认脸、翻译、合成语音……深度学习在很多问题上都取得了非常好的成绩。
那么，还有什么问题不能用深度学习来解决呢？
斯坦福大学在读博士Bharath Ramsundar列出了下面16个方面，希望能对今后的算法开发有所帮助。
量子位翻译了这篇文章，以下为译文。
1．众所周知，深度学习方法很难学习到输入样本的微小变化。当样本的颜色交换时，所构建的目标识别系统可能会完全崩溃。
2．基于梯度的网络训练过程相当缓慢。一般按照固定模式来实现多种梯度下降方法，但是这种方法很难用于高维数据的预测。
3．深度学习方法在处理条件约束方面的效果也不佳，不能像线性规划方法那样，能快速找到满足约束的解决方案。
4．在训练复杂模型时，网络相当不稳定。通常不能很好地训练神经图灵机和GAN网络，严重依赖网络的初始化方式。
5．深层网络能较好地应用于图像处理和自然语言分析中，但是不适合现实世界的实际问题，如提取因果结构等等。
6．在实际应用中，要考虑关键影响者检测的问题。在参议员投票的数据集中，应该如何检测出关键影响者，深度神经网络DNN还不能应用于此方面。
7．强化学习（Reinforcement learning）方法对输入数据非常挑剔，实际性能主要取决于调参技巧，虽然这个特殊问题仅存在于这个方面。
8．深度学习方法不容易理解未知实体，比如说当棒球击球手在视频中，深度学习不知道如何推断出屏幕外还有个投手。
9．实时训练深层网络几乎不可能，因此很难进行动态调整，上文已经提到网络训练缓慢的问题。
10．一般来说，网络需通过离线训练后才能进行智能辨识。
11．人们经常提出一些对深层网络的理论解释。但这可能不是一个大问题，人们才是一个真正的大问题。
12．目前很难确定深层网络学习到了什么。作为工程师的我们，怎样才能确保在网络训练过程中不存在偏见和种族歧视？
13．深度神经网络很难用来解决逻辑问题。3SAT求解器具有很强的能力，但是很难应用到深层网络。
14．深度神经网络在处理大维度的特征数据方面效果不佳。这种方法与强大的随机森林方法不同，在训练前需要大量的特征调整。
15．深度网络的超参数优化研究仍然处于起步阶段。研究者需要完成大量的计算或是手动调整许多网络结构。
以上这些并不是一个完整的列表，但是我觉得这些都是值得思考的问题。在这些问题的基础上，要思考：
这些问题是深层神经网络本身存在的问题，还是要被克服的工程挑战？
这些都很难说，其中的一些问题可能会得到解决，比如更多性能优秀的硬件被开发用于超参数自动搜索。有一些早期结构可以用来自动归一化和处理大维度的特征数据，因此处理特征的问题可能有所改善。
然而，逻辑、约束、隐藏结构和网络审查等问题可能会进行更深入地研究。我很愿意看到大家对这些问题提出质疑，深度学习的研究者通常都是很有才华和有想象力的。摩尔定律仍然适用于GPU性能曲线，TPU和定制硬件还需要多久才能上市？
所以我对这些挑战持乐观态度。尽管如此，我还是怀疑深度神经网络不足以实现通用人工智能，当然，这可能只是我的偏见，事件上的专家可能是预测上的菜鸟，我们花了太多时间钻研技术。
千万不要只知其然，而不知其所以然！
我不想把这个随笔写成一篇文章，不确定是否有未知的主题还未被列出。
最后，作者还说，把这篇随笔送给聪明的读者。
【完】
