古老而又现代的华夏在科技创新上更有独到之处，很多领域的技术正在赶超欧美，虽然说人工智能日新月异，但是深度学习的瓶颈依然太多。

当下，李彦宏押注的人工智能已经非常火了，有的说现在IBM的Waston人工智能已经能够彻底取代劳动者了，有的说现在的算法在医疗领域已经能够打败医生了。

百度创始人李彦宏认为，机器学习的翻译水平上已经逼近人类，高效辨识图片和视频，将语音转化成文字，百度的无人车已经上路了。

人工智能红红火火，很多商家坐不住了，都说自己的筐里没有烂桃，都说自己有绝活，更有些大忽悠号称自己马上就要颠覆世界了。

谁要是不说个人工智能之类的话题，好像立马就要被时代淘汰了，醉翁之意不在酒，商家们为了扩大自己的知名度和影响力，为了获取资本和人才的关注，一个个吹牛大王闪亮登场了。

海果汇专家认为，当前热门话题就是应用越来越广的大数据、人工智能，很多已进入寻常百姓家，如无人机、网约车、自动导航、智能家电、电商推荐、人机对话等。

大数据是人工智能的基础，让大数据变为知识或生产力，离不开机器学习，机器学习是人工智能的核心，也就是常说的深度学习。

人工智能非常火爆深度学习瓶颈太多，上个世纪60年代神经网络就出现了，由于受到计算机性能的限制无法应用，现在深度学习将复杂的神经网络架构应用在数据建模上。

上世纪80年代，科学家开始使用人工神经网络模型帮助计算机完成模式识别任务，模拟人脑的智能，把这种思路坚持到本世纪，现在，深度学习已在人工智能领域被普遍采纳。

当初，计算机的存储容量、计算能力都十分有限，只能计算单层神经网络，如今，计算机性能大大提升，有海量数据支撑，在多层神经网络中训练大规模数据得以快速实现。

海果汇专家认为深度学习的瓶颈亟待快速突破，从应用角度看，这种方法确实可使很多任务的处理取得最优结果，已得到广泛采用的深度学习技术未来仍需更大突破。

现阶段深度学习技术还无法让计算机像人一样去深度理解语言、语音和图像，智能手机助手看起来口齿伶俐，并未真正理解我们的话。

以自然语言理解为例，下一步的方向是让机器在语义、概念上进行推理和计算，而不仅停留在对信号层面的处理，涉及很多神经科学、认知科学和计算科学结合的问题。

人工神经网络依然是个黑箱子，可解释性比较差，让它将英文翻译成中文，如果出现错误，是哪个环节导致错误依然难以解释。

处理特定任务究竟需要几层神经网络才能实现最佳，没有合理解释，只能依靠经验和实验大量地测试，深度学习技术将经过一段时间的发展逐渐趋于成熟，进入比较平稳的平台期。

进一步突破需要对人工神经网络进行较大改进，在包括脑科学在内的多学科交叉研究的基础上提出新的模型和方法。

八仙过海各显神通，特别是在智能家庭方面，小度带屏智能音箱上市比美国还早，小度在家带屏智能音箱销售量超过无屏智能音箱。

李彦宏认为，作为实现人工智能的一种形式，深度学习旨在更密切地模仿人类大脑，带屏智能音箱正在离对话式人工智能越来越近。

想当年，深度学习刚刚进入大多数人工智能研究人员的视线时，被嗤之以鼻，现如今，它的触角在诸多高科技领域延伸，横跨谷歌、微软、百度乃至推特等巨头企业。

大脑的指令离不开神经系统传输控制，卷积网络是由相互连通的卷积层组成，类似与大脑中处理视觉信息的视觉皮层，能重复使用一张图像中多个位置的相同过滤器。

卷积神经网络具有善于识别图形的优点，在某个位置识别人脸，自动在其他位置识别人脸，还适用于声波和手写文字，卷积神经网络使得人工神经网络快速接受培训。

谷歌开发出安卓手机的语音识别系统、百度对可视化新型搜索引擎进行研发，内存占用空间小，不需要对图像中每个位置的过滤器进行单独存储。

要让卷积神经网络正常运作需要功能强大的计算机和庞大的数据集，在收集数据或计算平均值时，效果不尽人意，目前使用最广泛的卷积神经网络几乎完全依赖于监督学习。

如果想让卷积神经网络学会如何识别某一特定对象，必须对几个样本进行标注，而无监督学习可以从未经标记的数据展开学习，更接近人脑的学习方式。

在此基础上开发的反向传播算法，能有效使错误率最小化，无法体现人类大脑的运作机理，对大脑如何学习完全陌生。

虽然知道神经元突触能够自我调整，但是对大脑皮层的机理还不清楚，无监督学习是一种更接近人脑的学习方式，对于大脑的认知机制并不了解，深度学习的瓶颈已经凸显。

深度学习的瓶颈依然太多，需要大量的标注数据，视觉研究人员的焦点过度集中于容易标注的任务，在数据集之外的真实世界不知所措。

