“如今神经网络理论开始奏效，因而工业界及政府也开始将神经网络当作人工智能。以前整天嘲笑神经网络的人工智能研究者也乐在其中，并计划从中分一杯羹。”
这句话带有浓厚的警示味道，从历史上看，无数的事例证明了如果某一项事物发展到所有人都在追逐，不论相关的还是不相关的人都在吹捧它，那很可能就意味着该事物已经处于顶峰，后面最需要做的并非继续盲目加大投入，而是更加清醒地认识到未来的挑战，并审慎地反思当下的策略。
7.8 挑战与反思
深度学习在近几年已经获得了数不尽的成功与荣耀，但是这项伟大的技术距离完美还有很长的路途，同样面临着一系列复杂的困难与挑战，它们仿佛是一个层层嵌套关联的解谜游戏，产生出一层层迷雾，套在深度学习和神经网络身上。本节我们来一同看一下今天的深度学习还有哪些不足。
- 效率
目前深度神经网络的效率其实非常低下，很无奈地说，之所以神经网络和深度学习大行其道，可能是因为目前我们并没有更好的解决手段。
深度学习就是一种数据驱动的算法，大量的数据是建立精确模型的前提和保证。就像人类需要从经历中总结经验、学习和提取信息一样，人工神经网络也需要大量的数据来分析、提取和训练。越复杂、越强大的模型就需要越多的参数，同时也意味着需要更多的数据来支撑。如果我们要训练一个语音识别程序，势必就需要不同方言、不同长度的语音数据以及人口数据，并将这数以亿万计的数据送到深度神经网络中，经过漫长的训练和调优后才能得到实用化、有商业价值的语音识别程序。这是一个十分漫长的过程并且需要巨大的算法处理能力，无论谷歌、Facebook 还是微软等，都是由一群业界精英经过了好几年的技术积累才达到了今天这样的高度。今时今日，可以说利用深度学习解决某一个问题就是一个如何充分利用巨量数据的问题。
第 7 章 深度学习时代
305