張玉宏，秦志光

(1.電子科技大學(xué) 網(wǎng)絡(luò)與數(shù)據(jù)安全四川省重點實驗室， 四川 成都　 6100542;2.河南工業(yè)大學(xué) 信息科學(xué)與工程學(xué)院， 河南 鄭州　450001)

近年來，深度學(xué)習(xí)(Deep Learning)在諸多領(lǐng)域都有著很多驚人的表現(xiàn)[1]。例如，它在棋類博弈、計算機視覺、語音識別及自動駕駛等領(lǐng)域，表現(xiàn)得跟人類一樣好，甚至更好。在2013年，深度學(xué)習(xí)被麻省理工學(xué)院的《MIT科技評論》(MITTechnologyReview)評為世界十大突破性技術(shù)之一[2]。

2016年3月，代表人類圍棋頂級水平的李世石九段，以1∶4負(fù)于谷歌公司研發(fā)的阿爾法圍棋(AlphaGo)，這標(biāo)志著人工智能在圍棋領(lǐng)域已經(jīng)超越人類，一時震驚四野。而在背后支撐AlphaGo具備如此強悍智能的技術(shù)之一，就是深度學(xué)習(xí)算法。一時間，深度學(xué)習(xí)，這個本專屬于計算機科學(xué)的術(shù)語，成為包括學(xué)術(shù)界、工業(yè)界甚至風(fēng)險投資界等眾多領(lǐng)域的熱詞，它對我們的工作、生活甚至思維都已產(chǎn)生深遠(yuǎn)的影響。

當(dāng)前，學(xué)者多從技術(shù)或工程實現(xiàn)的角度來研究這個議題，而從科技哲學(xué)的角度，尚未有深入的討論。在深度學(xué)習(xí)備受矚目的背后，我們不禁思考，人工智能的技術(shù)本質(zhì)是什么，深度學(xué)習(xí)的技術(shù)哲學(xué)特性是什么，它成功背后的方法論又是什么？本文著重對以上幾個問題進(jìn)行討論。

一、人工智能的技術(shù)本質(zhì)

從宏觀的視角來看，人類科學(xué)與技術(shù)的發(fā)展一路走來，主要依靠兩條腿的“并駕齊驅(qū)”：一條腿是能量傳輸，從生火、燒柴、燒煤、蒸汽機，到火電、風(fēng)電、太陽能及核聚變；另一條腿就是信息傳輸，從語言、文字、烽火臺、穿孔卡、磁帶、無線電，到硬盤、電子計算機、量子通信，它們大致都遵循著這樣的規(guī)律：發(fā)現(xiàn)現(xiàn)象、深入認(rèn)識和人工模擬(或重現(xiàn))。

20世紀(jì)40年代以后，腦科學(xué)、神經(jīng)科學(xué)、心理學(xué)及計算機科學(xué)等眾多學(xué)科，取得了一系列重要進(jìn)展，使得人們對大腦的認(rèn)識相對“深入”，從而為科研人員從“觀察大腦”到“重現(xiàn)大腦”搭起了橋梁，哪怕這個橋梁到現(xiàn)在還僅僅是個并不堅固的浮橋。而所謂的“重現(xiàn)大腦”，在某種程度上，就是目前的研究熱點——“人工智能”。

1958年，神經(jīng)生物學(xué)家大衛(wèi)·休伯爾(David Hunter Hubel)與托斯坦·威澤爾(Torsten N.Wiesel)在動物視覺信息處理的研究中發(fā)現(xiàn)，對于視覺的信息處理，動物大腦皮層是分級、分層處理的[3-4]。正是因為這個重要的生理學(xué)發(fā)現(xiàn)，二人獲得了1981年的諾貝爾醫(yī)學(xué)獎。而這個科學(xué)發(fā)現(xiàn)的意義，并不僅僅局限于生理學(xué)，它還間接促成了人工智能在50年后的突破性發(fā)展。

休伯爾和威澤爾等人的研究表明(由于我們對大腦的認(rèn)識非常有限，所以他們的研究也并非定論)，大腦的工作過程是一個不斷迭代、不斷抽象的概念認(rèn)知過程。動物視覺系統(tǒng)的信息處理就是這樣分級完成的。這種分層次結(jié)構(gòu)的感知系統(tǒng)，由于逐層抽象迭代，使大腦的視覺系統(tǒng)需要處理的數(shù)據(jù)量大大減少，但卻保留了判別物體所需的最有用信息。

