关于问题为什么大家都不戳破深度学习的本质？一共有 4 位热心网友为你解答:
【1】、来自网友【哥廷根数学学派】的最佳回答：
这玩意还用得着戳破嘛，深度学习，一个深层的，现代的，黑箱的，信号处理器
商业角度来说，1P 数量图片的存储和 kmean 成本，远远高于 10 万块钱显卡过拟合的成本
商业上，大家发现可以用时间换空间，而且换的很值，超级划算，这就是深度学习的本质
【2】、来自网友【新芽 NewSeed】的最佳回答：
深度学习更像“炼金术”，真正突破要诉诸“人脑”
演讲者为 Tomaso Poggio，担任 MIT 计算机科学与人工智能实验室教授。他是这个世界最早从事人工智能研究的人之一，学生分布在 DeepMind（做出 AlphaGo）、Moblieye 等当今 AI 顶尖企业。
深度学习：这个时代的炼金术
在这个时代，深度学习有点像炼金术。它要成为真正的化学，还需要很多工作。
23 年前，我和 Hassabis 希望整合计算机视觉和深度学习，创造出一个学习系统，自动辨别行人。当时我们识别出了行人、信号灯，但每秒有 10 个错误。这是 1995 年，我们已经非常满意了。
但今天，Mobileye 每 30 英里只出现 1 个错误，是当年的百万分之一。这种巨大的进步，动因在哪里呢？
首先是机器学习的算法，第一是深度学习，第二是强化学习。它们都来自于认知科学和神经科学。
深度学习的架构，是 60 年代研究猴子的视觉系统时被发明出来的。创造它，是为了更好研究猴子在学习时大脑的神经结构。然后 Fukushima 提出了首个量化模型，20 年前现代版的 HMAX 被提出。这些架构都一脉相承——一样的层级架构。从下到上，神经的等级越来越高，每个高级神经元只和下个等级的神经元相连接。
2012 年，我们又开发出 AlexNet，它是目前性能最好的一个架构。基于神经科学，我们的工程学研究能不断地发展。这是很重要的，因为我们还没实现真正的人工智能。
神经科学：人工智能真正的曙光
深度学习能帮我们解决 10%的难题。剩下的 90%呢？答案可能在神经科学、认知科学的研究里。
我们必须研究人的思维和大脑。这也是 MIT 大脑、心智和机器中心 CBMM 正在研究的问题。我们希望能在理解认知方面有进步，能了解整个智能的架构，和背后的科学原理。大脑中智能的产生，是科学现在要解决的元问题。
为了有所突破，CBMM 有以下三条路径：1、计算机科学+机器学习。2、神经科学。3、认知科学。
我们要回答的则是三个基本问题：
1、逼近理论：深层网络在什么情况下，会比浅层网络更有效？
2、最优化：应该如何设计经验风险函数？
3、学习理论：为什么深度学习不会产生过度拟合？
这三个问题，是机器学习的奠基石。它们的答案很复杂，要解决它，我们需要与开始就思考深度学习的局限性，以及一些技术理论。
不理解大脑，就不能真正理解“机器的智能”
越来越人将意识到，下一个重大进展将来自我们对人类智慧、大脑的理解。DeepMind 就认可这样的理念（他们老大也是做神经科学的）。
我们正在 CBM 里面开发一个架构，是超越深度学习的，尝试去描述我们的视觉智慧怎么运作。
现在，能将神经科学的成果成功运用的公司并不多。我们应该集中资源去做基础研究。当一个新生儿理解事物时，他会为它贴上标签，“这是小马、那是汽车。”他只要很少的样本就能归纳一个事物。这才是典型的生物学的运作方式，显然跟当前机器的做法完全不同。
我们的大脑充满了智慧，值得我们做更多研究。当我们谈到机器时，并不能过多去跟人类大脑比较，即便它速度更快。在过去 50 年，计算机取得了很大的进展。但谈到智慧本身，机器肯定还要从人类这里学习。
【3】、来自网友【毒蛇博士】的最佳回答：
普罗大众一脸茫然，科普作者一知半解。
追风口的创业者，指着热点拿投资，巴不得把深度学习吹成西方极乐世界赠与我们的万能药水。
参与其中的资本更是闷声发大财，等着母猪被吹上天。谁来戳破？
往简单了讲，
深度学习就是数据拟合，
在海量的数据中找出
可能存在的关系
。
一是，这种关系可能并不存在，也就是业界称的
过度拟合
。用人工神经网络进行拟合的时候，往往没有从理论上分析特征变量与预测变量的关系，特征变量不是拍脑袋决定的，就是在反复试验中确定的，常常会得到不存在的关系。虽然也有手段可以减少过度拟合的出现，但是实际上回归出来的结果完全
无法理解
，关系存在不存在只有天知道。
二是，这种关系可能非常脆弱。单纯从数据中得出来的关系，如果数据不能包含世界的各种形态，得到的关系仅仅只是
局部的真理
。当宏观环境发生变化，发现的关系就不复存在了。
三是，这种手段很难帮助我们理解世界。得出来的关系是海量的因素和预测变量之间的一个复杂的数学关系，无法帮助我们了解个中的逻辑关系、发生机制，也很难帮助我们理解世界。
往技术层面讲，
深度学习使用的技术——人工智能网络——也不过是逻辑回归的叠加
，完全不像很多科普作者吹嘘的那么神秘。
【4】、来自网友【宁教授网络空间元宇宙】的最佳回答：
深度学习（Deep Learning）的本质就是通过数学模型，对真实世界中的特定问题进行建模，用以解决该领域的相似问题的解决过程，换句话说就是当下人们利用大量产生数据喂给计算机，使得计算机可以解决相似场景下问题的过程。
深度学习就是一个黑盒，在给定输入以后，模型自动给出输出。在各种各样的竞赛中，深度学习的成绩都异常耀眼。当然，深度学习模型也有一定的缺点，就是过于依赖大规模语料以及 GPU 算力，目前这方面的研究也有很多团队在做，终有一天会克服。
当前深度学习发展的速度非常快，在过去的几年中，由于深度学习大量依赖数据，使得解决问题的过程不可解释。这也是人们对探索深度学习未知领域的过程。在商业领域中，尽管深度学习可以在特定领域取得较好的成绩，但是由于其依赖较高的 GPU 算力，在目前的条件下，落地还有一定的难度，还还有待进一步优化，机器学习落地的项目较多。
综上，深度学习目前依旧是人工智能领域中最好的方法，领域内部的瓶颈也在被一点一点攻克，所以还是非常有发展前途的。
以上就是关于问题【为什么大家都不戳破深度学习的本质？】的全部回答，希望能对大家有所帮助，内容收集于网络仅供参考，如要实行请慎重，任何后果与本站无关！
