產業智能官
原因很簡單。大家都吃這碗飯，都指望炒概念忽悠投資人的錢呢。隨機森林、SVM、人工神經網絡、貝葉斯網絡、協同過濾、馬爾科夫鏈……把一個個統計 + 反饋方法包裝好，吹成人工智能。
看看那堆智障音箱吧，連分詞都分不好，就敢自稱智能和人對話了。還有智能客服，乾的和“有人賣柺請按1，有人賣車請按2”本質一樣。
看看自動駕駛的車禍。
看看科大訊飛的“人機耦合”。
人工智能的泡沫破裂已經不遠了。被戳穿的已經暴跳如雷。
河馬的實驗室
普羅大眾一臉茫然，科普作者一知半解。
追風口的創業者，指著熱點拿投資，巴不得把深度學習吹成西方極樂世界贈與我們的萬能藥水。
參與其中的資本更是悶聲發大財，等著母豬被吹上天。誰來戳破？
往簡單了講，深度學習就是數據擬合，在海量的數據中找出可能存在的關係。
一是，這種關係可能並不存在，也就是業界稱的過度擬合。用人工神經網絡進行擬合的時候，往往沒有從理論上分析特徵變量與預測變量的關係，特徵變量不是拍腦袋決定的，就是在反覆試驗中確定的，常常會得到不存在的關係。雖然也有手段可以減少過度擬合的出現，但是實際上回歸出來的結果完全
無法理解，關係存在不存在只有天知道。二是，這種關係可能非常脆弱。單純從數據中得出來的關係，如果數據不能包含世界的各種形態，得到的關係僅僅只是局部的真理。當宏觀環境發生變化，發現的關係就不復存在了。
三是，這種手段很難幫助我們理解世界。得出來的關係是海量的因素和預測變量之間的一個複雜的數學關係，無法幫助我們瞭解箇中的邏輯關係、發生機制，也很難幫助我們理解世界。
往技術層面講，深度學習使用的技術——人工智能網絡——也不過是邏輯迴歸的疊加，完全不像很多科普作者吹噓的那麼神秘。
毒蛇博士
大家都不戳破深度學習的本質，主要是由於大家對深度學習的瞭解還不夠！
其實深度學習，說簡單點就是利用數據擬合的方法來找出其背後的函數關係，從而瞭解其背後的規律。比如如上圖的彈簧彈力和形變的關係，就是通過將不同彈簧彈力F與形變量的數據擬合出來的。現在現實生活中已經有了海量的數據，因此有人就想到利用現代計算機技術進行數據擬合，來探究其背後的規律，這就是深度學習！
但是，深度學習也不能濫用，否則極有可能會得出啼笑皆非的結果。比如上圖的發改委每次調整油價和地震的對應關係，看起來很好，這就是深度學習的一個結果。但實際上這二者毫無關係。因此，過分依賴深度學習也會產生毫無意義的一些結果。深度學習過分的對各種數據進行關聯，實際上屬於過度依賴計算機技術而忽視對相關學科進行有物理意義的科研的不良現象，必須予以糾正！
總之，深度學習只是一種處理數據的方式，並不能代替實實在在的科研！
地震博士
什麼叫深度學習？據我所知，至少有以下三個領域的深度學習。
1、深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。
2、所謂深度學習（Deep Learning）指通過探究學習的共同體促進有條件的知識和元認知發展的學習。它鼓勵學習者積極地探索、反思和創造，而不是反覆的記憶。我們可以把深度學習理解為一種基於理解的學習。它強調學習者批判性地學習新思想和知識，把它們納入原有的認知結構中，將已有的知識遷移到新的情境中，從而幫助決策、解決問題。
3、傳統意義上的學習，在原有基礎上進行更深層次的探究，是一個大眾話題。
綜上所述，第一條是高端研究的產物，非我所能，不敢妄言；第二條是教育領域的研究，非我所長，無法提出合適觀點；以下就關於第三條的個人觀點予以簡述（同時也希望以後提問時具有相應的準確性），敬請指正！
