读完了整个互联网的内容。猛灌数据量，是这个 AI 模型的「暴力」所在。

但 GPT-3 也并不能因此变得完全像人，比如，它对不符合人类常理的「伪问题」也会应答，这恰恰证明它并不理解问题本身。前 Uber 人工智能实验室的负责人 Gary Marcus 就曾对深度学习多次泼冷水：「人类可以根据明确的规律学习，比如学会一元二次方程的三种形式以后就可以用来解各种题目;见过了京巴、柴犬之后，再见到德牧就知道它也是一种狗。然而深度学习不是这样的，「越多的数据 = 越好的模型表现」，就是深度学习的基本规律，它没有能力从字面上给出的规律学习。」

「深度学习是寻找那些重复出现的模式，因此重复多了就被认为是规律(真理)，因此谎言重复一千遍就被认为真理，所以为什么大数据有时会做出非常荒唐的结果，因为不管对不对，只要重复多了它就会按照这个规律走，就是谁说多了就是谁。」张钹院士也表示深度学习「没有那么玄」。

由于它不能真正理解知识，「深度学习学到的知识并不深入，而且很难迁移。」Marcus 说道。而 AI 系统动辄拥有千亿参数，俨然就是一个黑匣子一般的谜。深度学习的不透明性将引致 AI 偏见等系列问题。最主要的是，AI 还是要为人所用，「你要它做决策，你不理解它，飞机就让它开，谁敢坐这架飞机?」张钹强调 AI 必须拥有可解释性。

最主要的是，给 AI 猛灌数据的做法极其考验算力。MIT研究人员理解深度学习性能和算力之间的联系，分析了 Arxiv.org 上的 1058 篇论文和资料，主要分析了图像分类、目标检测、问题回答、命名实体识别和机器翻译等领域两方面的计算需求：

每一网络遍历的计算量，或给定深度学习模型中单次遍历(即权值调整)所需的浮点运算数。

训练整个模型的硬件负担，用处理器数量乘以计算速度和时间来估算。

结论显示，训练模型的进步取决于算力的大幅提高，具体来说，计算能力提高 10 倍相当于 3 年的算法改进成果。换言之，算力提高的背后，其实现目标所隐含的计算需求——硬件、环境和金钱等成本将变得无法承受。

摩尔定律假定计算能力每两年翻一番。OpenAI 一项研究表明，AI 训练中使用的计算能力每三到四个月翻一番。自 2012 年以来，人工智能要求计算能力增加三十万倍，而按照摩尔定律，则只能将 AI 提升 7 倍。人们从来没有想到芯片算力极限会这么快到来。

算力供不起是一回事，但业界甚至认为这种「暴力」模式方向错了。「知识、经验、推理能力，这是人类理性的根本。现在形成的人工智能系统都非常脆弱容易受攻击或者欺骗，需要大量的数据，而且不可解释，存在非常严重的缺陷，这个缺陷是本质的，由其方法本身引起的。」张钹表示，「深度学习的本质就是利用没有加工处理过的数据用概率学习的『黑箱』处理方法来寻找它的规律，它只能找到重复出现的模式，也就是说，你光靠数据，是无法达到真正的智能。」

深度学习红利将尽，但 AI 还在发展

在张钹看来，既然深度学习在根子上就错了，那么技术改良也就很难彻底解决 AI 的根本性缺陷。正是这些缺陷决定了其应用的空间被局限在特定的领域——大部分都集中在图像识别、语音识别两方面。「我看了一下，中国人工智能领域 20 个独角兽 30 个准独角兽企业，近 80% 都跟图像识别或者语音识别有关系。」

他表示，「只要选好合适的应用场景，利用成熟的人工智能技术去做应用，还有较大的空间。目前在学术界围绕克服深度学习存在的问题，正展开深入的研究工作，希望企业界，特别是中小企业要密切注视研究工作的进展，及时地将新技术应用到自己的产品中。当然像谷歌、BAT 这样规模的企业，他们都会去从事相关的研究工作，他们会把研究、开发与应用结合起来。」

一直在给深度学习泼冷水的 Gary Marcus，提出要为深度学习祛魅：「我不认为我们就要放弃深度学习。相反，我们需要将它重新概念化：它不是一种万能药，而仅仅是作为众多工具中的一种，在这个世界上，就像我们还需要锤子、扳手和钳子。」

「深度学习只是目前人工智能技术的一部分，人工智能还有更大更宽的领域需要去研究，知识表示、不确定性处理、人机交互，等等一大片地方，不能说深度学习就是人工智能。」张钹说。

另外，中科院自动化研究所副所长刘成林曾表示，「如今的 AI 热潮其实主要依赖模式识别和深度学习的成功。深度学习的红利将逐渐用尽，但 AI 的很多方向(感知、认知、学习语言理解、机器人、混合智能、博弈等)还会继续发展，总体上不会跌入深谷。

关键词： 深度学习 人工智能 红利