这两年，人工智能接连攻克了图像识别、语音识别、自动驾驶等多个难题，简直是处于宇宙中心。不管是资本、媒体还是创业者，都对这个领域怀有极大的热情。

　　对于吃瓜群众来说，观感大概是这样：不知不觉，人工智能创业公司就到处都是了，各大巨头也纷纷入场；一夜之间，AlphaGo狂扫一波顶级棋手，笑傲世界棋坛；下一步，大家是不是该担心普通人的饭碗不保，以及未来会被机器人奴役了？

亚里士多德对自身智能及其模拟也曾发出过天问

　　然而假如我们认真地把目光投向这个上可追溯至公元前300年，下至1956年才正式得名“Artificial Intelligence”的领域，就会发现，其实引起这一波狂潮的不是“人工智能”本身，而是处于这个领域里的机器学习中的一项技术——深度学习。

　　通过构建人工神经网络，它第一次解决了许多人们无法触及的难题、让人工智能前所未有地和人类的生活产生交集，直播，也因此获得了最大限度的关注。

　　然而深度学习，真的如此神乎其神吗？它有没有致命缺陷，未来又在哪里？记者难以回答，又充满好奇，所以踏上了一条寻找“深度学习”真正意义的道路。在这条路上，我采访了AI领域的创业者、学者、投资人，还注册了EDX上的人工智能课程。以下，是我的初步答案。

　　曾经的“人工神经网络”走上神坛

　　在谈论这个问题之前，我们首先要明确一点——不管是深度学习还是机器学习，都不能和人工智能划等号。

　　除了机器学习之外，人工智能还有推理、规划、交流等多个分支。深度学习是指“依赖于神经网络的机器学习”，主要通过模仿人类的神经网络来训练电脑、以解决各种问题。比如卷积神经网络，就是模仿人视觉的形成规律而构建的。

　　他们之间的关系大概是这样的：

深度神经网络、机器学习及人工智能的关系 | 图片来自混沌巡洋舰

　　总的说来，如今大家谈论的“深度学习”其实就是“人工神经网络”的一次复兴。数十年前，许多学者曾经刻苦钻研过它，只是由于当时技术的限制，计算能力不足，神经网络很小很浅，它在吸引一波注意力之后回归沉寂，也令投资人对它失去了兴趣。

　　随着基础设施领域的进步，计算机的运算能力及数据资源的积累能力在不断提高，数学、系统控制、经济等领域的技术也在不断融合，人工神经网络技术又再一次走上了历史舞台。然而这时候，上一个“人工智能冬天”的影响犹在，于是有识之士给它换了个名字来进行下一轮的发展……

　　毫无疑问，这个做法奏效了。

　　在21世纪，深度学习让人工智能第一次能够开始解决大众生活里的问题，存在感超强——它的特点是不再像以前一样依靠硬编码来解决各种问题，而是通过搭建一个模仿人工神经网络的架构，来让机器通过大量数据训练而自己找出其中的规律。

　　其中涉及多层复杂的人工神经网络，机器在经过大量训练后最终能够得出准确率极高的结果。

　　在许多领域，深度学习技术都带来了令人惊艳的结果：AlexNet，AlphaGo，自动驾驶，图像识别，机器翻译……

　　过去的人工智能研究中，被人诟病的一大特点就是机器给出的结果并不够准确——当年的机器翻译，能把“心有余而力不足”翻译成“伏特加酒香而肉已经臭了”……而拥有了深度学习技术之后，人工智能的准确度不仅大大提高，在许多领域，它还能达到人无法企及的高度。

　　深度学习的致命缺陷

　　然而“深度学习”（也就是“人工神经网络”）也有着一项几乎是与生俱来的缺陷：这些复杂的人工神经网络，不仅让向其他人解释变得困难无比，就连学者本身也无法考证他所创造的系统，是如何得出这个结果的。

　　这是一个可怕的特点——“Uninterpretable”。在学术界，这意味着人类无法知道机器给出这个结果的原因。

　　这一点有多重要呢？

　　它有可能会让你在不知不觉间，失去“发现错误”的机会。

　　在机器学习学者Rich Caruana的一项试验里，就出现了这样一个生死攸关的错误。在匹兹堡大学的医疗中心里，一群学者试图用机器学习来预测肺炎患者是否会患上严重的并发症。他们的目标是，通过让有较低患上严重并发症的病人提早出院，来减少床位压力及医护人员的负担。