在人工智能領(lǐng)域，正是受到生物神經(jīng)網(wǎng)絡(luò)的啟發(fā)，自20世紀(jì)80年代起，人工神經(jīng)網(wǎng)絡(luò)開始興起，而且在很長一段時間，都是人工智能領(lǐng)域的研究熱點。

簡單來講，人工智能就是為機器賦予與人類類似的智能。由于目前機器的核心部件是由晶體硅構(gòu)成，所以可歸屬為“硅基大腦”。而人類的大腦主要由碳水化合物構(gòu)成，因此可稱之為“碳基大腦”。因此，從技術(shù)本質(zhì)上來講，現(xiàn)在的人工智能，大致就是用“硅基大腦”模擬或重現(xiàn)“碳基大腦”的過程[5]。

二、深度學(xué)習(xí)的技術(shù)哲學(xué)特性

從大腦對視覺信息處理的機理中，我們可以提煉出兩個重要的特征：(1)迭代抽象；(2)分層處理。而這兩點正是當(dāng)前深度學(xué)習(xí)的核心特征。

2006年，加拿大多倫多大學(xué)的資深機器學(xué)習(xí)教授杰弗里·辛頓(Geoffery Hinton)在世界著名學(xué)術(shù)刊物《科學(xué)》(Science)上發(fā)表了一篇關(guān)于深度學(xué)習(xí)的開山之作[6]。在這篇文章中，辛頓給出了兩個重要結(jié)論：(1)具有多個隱層的人工神經(jīng)網(wǎng)絡(luò)具備更佳的特征學(xué)習(xí)能力，多層網(wǎng)絡(luò)之間，每一層都是以前一層提取的特征作為輸入，并對其進(jìn)行特定形式的變換，得到更加抽象的表達(dá)。而且這種層次化的特征提取過程可以疊加，從而讓深度神經(jīng)網(wǎng)絡(luò)具備強大的特征提取能力；(2)可通過逐層初始化(layer-wise pre-training)方式來克服訓(xùn)練上的困難，而逐層初始化是通過無監(jiān)督的自主學(xué)習(xí)完成的。

由此可以看出，深度學(xué)習(xí)的關(guān)鍵在于建立并模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，它模仿人腦的機制來解析數(shù)據(jù)(如聲音、圖像和文本等)。深度學(xué)習(xí)可視為一種自動的特征學(xué)習(xí)方法，它把海量原始數(shù)據(jù)通過一些簡單的但非線性的模型，轉(zhuǎn)變成為更高層次的、更加抽象的表達(dá)[7]。

具體來說，深度學(xué)習(xí)的基本工作模式就是，除了輸入層和輸出層，中間還堆疊多個隱含層，前一層的輸出作為下一層的輸入。網(wǎng)絡(luò)中每一層，都由無數(shù)神經(jīng)元構(gòu)成，而每個神經(jīng)元都有一組“權(quán)值”和一個控制其輸出啟動的“激活函數(shù)”。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練涉及到調(diào)整神經(jīng)元的權(quán)值，使特定的輸入產(chǎn)生我們需要的輸出。通過這樣的分層框架，就可以實現(xiàn)對輸入信息進(jìn)行分級表達(dá)。

深度學(xué)習(xí)中的“深度”，可理解為更大規(guī)模的網(wǎng)絡(luò)，而“更大規(guī)模”可簡單理解為包括“更多隱含層”，而“更多隱含層”在某種程度上也可理解為能夠提取更高抽象層次的特征，因為每一層都可視為上一級網(wǎng)絡(luò)的數(shù)據(jù)抽取變換，層數(shù)越多就越抽象，表達(dá)能力(如分類能力)也就越強。

深度學(xué)習(xí)之所以備受矚目，是因為從最原始的輸入層開始，到中間每一個隱含層的數(shù)據(jù)抽取變換，到最終的輸出層的判斷，所有特征的提取，全程都是一個沒有人工干預(yù)的訓(xùn)練過程。這個自主特性，在機器學(xué)習(xí)領(lǐng)域是革命性的。