难以应付数据集中不经常发生的罕见事件会产生潜在风险，难以察觉变化的标准或上下文的变化，对应的视觉系统故障导致意想不到的后果。

由于数据集大小的局限，过度敏感会导致系统做出错误判断，导致的图像变化却难以欺骗人类观察者，就视觉领域而言，从组合学观点来看，真实世界的图像量太大了。

任何一个数据集，不管多大，都很难表达出现实的复杂程度，每个人选择物体、摆放物体的方式不一样，搭出的场景数量可以呈指数增长，需要无限大的数据集。

曾经极为看好深度学习、后来却意识到其局限的业内人士认为，深度学习已死引起业内一片哗然，局限并不意味着这个事物已经死亡，可以补充一些东西进去。

深度学习作为一个新的计算科学领域的方法，当然有其自身的限制和缺陷，其实科学界一直都很谨慎地对待，从一开始大家就知道它的一些局限性。

对标注了的大数据依赖、非解释性、没有推理功能、对训练集里包括的样本就能工作得很好而对没有包括的样本就很差，系统模型处于非稳态。

深度学习在计算机视觉领域的瓶颈已至，在方向上有矫枉过正的提示作用，深度学习确实只是人工智能领域里一个被实现出来的，却比较窄的成功经验。

深度学习会对人工智能发展起着积极推动作用，科学家对深度学习天生的缺陷和局限已明晰，在各自的领域内探索着下一代人工智能的突破。

当下，在智能家庭领域，对话式人工智能已成为行业普遍公认的人机交互新入口，百度去年在国内首创发布的小度在家智能视频音箱就是其中代表性产品。

人工智能非常火爆深度学习瓶颈太多，通过算法向用户个性化地推荐各种各样的信息主要是在手机上，把它也放到了带屏的智能音箱上在中国比较独特。

小度在家系列带屏音箱在中国市场处于绝对领先地位，相较于无屏智能音箱，带屏音箱的使用场景更丰富，用户体验更好，更能越来越多地去理解和满足用户的意图。

百度创始人李彦宏表示，得益于百度丰富的信息流优势以及在智能语音交互技术上的创新，百度DuerOS独创的新一代智能语音交互技术能够实现与人类更自然地持续性交互。

真正的对话式人工智能应该是多轮的，小度在家智能视频音箱具备惊人的脑容量可以对答如流，除了它回答问题，也可以提问和推荐其他的相关话题。

所谓人工神经网络，是指模仿人的神经机制，在计算机中模拟出一层或多层被称为神经元的计算单元，使它们之间通过加权连接而互相影响。

通过改变这些节点的加权值，可以改变人工神经网络的计算性能，通过搭建多层神经元，形成比较深的人工神经网络的重要性。

早期实现的神经网络是单层的，把单层神经网络拓展成多层并付诸应用，在图像识别、语音识别和机器翻译等很多任务上都取得了不错的效果。

通过大大提高计算机理解世界的能力，深度神经网络不仅在改变计算机领域，也在改变科学和人类行为所涉及的每一个领域。

深度学习确实是一个让人心驰神往的技术，问题是在人工智能领域出现那么多一知半解，没有完全搞清楚什么是人工智能可以做的，什么是无法做。

深度学习的成果是建立在极其苛刻的前提条件之上，不管是监督学习，或者是强化学习，它们都需要大量的数据进行支撑，在提前计划上面表现的非常差。

人能够从极少数的例子上学到有价值的信息，善于在时间跨度很长的计划，在针对某个情境上有能力自己建造一个抽象模型，利用这样的模型来做站在最高处的归纳总结。

采用的监督学习路径需要从汽车驾驶的情境中提取海量的数据，标示出动作标签分类挑拣训练一个神经网络，从眼下的情景和所与之相对应的行动之间构建因果联系。

采用强化学习路径给算法一个目标，让它能够独立地判断当下最优解是什么，电脑在不同的情境之下，为了实现避免撞车的这个动作要宕机上几千次。

海果汇专家认为深度学习的瓶颈依然太多，无论如何都不能以今时今日的技术研发成果作为基础，去实现某种一般意义上的智能化。

很多时间只要告诉人一次，要躲避车子走，大脑就有能力从少数的例子中提取经验，有能力在大脑中想象出来被车碾压后的凄惨场景，能快速地学习到不被车撞到的要领。

数据质量不稳定性，不可靠、不准确，以及不公平，神经网络从数据层面，可以在相当大的样本数量上给出一个成果，单独拿出一个就不行了。

输入的数据带有主观性，潜移默化的观念或者暗示，得出的结果会荒谬至极，恶意篡改人工智能系统带来极大的危害。

深度学习要发挥作用所需要的前置条件太过苛刻，输入的数据对其最终的结果有着决定性的影响，深度学习存在着很多漏洞，安全性也无法得到保证。