(wǎng)絡(luò)的自動(dòng)化設(shè)計(jì)，簡(jiǎn)化使用流程。

深度學(xué)習(xí)與多種機(jī)器學(xué)習(xí)技術(shù)不斷融合發(fā)展。深度學(xué)習(xí)與強(qiáng)化學(xué)習(xí)融合發(fā)展誕生的深度強(qiáng)化學(xué)習(xí)技術(shù)，結(jié)合了深度學(xué)習(xí)的感知能力和強(qiáng)化學(xué)習(xí)的決策能力，克服了強(qiáng)化學(xué)習(xí)只適用于狀態(tài)為離散且低維的缺陷，可直接從高維原始數(shù)據(jù)學(xué)習(xí)控制策略。為了降低深度神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練所需的數(shù)據(jù)量，業(yè)界引入了遷移學(xué)習(xí)的思想，從而誕生了深度遷移學(xué)習(xí)技術(shù)。遷移學(xué)習(xí)是指利用數(shù)據(jù)、任務(wù)或模型之間的相似性，將在舊領(lǐng)域?qū)W習(xí)過的模型，應(yīng)用于新領(lǐng)域的一種學(xué)習(xí)過程。通過將訓(xùn)練好的模型遷移到類似場(chǎng)景，實(shí)現(xiàn)只需少量的訓(xùn)練數(shù)據(jù)就可以達(dá)到較好的效果。

三、未來發(fā)展建議

加強(qiáng)圖網(wǎng)絡(luò)、深度強(qiáng)化學(xué)習(xí)以及生成式對(duì)抗網(wǎng)絡(luò)等前沿技術(shù)研究。由于我國(guó)在深度學(xué)習(xí)領(lǐng)域缺乏重大原創(chuàng)性研究成果，基礎(chǔ)理論研究貢獻(xiàn)不足，如膠囊網(wǎng)絡(luò)、圖網(wǎng)絡(luò)等創(chuàng)新性、原創(chuàng)性概念是由美國(guó)專家提出，我國(guó)研究貢獻(xiàn)不足。在深度強(qiáng)化學(xué)習(xí)方面，目前最新的研究成果大都是由DeepMind和OpenAI等國(guó)外公司的研究人員提出，我國(guó)尚沒有突破性研究成果。近幾年的研究熱點(diǎn)生成式對(duì)抗網(wǎng)絡(luò)（GAN）是由美國(guó)的研究人員Goodfellow提出，并且谷歌、facebook、twitter和蘋果等公司紛紛提出了各種改進(jìn)和應(yīng)用模型，有力推動(dòng)了GAN技術(shù)的發(fā)展，而我國(guó)在這方面取得的研究成果較少。因此，應(yīng)鼓勵(lì)科研院所及企業(yè)加強(qiáng)深度神經(jīng)網(wǎng)絡(luò)與因果推理模型結(jié)合、生成式對(duì)抗網(wǎng)絡(luò)以及深度強(qiáng)化學(xué)習(xí)等前沿技術(shù)的研究，提出更多原創(chuàng)性研究成果，增強(qiáng)全球?qū)W術(shù)研究影響力。

加快自動(dòng)化機(jī)器學(xué)習(xí)、模型壓縮等深度學(xué)習(xí)應(yīng)用技術(shù)研究。依托國(guó)內(nèi)的市場(chǎng)優(yōu)勢(shì)和企業(yè)的成長(zhǎng)優(yōu)勢(shì)，針對(duì)具有我國(guó)特色的個(gè)性化應(yīng)用需求，加快對(duì)深度學(xué)習(xí)應(yīng)用技術(shù)的研究。加強(qiáng)對(duì)自動(dòng)化機(jī)器學(xué)習(xí)、模型壓縮等技術(shù)的研究，加快深度學(xué)習(xí)的工程化落地應(yīng)用。加強(qiáng)深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域應(yīng)用研究，進(jìn)一步提升目標(biāo)識(shí)別等視覺任務(wù)的準(zhǔn)確率，以及在實(shí)際應(yīng)用場(chǎng)景中的性能。加強(qiáng)深度學(xué)習(xí)在自然語(yǔ)言處理領(lǐng)域的應(yīng)用研究，提出性能更優(yōu)的算法模型，提升機(jī)器翻譯、對(duì)話系統(tǒng)等應(yīng)用的性能。