知名深度學(xué)習(xí)專家吳恩達(dá)(Andrew Ng)曾表示：“我們沒有像通常(機器學(xué)習(xí))做的那樣，自己來框定邊界，而是直接把海量數(shù)據(jù)投放到算法中，讓數(shù)據(jù)自己說話，系統(tǒng)會自動從數(shù)據(jù)中學(xué)習(xí)。”谷歌大腦項目(Google Brain Project)的計算機科學(xué)家杰夫·迪恩(Jeff Dean)則說：“在訓(xùn)練的時候，我們從來不會告訴機器說：‘這是一只貓’。實際上，是系統(tǒng)自己發(fā)明或者領(lǐng)悟了‘貓’的概念?！?/p>

因此，深度學(xué)習(xí)不僅僅只是一種電子算法的升級，更是一種全新的思維模式。我們完全可以利用深度學(xué)習(xí)，通過對海量數(shù)據(jù)的快速處理，消除信息的不確定性，從而幫助我們認(rèn)知世界。它帶來的顛覆性在于，將人類過去癡迷的算法問題演變成數(shù)據(jù)和計算問題[8]。

三、深度學(xué)習(xí)的方法論

任何一個事物的成功，都需要一個比較成熟的方法論做指導(dǎo)，深度學(xué)習(xí)也不例外。為什么早期的人工神經(jīng)網(wǎng)絡(luò)屢屢折戟沉沙，而現(xiàn)在的深度學(xué)習(xí)卻大獲成功，這不僅要歸功于計算機硬件性能的提升和大數(shù)據(jù)的累積，還要歸功于人們在方法論認(rèn)知上的改變。

(一)傳統(tǒng)人工智能學(xué)派與還原主義

在過去，包括神經(jīng)網(wǎng)絡(luò)在內(nèi)的大部分的人工智能系統(tǒng)，主要分為如下3個流派，如表1所示。

表1　人工智能的流派

傳統(tǒng)的人工智能學(xué)派，事實上，大多希望遵循一種“還原主義(reductionism，或稱還原論)”的思想來推動科學(xué)的發(fā)展。而“還原主義”，就其英文詞根“reduction”的本意而言，就有“減少”“簡化”等含義，意思就是把一種形式變化為另外一種更加簡單的形式。在18世紀(jì)的科學(xué)術(shù)語中，“reduction”含義就是把化合物變化為相對簡單的元素[9]。

僅從字面的定義就可以看出，“還原主義”里有一種“追本溯源”的含意包含其內(nèi)，即一個系統(tǒng)(或理論)無論多復(fù)雜，都必須能夠還原到邏輯原點。在意象上，最終可簡單地從一個或幾個簡潔而漂亮的基本法則推導(dǎo)而出。比如說，很多經(jīng)典力學(xué)問題，不論形式有多復(fù)雜，最后都可通過牛頓的三大定律得以解決。再比如，在電磁學(xué)領(lǐng)域，麥克斯韋方程組也異常簡略完美。

隨著伽利略、牛頓等科學(xué)巨匠開創(chuàng)近代意義上的科學(xué)以來，“還原論”在科學(xué)發(fā)展中發(fā)揮了巨大的作用。面對非線性復(fù)雜現(xiàn)象，經(jīng)典科學(xué)家們總是設(shè)法忽略非線性影響因素，進(jìn)而用線性模型來描述，甚至把能夠構(gòu)建出線性模式作為科學(xué)研究獲得成功的標(biāo)志，但這一標(biāo)志也漸顯疲態(tài)。例如，當(dāng)代著名物理學(xué)家弗里曼·戴森(Freeman Dyson)在其著作《反叛的科學(xué)家》(TheScientistasRebel)一書中就提到，一些特別有成就的頂級科學(xué)家(比如愛因斯坦、奧本海默等)，在功成名就之后，就特別容易犯一個“錯誤”，即抱負(fù)極大，總想用極少的幾個基本原理解釋世界上的一切事物[10]。

“還原論”的確雄心很大，試圖一勞永逸地解決科學(xué)發(fā)展中的問題，并達(dá)到對未來的準(zhǔn)確預(yù)測。可結(jié)果如何呢？事實上，并不樂觀！戴森指出，愛因斯坦在美國苦苦研究幾十年的統(tǒng)一場理論，沒有新的發(fā)現(xiàn)，還對同時代的最新實驗結(jié)果和物理發(fā)現(xiàn)視而不見，錯過了太多的東西，實屬遺憾。那么，問題出在哪里呢？