一、學習的本質
個人認為，如果提問中所說的深度學習是大眾話題，其核心就與深度無關，無論是哪種學習，它的本質都是一樣的。
1、學以修身
學習是工作之基、能力之本、水平之源。作為每一個人來說，學習是一種精神追求，也是思想道德境界提升的過程。要立業先立德，先做人後做事，具有良好德行的人，事業才可能長期、持續發展下去，從這一角度來看，修身養性是立業之本。因此，這裡所說的學習，主要指的是如何做人。
2、學以致用
從經濟學角度來說，學習是第一生產力。無論做任何事，全面加強業務知識、業務技能的提升，從根本上提高理論素養和觀察、分析、解決問題的能力是個人生存與事業發展的必然選擇。把所學的知識、技能合理運用到實際工作之中，提高產出，就是對自身、對家庭、對社會負責任的一種行為。
二、學習的方式
1、狹義的學習，指的是學校的學習、社會上各種輔導、培訓類的學習鍛鍊、因為工作需要參與的各種業務理論、業務技能的培訓等。這種學習是被動的方式，成效因人而異。
2、廣義的學習，主要指來源於社會、來源於生活的自我學習、自我思考。學習的對象可能是一本書、一句話、一件事、一段經歷、一次旅行、一次教訓、一次實踐或者是一個案例，當然更可以是一個人。這種學習，它是自願、主動、積極學習的方式，是自我思考、自我實踐、自我提升的過程。從這個角度來講，人的一生都是長期處在學習之中的，真正是“活到老，學到老”。
孔子曰：學而時習之，不亦說乎？學而不思則罔，思而不學則殆。敏而好學，不恥下問。學如不及，猶恐失之。三人行，必有我師焉。擇其善者而從之，其不善者而改之。
綜上所述，個人認為，學習的本質就是學以修身、學以致用，學習的方式就是被動學習、主動學習兩種。
個人水平有限，僅供參考！如與提問之本意如有不符，敬請諒解！
如有不同觀點，敬請下方留言，共勉共進！謝謝！最後再次感謝邀請！
南疆商務群英匯
哇，我只是一個愛好者而已，居然問我那麼難的問題，但我作為非專業人士，還是可以嘗試的回答一下。
首先這種概念和理論的東西都是有書的，毫無疑問作為普通人，《深度學習》這本書我在買了，第二天就退掉了。為什麼，完全不知所云啊。
深度學習本身是機器學習的一個分支和子集，但是我認為它本身就是一個過擬合的概念，因為我覺得機器學習到目前而言已經足夠支撐現在的自動化和生活了，搞深度學習這個概念，我覺得就是一些發燒天才和極客的追求。懂一點高等數學的同學可能都知道泰勒公式，這就是本質上的函數迴歸和擬合
再舉一個簡單的例子，為什麼圓周率派等於3.14我們只用到小數點後面兩位就夠了呢，因為真的夠了，因為即便我們精確到小數點後面200位，也不會讓地球的周長多算出兩釐米，如果真的多出了那兩釐米，那我想那兩釐米應該是天才的聚集地
理論皇帝戰鬥機
利益相關：深度學習某領域高校研究生
說深度學習是統計也不算錯，但你以為只要把數據喂進去就ok了嗎？
事實上不是的，無論是統計學還是深度學習，我們更需要關注的是函數的實現，因為非線性函數無窮無盡。我們需要做的是，如何找到這個函數，如何設計這個神經網絡，包括結構和參數，如何設計loss，最終使得擬合更好。
舉個例子：
給你一張圖片，要求找到圖片裡所有目標的位置並進行分類(是人還是狗貓等)，換做你你怎麼做？如果只是簡簡單單的堆疊網絡，那麼很遺憾，你將永遠無法得到結果，所以這裡就引入了算法的思想，比如該怎麼提取圖像特徵，拿到特徵後該怎麼做，定位和分類是否可以一起做，當類別很多的時候該怎麼辦，如何優化，如何設計損失函數，定位損失和分類損失怎麼平衡等等等等諸如此類很多問題。
