編者按：本文來自微信公眾號“將門創業”（ID：thejiangmen），內容來源Medium，作者Carlos E. Perez。
我大部分走路的時間還有睡夢中的潛意識里都會琢磨著Deep Learning 的問題。Peter Thiel 有一個很有名的說法——“最后一個公司的優勢”。意思是你可能不需要具備“第一啟動的優勢”，但是你一定要成為你行業里最后一個站著的公司。就像Google有可能是最后一個搜索引擎公司，Amazon有可能是最后一個做電商的, Facebook希望不是最后一個社交網絡公司等。但是讓我夜里輾轉反側的是——深度學習有可能會是“人類最后一個發明”(Last Invention of Man)。
但是，咱們先別想那么遠。不管怎樣，Kurzweil在他《奇點臨近( Singularity)》一書中預計在2045年實現的設想也是30年之后的事情。我們現在要做的就是在這30年里弄清楚想生活在像電影《極樂（Elysium）》中那樣，還是什么別的不知名的腐爛廢水里。
因此，我提出“專家”團隊可能會讓你和深度學習帶來的重要改革擦肩而過的11個理由，供大家參考。
這僅僅是機器學習（Machine Learning）
從業人員接觸神經網絡一般都是從線性回歸的介紹然后再到邏輯回歸。這是因為人工神經網絡（ANN）用的數學公式是一樣的。所以這里瞬間產生偏見，導致人們認為經典的機器學習方式在深度學習的世界里也可行。最后，對于DL最天真的解釋就是它是多層的ANN。
當然，我們也有其他種類的機器學習方式，他們是用和DL不同的公式。但是，ML所有方法最基本的目標和一般概念都是曲線擬合。意思就是如果你能找到一個合數據吻合的模型，它就是個好答案。但在DL系統里，因為模型的參數太多，這些系統會默認過度擬合數據，這就足夠證明DL和ML是完全不同的系統了。
這僅僅是優化
DL系統有一個損失函數（loss function），它會測量預測和輸入的數據吻合有多好。經典的優化問題也有損失函數，也稱為“目標函數”（objective functions）。這兩個系統會使用不同的啟發式方法（heuristics）去探索在很大的配置空間里的最優點。以前人們認為DL 系統的 solution surface 已經很復雜，并且是不可能找到答案的。但神奇的是，一個很簡單的優化方法——隨機梯度下降法（Stochastic Gradient Descent ）就可以得到很好的結果。
這就告訴我們其實這里還有別的事情，和我們認識的優化完全不同的東西。
這是個黑盒子
很多數據科學家都不太喜歡DL，因為它的預測缺少很多可解釋性——這不僅是DL也是ML都有的特征。數據科學家更喜歡使用概率方法，因為他們有更多模型的控制。這個導致他們的系統會用最少量的參數做預測。這一切的推動力量都是源于對“簡單化或‘奧卡姆剃刀原理(Occam's Razor)’是對所有事物最好的解釋”的信念。
但概率方法在判斷圖形、語音甚至文字上其實是沒有競爭力的，這是因為DL方法比人類還能更好的找到模型。只是我們的大腦更信任窮舉法。其實沒有任何數據科學家找到過可以很好判斷圖形的主要因素，也沒有任何DL實驗依據證明簡約模型（parsimonious models）比交互模型（entangled models）效果更好。對于那些真的需要解析的案例，現在有些新的DL方法可以對其提供可解釋性和不確定性提供幫助。如果一個DL系統可以提供圖像說明，那它也很可能可以生成對預測的解釋。
太早了，太快了
這是一個自然的偏見，一個只有5年歷史并且急速進化且易變的科技太不可信。我們當時也是這么說微型處理器、互聯網、網絡和移動技術的。對于大部分人來說，先等等看是安全的方法。對于沒有花很多時間分析細節的那些人來說，這的確是一個合理的方式。但這也是一個有風險的策略，不去關注有可能是暫時的安全，但是別的公司搶你的飯碗可能意味的你的滅絕。
太多泡沫
有很多現在DL能干的是在兩年前都覺得是完全不可能的。沒有人預見到電腦能在圍棋上戰勝人類；沒有人預見到現在會有無人車；沒有人預見到我們能有星際迷航那樣的翻譯能力。這些都那么不可思議并且肯定有夸張的成分在。不好意思，我在這里要戳破你回避的“泡泡”，DL真的存在，并且你每次用手機都在使用它。
AI 的冬季會回來的
我們經歷過太多次因AI的前景所帶來的失望結果。這個說法走得很遠，因為這在以前經常發生，所以它早晚會再次發生。這個問題是，盡管那些失望存在，但AI的研究帶來了很多軟件功能的飛躍，而且這些功能我們現在都自然而然地使用著，并且從來都沒有察覺到他們的存在。“優秀的老式人工智能”(Good Old-Fashioned AI)已經嵌入在很多今日的系統里。
現在對DL 的開發正在加速進行，而且我們也有很多大問題需要解決。需要大量數據和缺少無監督的訓練是其中的兩個問題。但這不代表我們今天的成果沒有價值。DL已經可以開車了，如果現在再來一個冬季，就這一點就足夠證明現有階段已經十分有用了。
我們沒有足夠的理論解釋它怎么工作
目前，研究團隊還沒有扎實的理論來解釋為什么DL這么有效。我們想過為什么多層神經網絡比少幾層的更有效，但是我們還不能理解收斂性如何發生，或者好的泛化如何實現。DL現在就是一個實驗品，我們還在學習這類系統的特征。同時，雖然沒有扎實的理論理解，這些工程師一樣在前進。
研究員們正在利用他們的直覺和受過教育的猜測建立更好的模型。換句話說，他們不會為了等待更好的理論而暫停他們的發展。這和生物科技領域的研究一樣，他們測試很多種組合然后遇到他們不能解釋的新發現。科學和科技的發展的確有些不確定的混亂，但是你不應該因為這而放棄它的優點。
這不來源于生物靈感
DL和我們大腦里的神經元差異很大。DL 的學習方式（比如SGD）是不能用我們大腦里的什么結構去類比的。但這里的論據是，如果它不和大腦類似，它就不能執行大腦能做到的推理和學習。這當然不是很有力的論據。可飛機雖然長得不想鳥，但是它一樣會飛呀。
我不是這里的專家
自己沒有專業知識不是逃避不去外面找專業知識的借口。并且，這也不應該成為阻止你的專家團隊去學習這個新技術的理由。但是，如果你的專家是教條死板的那種，這就說明你應該去尋求第二個沒有偏見的意見。
這在我的問題上不適用
一個企業有很多業務流程。如果你沒有去檢查哪些流程是可以被現有的DL自動化的，那你就沒有權力去說DL對你不適用。其次，你可能會發現現在沒有的、但是可以用DL實現的流程或商業機會。你真的不能回答這個問題，直到你在這方面做了盡職的調查工作。
我沒有資源
Google、Facebook等很多大公司挖走了很多DL的 天才。 這些企業沒有興趣和小公司合作，去發現它們具體的需求和機會。但所幸這些大公司還允許它的研究員公開他們的研究成果。所以我們可以看到它們最新的發展成果，并且可以提取它們學到的知識，應用在你的場景里。還有些公司比如Intuition Machine，加入它們會讓你取得在DL 技術上的競爭優勢。
