人工智能技术的未来发展方向尽管深度学习已经在人工智能领域做出重大贡献，旦这项技术本身仍存在一项缺陷：需要大量数据的加持。深度学习领域的先驱者乃至批评者已经就此达成共识――事实上，正是由于可用数据量有限加上处理大规模数据的计算能力不足，才导致深度学习直到最近几年才成为AI层面的前沿技术。因此，减少深度学习对数据的依赖性，已经成为AI研究人员最重要的探索方向之一。在AAAI大会的主题演讲中,计算机科学家YannLeCun讨论了当前深度学习技术的局限性，同时提出“自我监督学习”的发展蓝图一一这是他为解决深度学习数据问题而构建的路线图。作为深度学习领域的教父级人物之一，LeCun正是卷积神经网络(CNN)的发明者，而该网络也成为过去十年内推动人工智能革命的一大核心因素。自我监督学习，可谓当前提升人工智能服务器系统数据利用效率的多种尝试之一。目前我们还很难断言哪种具体尝试能够成功掀起下一轮AI革命(也许我们最终会采取完全不同的政策)，但LeCun的规划与思路仍然值得我们认真了解。澄清深度学习的局限性首先，LeCun强调称，深度学习技术面对的局限性实际上正是监督学习技术的局限性。所谓监督学习，属于一类需要对训练数据进行标记才能正常完成学习的算法。例如，如果希望创建图像分类模型，则必须为系统提供经过适当分类标记的大量图像，由模型在其中完成充分训练。LeCun在AAAI主题演讲中提到，“深度学习并不是监督学习，也不只是神经网络。基本上，深度学习是将参数化的模块组装到计算图中以构建起ai服务器系统。它的优势在于，我们不需要对系统进行直接编程一一我们只需要定义架构并调整参数。不过其中需要调整的参数可能多达数十亿之巨。”LeCun同时补充道，深度学习适用于多种不同学习范式，包括监督学习、强化学习以及无监督/自我监督学习等。但目前人们对于深度学习以及监督学习的抱怨并非空穴来风。当下，大部分能够实际应用的深度学习算法都基于监督学习模型，这也充分暴露出现有AI系统的缺点所在。我们日常使用的图像分类器、人脸识别系统、语音识别系统以及众多其他AI应用都需要利用数百万个带有标记的示例进行充分训练。到目前为止，强化学习与无监督学习只能算是在理论上存在的其他机器学习算法类型，还极少在实践场景中得到应用。深度学习当下到底发展到了怎样的水平？监督深度学习为我们带来多种非常实用的应用方案,特别是在计算机视觉与自然语言处理等特定领域。深度学习已经在癌症检测等敏感应用中扮演越来越重要的角色，而且事实证明，其确实能够在部分人类无法解决的问题中发挥核心作用。例如社交媒体巨头们正纷纷利用这类技术审核并通报用户在平台上发布的大量内容。LeCun表示，“如果把深度学习元素从Facebook.Instagram以及YouTube等厂商中剥离出来，他们的业务会瞬间崩溃。事实上，他门的业务完全围绕深度学习构建而成。”但正如前文所述，监督学习只适用于具备充足高质量数据、且数据内容足以涵盖所有可能情况的场景。一旦经过训练的深度学习模型遇到不同于训练示例的全新状况，它们的表现将彻底失去控制。在某些情况下，单是从稍有区别的角度展示对象，就有可能令神经网络将其误判为其他物体。深度强化学习则在游戏与模拟场景中表现出强大能力。过去几年以来，强化学习已经征服了众多以往浪潮ai服务器智能无法攻克的游戏项目。当下，AI程序在《星际争霸2》、《Dota》以及具有悠久历史的围棋领域将人类顶尖选手杀得片甲不留。但是，这些AI程序在摸索解决问题的方法方面,与人类完全不同。基本上，强化学习代理就是一张白纸，我们只为其提供在特定环境中能够执行的一组基本操作。接下来，AI会不断自行尝试，通过反复试验来学习如何获取最高奖励（例如尽可能在游戏中取胜）。当问题空间比较简单，而且我们拥有充足的计算能力以运行更多不断重复的试验性会话时，这类模型就能正常起效。在大多数情况下，强化学习代理要耗费大量时间以掌握游戏精髓，而巨大的成本也意味着这类技术只能存在于高科技企业内部或者由其资助的研究实验室当中。强化学习系统的另一大短板体现在移动学习方面。如果要游玩《魔兽争霸3》，那么即使是已经精通...