這些都需要好好研究，設計這樣的函數需要符合某個邏輯，需要有個充分的理由，不是隨便設計個函數把數據集喂進去就行了，圖樣圖森破，所以深度學習這也是算法的一個分支。
奔跑的蛞蝓
深度學習更像“鍊金術”，真正突破要訴諸“人腦”
演講者為Tomaso Poggio，擔任MIT計算機科學與人工智能實驗室教授。他是這個世界最早從事人工智能研究的人之一，學生分佈在DeepMind（做出AlphaGo）、Moblieye等當今AI頂尖企業。
深度學習：這個時代的鍊金術
在這個時代，深度學習有點像鍊金術。它要成為真正的化學，還需要很多工作。
23年前，我和Hassabis希望整合計算機視覺和深度學習，創造出一個學習系統，自動辨別行人。當時我們識別出了行人、信號燈，但每秒有10個錯誤。這是1995年，我們已經非常滿意了。
但今天，Mobileye每30英里只出現1個錯誤，是當年的百萬分之一。這種巨大的進步，動因在哪裡呢？
首先是機器學習的算法，第一是深度學習，第二是強化學習。它們都來自於認知科學和神經科學。
深度學習的架構，是60年代研究猴子的視覺系統時被髮明出來的。創造它，是為了更好研究猴子在學習時大腦的神經結構。然後Fukushima提出了首個量化模型，20年前現代版的HMAX被提出。這些架構都一脈相承——一樣的層級架構。從下到上，神經的等級越來越高，每個高級神經元只和下個等級的神經元相連接。
2012年，我們又開發出AlexNet，它是目前性能最好的一個架構。基於神經科學，我們的工程學研究能不斷地發展。這是很重要的，因為我們還沒實現真正的人工智能。
神經科學：人工智能真正的曙光
深度學習能幫我們解決10%的難題。剩下的90%呢？答案可能在神經科學、認知科學的研究裡。
我們必須研究人的思維和大腦。這也是MIT大腦、心智和機器中心CBMM正在研究的問題。我們希望能在理解認知方面有進步，能瞭解整個智能的架構，和背後的科學原理。大腦中智能的產生，是科學現在要解決的元問題。
為了有所突破，CBMM有以下三條路徑：1、計算機科學+機器學習。2、神經科學。3、認知科學。
我們要回答的則是三個基本問題：
1、逼近理論：深層網絡在什麼情況下，會比淺層網絡更有效？
2、最優化：應該如何設計經驗風險函數？
3、學習理論：為什麼深度學習不會產生過度擬合？
這三個問題，是機器學習的奠基石。它們的答案很複雜，要解決它，我們需要與開始就思考深度學習的侷限性，以及一些技術理論。
不理解大腦，就不能真正理解“機器的智能”
越來越人將意識到，下一個重大進展將來自我們對人類智慧、大腦的理解。DeepMind就認可這樣的理念（他們老大也是做神經科學的）。
我們正在CBM裡面開發一個架構，是超越深度學習的，嘗試去描述我們的視覺智慧怎麼運作。
現在，能將神經科學的成果成功運用的公司並不多。我們應該集中資源去做基礎研究。當一個新生兒理解事物時，他會為它貼上標籤，“這是小馬、那是汽車。”他只要很少的樣本就能歸納一個事物。這才是典型的生物學的運作方式，顯然跟當前機器的做法完全不同。
我們的大腦充滿了智慧，值得我們做更多研究。當我們談到機器時，並不能過多去跟人類大腦比較，即便它速度更快。在過去50年，計算機取得了很大的進展。但談到智慧本身，機器肯定還要從人類這裡學習。
新芽NewSeed
以下是我寫的未來經濟學，17年前成文，普通人可以看懂，徹底解放思維，消滅無用的天書。
