摘要：如今每个人都在学习或打算学习深度学习，但其实深度学习只是人工智能-机器学习领域的极小一部分。深度学习本身存在的“只会学习所有数据，不会否定任何数据”的缺陷会导致坏数据样本引发的偏见偏误，使其很有可能被新一代的人工智能科技所取代，可以说深度学习并不是人类可创造的人工智能科技的终点。
深度学习的火热是世界有目共睹的，但绝大多数人仿佛迷失在这种过热中，忽略了深度学习其实只占机器学习领域的1%，而机器学习又只占人工智能领域的1%，余下的99%则被用来处理实践中的绝大多数任务。
人工智能领域存在着“深度误传”。深度学习绝不是人工智能的同义词，深度学习专家也无法与人工智能专家划上等号。大众误以为所有人工智能的突破都由深度学习实现，可能部分是由于Google、FB等公司宣传的最多的人工智能工具主要是深度学习。可事实远非如此。媒体暗示AlphaGo的成功全部归功于深度学习，但其实它是蒙特卡洛树搜索+深度学习。
深度学习的致命缺陷在于它只是简单地相信训练数据，而无法辨别训练数据本身的真与假、善与恶、现实与想象、公平与非公。深度学习会学习并模仿最具缺陷的逻辑，包括恐怖主义。其决策会比训练数据的平均样本包含更深刻的偏见，如种族歧视、性别歧视。而且深度学习模型是机器学习算法中最难测试、检测、控制和调整的。这个问题很难解决，这引起很多深度学习实验突然取消，从聊天机器人变得纳粹化、充满仇恨，到美图软件中给黑人照片美白。你无法通过训练后打补丁来修复一个带有偏见、种族歧视的深度学习模型，而必须使用全新的、完全公正的、稀有的数据对该神经网络进行重新训练。总之，深度学习只会学习和模仿所有数据，但不会否定任何数据。
深度学习有一天会过时，当可解释的AI流行，深度学习将会被抛弃。
深度学习也缺乏绝对的稳定性，至少相比于人类。对抗样本的使用可以轻易使深度学习系统出错，比如为一张猫图加上一些特殊的噪点使机器把它误认为是不相关的东西。更危险的是，如果街边的路牌被对抗样本黑掉了，自动驾驶将不再安全。所以，新一代的人工智能系统必须克服这些问题，同时它也将取代深度学习。
我们可以选择等待下一代人工智能系统的兴起，直接跳过深度学习1.0时代。同时最好深入了解人工智能及机器学习领域的知识，而不仅仅是深度学习。
愈火热，愈需要冷静思考。
