共计 4710 个字符，预计需要花费 12 分钟才能阅读完成。
摘要：深度学习可能不是过分夸大，也许它只是没有很好地被理解！
2012 年左右，多伦多大学的研究人员首次使用深度学习来赢下了 ImageNet，它是一项非常受欢迎的计算机图像识别竞赛。对于那些参与 AI 行业的人来说，这是一个大问题，因为计算机视觉是使计算机能够理解图像背景的学科，也是人工智能中最具挑战性的领域之一。
当然，与任何其他产生巨大影响的技术一样，深度学习成为炒作的焦点。不同的公司和组织开始应用它来解决不同的问题（或假装应用它）。许多公司开始使用深度学习和先进的人工智能技术重塑其产品和服务。
与此同时，媒体也经常撰写有关人工智能和深度学习的故事，这些故事充满误导性，并且大多是由那些对技术运作方式没有正确理解的人撰写。他们大多使用关于人工智能的耸人听闻的头条来博眼球，这些也促成了围绕深度学习的炒作。
经过媒体的炒作后，许多专家认为深度学习被夸大了，它最终会消退并可能导致另一个人工智能冬季，从而使人们对人工智能的兴趣和资金投入大幅下降。其中一些著名专家也承认，深度学习已经触底，其中包括一些深入学习的先驱者。
但根据著名数据科学家和深度学习研究员杰里米·霍华德的说法，“深度学习过度夸大”的论点有点夸张。霍华德是 fast.ai 的创始人，<u style=”box-sizing: border-box;”>fast.ai</u> 是一个非营利性的在线深度学习课程。
今年，霍华德在 USENIX Enigma 会议上发表的演讲中发表了许多反对深度学习的论点。整个视频非常清楚地说明了深度学习究竟做了什么和不做什么，这个演讲可以帮助你清楚地了解该领域。
以下是霍华德演讲主要反驳的几个论点：
深度学习只是一种时尚 - 明年它将是另一回事（NO!）
许多人认为深度学习是突然冒出来，最终也会突然消失。
霍华德反驳解释到：“你今天在深度学习中实际看到的是几十年研究的结果，而这几十年的研究终于达到了实际上给出最先进成果的程度。”
人工神经网络的概念是深度学习算法的主要组成部分，它已存在数十年，第一个神经网络可以追溯到 20 世纪 50 年代。
但是，由于数十年的研究以及数据和计算资源的可用性，深度学习的概念已经从实验室走出并进入实际领域。
霍华德说：“利用深度学习，人们可以减少很多复杂的繁琐的事务，我们应该期待看到 [深度学习] 继续发展下去而不是消失。”
深度学习和机器学习是一回事（NO!）
滥用人工智能词汇很容易导致了从业人员对行业的混淆和怀疑。有人说深度学习只是机器学习的另一个别称，而其他人则认为它与其他 AI 技术（如支持向量机（SVM），随机森林和逻辑回归）属于同一水平。
但深度学习和机器学习并不相同，深度学习是机器学习的一个子集。通常，机器学习适用于基于训练数据的数学模型和行为规则的所有技术。ML 技术已经投入生产使用了很长时间。
在深度学习之前，科学家们必须在编写“功能”或模块方面投入大量精力，这些功能可以执行模型想要执行的任务的一小部分。例如，如果你想创建一个可以检测猫的图像的 AI 模型，你将不得不编写较小的程序来检测猫的特征，如耳朵、尾巴、鼻子、皮毛。而且你必须使这些程序足够强大，以便从不同角度和不同光照条件下检测这些特征，并告诉不同猫种之间的差异。最后你才能在这些功能之上进行机器学习。
如果你想解决更复杂的问题，如通过 MRI 扫描检测乳腺癌，那么创建特征将变得更具挑战性。霍华德说：“你将需要数十名领域专家与数十名计算机程序员和数学家合作，提出这些功能概念并对其进行编程。最后使用一个经典的机器学习模型，如逻辑回归。”这项工作大概需要数年的工作。