一部部經濟學鉅著，一個個經濟學巨人，一座座經濟學院，一道道經濟學難題。諾貝爾經濟學獎孵化出了幾十位引領時代的大師，今天還在孵化，明天還會繼續。效果呢？別提，好看就行。一次次經濟危機的洗禮，貧富兩極分化的加劇，窮人越來越窮，窮國越來越貧，環境惡化，資源枯竭，腐敗，戰爭，墮落，債務赤字，似大山，似無終止，只好拿科學的發展神話和自私理智的人性去糊弄人，來搪塞，無限擴大再生產的方式似乎萬古長春。誰之過？當然是眼花繚亂的經濟學，為啥？因為經濟是社會存在與發展的基礎。其餘的都是派生與表現形式。經濟學是社會經濟的設計理論，一旦付諸實施，不但可以決定上層建築，而且對政治文化都起決定作用。
當代的一切經濟學都是短缺經濟時代演化而來的理論的發展。從《國富論》古典經濟學到凱恩斯主義，貨幣主義，市場原教旨主義，奧地利學派，馬克思主義政治經濟學，學派眾多，就理論解決的問題而言，是為資本主義的無限擴大再生產服務的，其本身的論證方式是異常複雜的。實施效果卻差強人意，至今一項根本問題都沒有解決。
這裡要昇華資本主義經濟學，為已經開始並且日益壯大的精神生產服務。這個經濟學的名字就是《未來經濟學》。它以最簡單的方式構建理論，以最簡單的方式構建社會的經濟基礎，把大道至簡變為具體的科學方法。社會發展由簡單到複雜再回歸簡單和物極必反的規律說明，最複雜的資本主義經濟之後是以精神生產為中心的簡潔社會及社會經濟。
一、理論來源。
吸收了蘇聯計劃經濟和羅斯福新政的營養，為資本主義宏觀調控服務的凱恩斯主義，一直是經濟學的主流，雖然遭遇挫折，經過補充、吸收貨幣主義等流派的精髓，其主流地位無人撼動。因為微觀經濟屬於要素，宏觀經濟屬於結構，經濟危機的根源正是宏觀弱小與毫無作為造成的。1、凱恩斯認為，當社會有效需求不足，且社會有一定數量的存貨可供利用的情況下，投資一筆資金可以帶來數倍於這筆資金的國民收入增加 ，這就是投資乘數。因為我國及世界過剩產能巨大，是存貨的一種節約形式，且當前社會有效需求不足。投資乘數按平衡物價來設定以2.5為標準。這裡的免稅乘數也是如此，不贅。
2、國民免稅。
首先，國家完全免稅，然後把總稅額作為隱性投資，產生2.5倍價值量。取出其中與總稅額等量的貨幣維護國家的正常運轉，剩下的1.5倍總稅額的30%投資高技術，購進新設備，然後拍賣產權。70%的價值進行宏觀分配。這樣就實現了宏觀經濟與微觀經濟的雙向自由與根本解放。斬斷了二者的紐帶或鎖鏈。
其次，分配的雙軌制。
宏觀分配實行公積金的形式，專款專用用不兌現。1、防止資金流入市場，造成通貨膨脹。2、可以一次性優化城市結構與社會結構實現最大節約資源的目標。根據我設計的專利《城市結構綜合優化設計》（已經通過國家專利局初審，在實審中，申請號201610863944）可以節約2000倍的車輛，100倍的能源，沒有一起交通事故和擁堵及汙染。6年可以完成全國所有新結構城市的建設，同時由於實現了全部新型城市化和農業的公司化，集約化，規模化，根除了無限擴大再生產，節約最少可10倍的資源。永續生產實現。
3、微觀經濟繼續實行按全生產要素分配，而且是貨幣分配。因為貨幣供給基本平衡，不會引起經濟危機，能最大限度調動微觀經濟主體的積極性。
4、平衡性、簡潔性。
國民免稅是刺激生產，解放生產力的。宏觀分配是提高購買力的，二者在新預算形式下達到了空前統一。而且十分簡單。
5、哲學依據。