當(dāng)代著名物理學(xué)家斯蒂芬·霍金在一次演講中說：“除了非常簡單的情況，我們無法準(zhǔn)確解出這些理論的方程，在牛頓萬有引力理論中，我們甚至連三體運動的問題都無法準(zhǔn)確解出。在運用數(shù)學(xué)方程來預(yù)測人類行為上，我們極少成功。所以，即使我們確實找到了基本定律的完整集合，在未來的歲月里，仍然存在發(fā)展更好的方法，使我們在復(fù)雜而真實的情形下，完成對可能結(jié)果的有用預(yù)言的智慧，這是極富有挑戰(zhàn)性的任務(wù)?！盵11]

其實，早在19世紀(jì)，馬克思、恩格斯等人就通過辯證法批判了還原論，將其總結(jié)為是孤立、靜止地看世界?，F(xiàn)代科學(xué)技術(shù)的發(fā)展表明，我們不能把事物的復(fù)雜性全部歸因為認(rèn)識過程不充分、不到位，而是必須承認(rèn)復(fù)雜性的客觀存在，它并不隨著認(rèn)識的深入而變得簡單，變得可還原。1984年，諾貝爾物理學(xué)獎獲得者蓋爾曼(Murray Gell-mann)、諾貝爾物理學(xué)獎獲得者安德森(Philip Anderson)、經(jīng)濟學(xué)獎獲得者阿羅(Kenneth Arrow)深感還原論的局限性，提出超越還原論的口號，成立了圣塔菲研究所，專門從事復(fù)雜性科學(xué)的研究。1999年，美國著名學(xué)術(shù)期刊《科學(xué)》(Science)推出復(fù)雜性科學(xué)?？?，這標(biāo)志著復(fù)雜性科學(xué)得到了國際科學(xué)共同體的認(rèn)可[12]。霍金認(rèn)為，復(fù)雜性科學(xué)是21世紀(jì)的科學(xué)[13]。我們應(yīng)把復(fù)雜性當(dāng)作復(fù)雜性來處理，其言外之意就是說我們應(yīng)以復(fù)雜性本來的面目研究，而不要徒勞地把復(fù)雜性簡單化、還原化，這或許是解決復(fù)雜性科學(xué)問題的最有效的方法論[14]。

(二)深度學(xué)習(xí)與復(fù)雜性理論

各類機器學(xué)習(xí)算法的解析過程，揭示出知識發(fā)現(xiàn)更可能是一個非線性的混沌過程[15]。倘若我們依然從傳統(tǒng)的“還原論”出發(fā)，依靠單純的線性組合思維(亦稱為結(jié)構(gòu)化思維)進(jìn)行研究，勢必會導(dǎo)致人工智能系統(tǒng)的設(shè)計功能過于簡單，難以描繪智能的復(fù)雜內(nèi)涵。

深度學(xué)習(xí)是人工智能的一個典型應(yīng)用場景，它可視為是人類大腦思考過程的物化和工程化。如果我們希望模擬的是一個“類人”復(fù)雜系統(tǒng)，那么追求簡化的還原論，自然就無法有效指導(dǎo)深度學(xué)習(xí)達(dá)到目標(biāo)。具體說來，有如下兩個方面的原因：

(1)這個世界(特別是有關(guān)人的世界)本身是個紛紜復(fù)雜的系統(tǒng)，問題之間互相影響，形成復(fù)雜的網(wǎng)絡(luò)，這樣的復(fù)雜系統(tǒng)，很難利用一個或幾個簡單的公式、定理來描述和界定。

(2)在很多場景下，受現(xiàn)有測量和認(rèn)知工具的局限，很多問題在認(rèn)識上根本就不具有完備性。因此，難以從一個“殘缺”的認(rèn)知中，提取適用于全局視角的公式和定理。柏拉圖在《理想國》里就講到了一個經(jīng)典比喻——“洞穴之喻(Allegory of the Cave)”[16]。猶如洞穴人受限于鏈鎖一樣，會誤把他們所能感知到的投影于洞壁的影像(二維世界)，當(dāng)作真實的世界(三維世界)，洞穴人怎能基于一個二維世界觀測的現(xiàn)象，來歸納出一個適用于三維世界的規(guī)律呢[17]？

但幸運的是，我們已到了大數(shù)據(jù)時代，大數(shù)據(jù)為我們提供了一種認(rèn)知紛繁復(fù)雜世界的無比珍貴的資源——多樣而全面的數(shù)據(jù)。有學(xué)者就認(rèn)為，大數(shù)據(jù)時代之所以具有顛覆性，就是因為目前一切事物的屬性和規(guī)律，只要通過適當(dāng)?shù)木幋a(即數(shù)字介質(zhì))，就可以傳遞到另外一個同構(gòu)的事物上，得以“無損”全息表達(dá)[18]。

