Corrado 是神经科学博士，在进入谷歌之前，曾在 IBM 研发了 SyNAPSE 神经突触芯片。他确信，深度学习能从人类大脑运作机制中得到的借鉴是很有限的。同时，前提条件是我们需要弄明白大脑的工作原理，但是在这一点上我们知之甚少。

　　同样，RNN 之父 Jürgen Schmidhuber 的观点也是如此。在谈到脑科学及其对 AI 影响的时候，Schmidhuber 表示，他的研究基本不会因为脑科学的成果而受益。

　　Schmidhuber 说：“上一次神经科学对 AI 有启发是几十年前的事情了。最近深度学习的成功主要是由于数学和工程上的发现，与神经科学基本没什么关联。在本世纪初，我在 IDSIA 实验室制造出了从数学上进行优化的通用 AI 和问题解决程序（例如 Marcus Hutter AIXI 模型，或者我提出的自引用的哥德尔机器），它们都只包含几个公式。我认为从简单的原理综合得出一个实用的智能模型，比起分析现有样例——也即人类大脑——要简单得多。从上世纪 90 年代起，我在演讲中就一直谈到这样一个例子，现在有一个 19 世纪的工程师，他懂一点点电的原理，他该如何研究一台现代手机的智能呢？或许他会用针去戳芯片，测量各个半导体特有的曲线（就像神经科学家测量神经元钙离子通道的细节），完全没有意识到半导体的主要存在理由是作为一个简单的二元开关。或许他会监测微处理器根据时间散热分布的变化（就像神经科学家研究大规模现象，比如在思考时脑区的活动），完全没有意识到它上面运行的程序的简单性质。理解智能的原理并不需要神经生物学或电子工程学，而是需要数学和算法，尤其是机器学习和搜索程序的技术。”

　　大会当天早些时候，吴恩达也表达了相同的观点。他说，很多研究者都认为人类以一种非监督式的方法进行学习，但是， 今天大多数的深度学习模型仍然通过监督式方法进行训练。也就是说，计算机分析了很多的标签图像、语音样本或者其他任何东西进行学习。

　　，深度学习所面临的一个重要限制是，其创造的几乎所有价值都在输入-输出映射当中。如果在企业数据中，X 代表亚马逊的一个用户账号，Y 代表“他们是否曾进行购物？”你有大量 X-Y 配对的数据，那么就可以采用深度学习。但在自行检索数据和发现价值方面，这类算法仍处在起步阶段。

　　拿深度学习（或神经网络）与大脑进行比较，虽然是比较形象，但也会导致对深度学习的能力的夸大。Corrado 说，这种类比，现在已经被认为过于夸张了。

　　：COO、执行总编、主编、高级编译、主笔、运营总监、客户经理、咨询总监、行政助理等 9 大岗位全面开放。

　　简历投递：j[email protected]

　　HR 微信：13552313024

　　新智元为COO和执行总编提供最高超百万的年薪激励；为骨干员工提供最完整的培训体系、高于业界平均水平的工资和奖金。

　　加盟新智元，与人工智能业界领袖携手改变世界。