過剩產能是客觀實在，國家通過免稅產生的乘數價值來表現、表達這種客觀實在，內容和形式是統一的。然後把這些價值變成實實在在的實物，完成了價值到實物的物化，這種由物質到物質的轉換符合物質不滅規律。其實質是把過剩的產能這種客觀物質，通過價值符號（貨幣）提前表達出來，作為宏觀資金。國家等於向現實的過剩產能“借”等量的貨幣，具有堅實的物質支撐，絕沒有透支的風險。而且數量隨生產的發展而同步增加，政府的赤字消失，國債根除。
6、宏觀經濟與微觀經濟的完美嫁接。宏觀經濟是主導，引領方向，設計最優的科學結構，微觀經濟是主體，實際實施，可以調動微觀主體的積極性。
7、通貨膨脹。通脹是紙幣和貨幣信用化社會的特殊現象，是過多的貨幣追逐過少的商品造成的貨幣貶值現象。這裡沒有供需失衡，沒有超發一文錢，何來通貨膨脹呢？
8、簡潔明瞭。需要高等數學否？需要複雜模型否？需要拖沓庸長否？無需假設，無需研究微觀經濟。關於《城市結構綜合優化設計》下一篇在寫，限於篇幅，此處點到為止。
一葉扁舟l
你以為給你戳破了深度學習的本質，你就學會了深度學習？
大腦天生就不是為了深度學習而進化的
在我看來深度學習的定義，應該是理解基本規則和最終目標，自我的不斷提高！我們從阿爾法元AlphaGo Zero的身上可以看到，智能化機器的深度學習。對比AlphaGo學習人類的棋譜來說，AlphaGo Zero就像人類初學者一樣，只是瞭解比賽的規則和比賽的最終目標來自我學習，也就是說自我的對決。
而人類的大腦，只是為了更好的生存和繁衍而進化來的。所以大腦的本能就是通過不斷的體驗和學習，找到一種更適合生存，更好繁衍的方式方法，從而遵循這樣的方法。一旦找到這樣的方法，大腦便放棄了思考，而把更多的能量去做其他事情。就像古代的為了食物的創造發明一樣，現代雖然食物不會威脅到生存，可是依然會吃那麼多的，這也是胖子那沒多的原因。大腦的進化沒有跟得上環境的變化。大腦的最終目標不是無限制的去學習。
大腦雖然有意識會克服一些本能的東西，可是永遠不會像機器一樣把其他的一切都不顧，不理會環境，永遠理性，只盯著唯一的目標。這是人的侷限性，因為有感性，也是人與機器的區別，也是人生的意義。
就算告訴你了深度學習的本質，即使大腦潛力無限，你也只能去接近深度學習，不能完全達到。並且學習的目的是為了更好的生活，為了學習而學習沒有任何意義！
張東說時間管理
人工智能現在是被商人吹到天上了。不是有其所謂的“御用磚家”說，人工智能機器人智商比人類高几十萬倍(據說還是保守估計)。
這其實說白了，就是為商人，利益集團吹噓、造勢。與電影發佈前的猛吹是一樣的。
關於人工智能我以前已說過。不想多說。現在的什麼深度學習算法就是規模效應帶來的“紅利”而已。現在人工神經網絡規模可達，幾十層，幾百萬個神經元(可能還會更大！)，比幾十年前的三層，幾百個神經元，真沒法比！
但是，它仍然是七十年前的老學習算法----BP算法，在數理邏輯下實現的，而且還只是個計算機程序，一個數據搜索程序。所謂學習就是比對輸出數據(集)與目標數據(集)之間的偏差，然後調整系統參數，使之搜索到的數據逼近目標數據。它即使這麼個規模，仍然突破不了線性可分問題，即只能處理由可測函數、傳立葉函數空間的函數所表述的問題。目前用上遺傳算法等一些近代算法仍然沒辦法突破線性可分問題。也就是說，現在的機器人還是“冷冰冰的白痴”！
現在是一群商人指望著人工智能掏大家的口袋！一幫磚家都是被錢糊了嘴的！大家可以等著看什麼無人駕車、無手腳人“機甲”…，的應用出來嘛！揭不揭沒什麼關係，用戶只要能用上，我就信你的吹！
由此感嘆人類的“集團”的力量。現在確實有“集團”可控制了地球人類社會。這些“集團”為了其集團私利，什麼“暗能量”、“暗物質”都能用上！
