为什么当前的深度学习成了人工智能的死胡同？

向传播技术只适合狭义AI

反向传播是深度学习的基本技术，它能够让神经网络在训练过程找到“最优解”。但是如果让训练好的神经网络执行另一项任务或者使用新数据时就会发生灾难性遗忘，从而无法完成持续学习的目标。

当然，你可以减少之前学习任务以及调整网络结构来解决灾难性遗忘，但是如果有新数据涌入，则必须增加神经元的数量。

大脑与我们手工设计的神经网络相比有着更多的神经元，所以你会认为增加人工神经网络的神经元完全没有问题对吧?

但是你也要明白，大脑具有功能模块化的特点，它在执行任务的时候，每次只调用一小部分神经元。而反向传播在迭代的时候调用的是全部的神经元。

另外，大脑模块化的特点能让我们人类学习到不同的东西，而且不同模块之间信息是可以相互交流的。

那么构造多个深度神经网络并让它们之间互相连接能够解决问题么?

显然高级智能的功能远不止这些。

2、无监督学习

大脑在进行学习的时候，并不需要大量的示例，也不需要一个监督者在旁边“叮嘱”。大脑的学习方法更加复杂，例如，即使一些“数据”没有打标签，大脑也能从其中学到一些东西。

当然，我们也不是在模仿翅膀的动作来制造飞行器，但是鸟类却证明了当克服重力时，比空气重的物体也能够飞行，这意味着即使通用人工智能没有大脑一样的思考方式，也能够通过无监督的学习方式实现智能。

3、认知图与路线

当前，深度学习想要掌握更多的是一种认知路线，即从输入数据到输出的认知途径，也就是说，深度学习是输入和输出之间关联记忆的一种形式。

考虑下面一种认知路线的情况：

“径直穿过森林，看到一条河，然后穿过小河，左转，在一棵奇怪的树附近停下来，然后能到山顶上有三块大石头的山，最后沿着路上去”

（编辑：唐山站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!