但對于這個復(fù)雜的世界，直接抓住它的規(guī)律并準(zhǔn)確描述它，是非常困難的。在一個復(fù)雜系統(tǒng)中，由于非線性因素的存在，任何局部信息都不可能代表全局。大數(shù)據(jù)時代有個典型的特征就是，“不是隨機樣本，而是全體數(shù)據(jù)(n=all)”[19](這里，n代表數(shù)量大小)，而“全體數(shù)據(jù)”和復(fù)雜性科學(xué)中的“整體性”，在一定程度上是有邏輯對應(yīng)關(guān)系的。深度學(xué)習(xí)所表現(xiàn)出來的智能，也正是“食”大數(shù)據(jù)而“茁壯成長”起來的，其智能所依賴的人工神經(jīng)網(wǎng)絡(luò)模型，還可隨數(shù)據(jù)量的增加而“進(jìn)化”或改良[20]。因此，深度學(xué)習(xí)可視為是在大數(shù)據(jù)時代遵循讓“數(shù)據(jù)自己發(fā)聲”的典范之作。如果說“大數(shù)據(jù)思維是一種復(fù)雜性思維”[21]，那么深度學(xué)習(xí)就是這個思維體系結(jié)出的碩果。

(三)深度學(xué)習(xí)與自主性

在計算機科學(xué)領(lǐng)域，傳統(tǒng)的計算機電子算法是將人類的知識和洞察轉(zhuǎn)化為一行行結(jié)構(gòu)化的程序。而現(xiàn)有的人工智能——具體體現(xiàn)為各種機器學(xué)習(xí)算法，表現(xiàn)大大不同，它們是由計算機自行從數(shù)據(jù)中發(fā)掘規(guī)律。這種自主性，讓計算機不再仰仗人類的智慧，至少不全部依賴于人的經(jīng)驗。舉例來說，AlphaGo的升級版AlphaGo Zero(譯作阿爾法元)，通過自我訓(xùn)練，以100∶0的戰(zhàn)績擊敗AlphaGo，便是一個有力的佐證。

復(fù)雜性科學(xué)認(rèn)為，構(gòu)成復(fù)雜系統(tǒng)的各個要素都自成體系，擁有自己的目標(biāo)和行為，也就是說，它們具有獨立的自主性和主動性，不像機械系統(tǒng)一樣只會被動接受。復(fù)雜性科學(xué)資深學(xué)者普利高津(Prigogine)更是認(rèn)為“復(fù)雜性就是自主性的別稱”[22]，他把復(fù)雜性等同于自主性。如前文所述，深度學(xué)習(xí)最具有革命性的特征，神經(jīng)網(wǎng)絡(luò)層次之間的特征抽取完全是自我學(xué)習(xí)完成的，這正是復(fù)雜性網(wǎng)絡(luò)自主性和適應(yīng)性的最好例證。

有學(xué)者證明，大數(shù)據(jù)與復(fù)雜性科學(xué)在世界觀、認(rèn)識論和方法論等諸多方面都是互通的[9]。復(fù)雜性是大數(shù)據(jù)技術(shù)的科學(xué)基礎(chǔ)，而大數(shù)據(jù)是復(fù)雜性科學(xué)的技術(shù)實現(xiàn)。而深度學(xué)習(xí)是一種數(shù)據(jù)饑渴型(data-hungry)的數(shù)據(jù)分析系統(tǒng)，天生就和大數(shù)據(jù)捆綁在一起[5]。在某種程度上，大數(shù)據(jù)是問題，而深度學(xué)習(xí)就是其中的一種解決方案。

深度學(xué)習(xí)為我們提供了一種新的機器學(xué)習(xí)范式(paradigm)，即“端到端(end-to-end)”學(xué)習(xí)方法，它把特征提取和分類任務(wù)合二為一，完全交給深度學(xué)習(xí)模型，直接學(xué)習(xí)從原始輸入到期望輸出的映射。這里“端到端”說的是，輸入的是原始數(shù)據(jù)(始端)，然后輸出的直接就是最終目標(biāo)(末端)。整個學(xué)習(xí)流程并不進(jìn)行人為的子問題劃分，而是完全交給深度學(xué)習(xí)模型，直接學(xué)習(xí)從原始輸入到期望輸出的映射。比如，基于深度學(xué)習(xí)的圖像識別系統(tǒng)，其輸入端是圖片的像素數(shù)據(jù)，而輸出端直接就是或貓或狗的判定。這個“end-to-end”的映射就是：像素→判定。再比如，“端到端”的自動駕駛系統(tǒng)，輸入的是攝像頭視頻信號(其實也就是像素)，而輸出的直接就是控制車輛行駛的指令(方向盤的旋轉(zhuǎn)角度)。這個“end-to-end”的映射就是：像素→指令。實際上，這種“端到端”的機器學(xué)習(xí)范式，就是深度學(xué)習(xí)作為復(fù)雜系統(tǒng)所體現(xiàn)出來的“整體性”。

表2所示的就是幾個流行的深度學(xué)習(xí)項目中的參數(shù)細(xì)節(jié)。我們知道，還原主義的實質(zhì)就是試圖通過研究各組成部分來理解整體。但從表2可見，深度學(xué)習(xí)網(wǎng)絡(luò)本身就是一個訓(xùn)練數(shù)據(jù)量巨大、調(diào)節(jié)參數(shù)數(shù)量巨多的復(fù)雜網(wǎng)絡(luò)。這些網(wǎng)絡(luò)之間的參數(shù)，呈現(xiàn)出“剪不斷、理還亂”的不可分割狀態(tài)，因此它無法滿足“從部分認(rèn)識整體”的認(rèn)知范式[23]。

表2　深度學(xué)習(xí)項目中的數(shù)據(jù)規(guī)模與網(wǎng)絡(luò)節(jié)點參數(shù)調(diào)整數(shù)量

此外，在復(fù)雜系統(tǒng)中，各要素之間緊密相連，構(gòu)成一個巨大的關(guān)聯(lián)網(wǎng)絡(luò)，存在著各種各樣的復(fù)雜聯(lián)系，各種要素組合起來會帶來新結(jié)構(gòu)、新功能的涌現(xiàn)，也就是說，整體往往會大于部分之和。而這個特性，與以“整體等于部分之和”的還原論背道而馳。

從上面的分析可知，深度學(xué)習(xí)具備特征抽取的自主性、網(wǎng)絡(luò)節(jié)點的多關(guān)聯(lián)性(難以找到一個線性結(jié)構(gòu)描述上億級別的參數(shù))、智能提升的涌現(xiàn)性等特征，這些都表明它是復(fù)雜性科學(xué)里面的一種技術(shù)實現(xiàn)。

四、結(jié)語

如今，我們之所以如此重視大數(shù)據(jù)，本質(zhì)上是因為大數(shù)據(jù)為我們提供了一種了解紛繁復(fù)雜世界的可貴資源。但是，倘若要從浩瀚的數(shù)據(jù)資源中挖掘出信息甚至智慧，則需要強有力的利器為我服務(wù)，而深度學(xué)習(xí)技術(shù)就是這眾多利器中的一種。目前，我們已經(jīng)步入到一個數(shù)據(jù)驅(qū)動的人工智能時代，在這個時代，數(shù)據(jù)成為智能模型的“燃料”，如何有效地燃燒這些“燃料”以獲取騰飛的動力，迫切需要科學(xué)的方法論來為之指導(dǎo)，否則就可能“南轅北轍”，工具越先進(jìn)，距離目標(biāo)越遠(yuǎn)。目前，在復(fù)雜性科學(xué)理論指導(dǎo)下的深度學(xué)習(xí)技術(shù)，依靠大數(shù)據(jù)資源，打造出了對這個世界理解的更加深刻的智能認(rèn)知模型。

但我們也要看到，深度學(xué)習(xí)是腦科學(xué)的一種“仿生”和類比，而腦科學(xué)的理論體系本身還遠(yuǎn)遠(yuǎn)沒有完整構(gòu)建起來，因此由這種殘缺式“仿生”帶來的智能，天生就不具備十足的代表性。此外，深度學(xué)習(xí)的可解釋性不足，也是其備受詬病的問題之一。因此，對腦科學(xué)研究成果的多樣性解讀還必須深入[23]，對更佳科學(xué)方法論的追尋還必須繼續(xù)。只有這樣，才能更好地引領(lǐng)以深度學(xué)習(xí)為代表的人工智能的研究與發(fā)展。