AI圈推特紅人，Keras框架的作者Fran?ois Chollet又搞大新聞了！近日Fran?ois Chollet在推特上發(fā)推稱：“深度學習研究已經(jīng)進入了瓶頸期。將深度學習應(yīng)用于解決現(xiàn)實生活問題的應(yīng)用正在迎來一個大爆發(fā)?！?/p>

這條推特下很快獲得了上千個贊、數(shù)百轉(zhuǎn)發(fā)，以及一系列熱烈討論。從回復(fù)中看，不少回復(fù)者（尤其是產(chǎn)業(yè)界人士）認為，“深度學習進入平臺期”的提法值得商榷，雷鋒網(wǎng)節(jié)選了其中幾條：

Buzzfeed首席數(shù)據(jù)科學家、哥倫比亞大學客座助理教授Adam Kelleher：

會不會這只是社交網(wǎng)絡(luò)造成的樣本偏差？

Machinebox.io創(chuàng)始人David Hernandez：

在我看來在“實際問題”的應(yīng)用上還是很有限。我和不少人聊過，他們往往做的是Chatbot、欺詐檢測或者推薦這三類應(yīng)用之一。

愛丁堡大學助理教授、艾倫·圖靈學院Fellow Charles Sutton?：

我們能不能先討論整個深度學習的繁榮時代是否已經(jīng)到來？

Google Research研究員David Berthelot：

我覺得如果你寫一篇長文章來解釋一下，為什么你認為現(xiàn)在的深度學習已經(jīng)進入平臺期，這對于我和其他讀者來說更有啟迪性。

CarrerBuilder大數(shù)據(jù)首席研究員Faizan Javed：

增強學習難道不是新的熱點嗎？

而Google Cloud機器學習負責人斯坦福大學副教授李飛飛則贊同F(xiàn)ran?ois Chollet的觀點，但同樣表示深度學習還有很長的路要走：

同意！大浪淘沙，最后只有少數(shù)工具青史留名；學無止境，（深度學習）無論在智力、人力或機器設(shè)備方面，都還有很長的路要走。

那么其他人怎么看呢？雷鋒網(wǎng)就深度學習的理論研究進展與實際應(yīng)用趨勢征詢了若干專家的意見：

微軟亞洲研究院主任研究員鄭宇表示，深度學習爆發(fā)的瓶頸在人工智能技術(shù)與傳統(tǒng)行業(yè)的對接：

我部分認同這個觀點。目前的數(shù)據(jù)、技術(shù)和基礎(chǔ)設(shè)施確實已經(jīng)成熟，可以迎來未來應(yīng)用的爆發(fā)，但能否爆發(fā)的瓶頸可能不在技術(shù)本身，而在于人工智能技術(shù)與傳統(tǒng)行業(yè)的對接。AI的未來不在IT業(yè)，而在于AI跟廣大傳統(tǒng)行業(yè)的融合，如交通、規(guī)劃、能源、環(huán)境、物流、制造和金融等。AI從業(yè)者需要學習傳統(tǒng)行業(yè)知識，理解傳統(tǒng)業(yè)務(wù)的邏輯和痛點，并懂得用傳統(tǒng)行業(yè)的語言跟行業(yè)專家對接。既要幫助革新傳統(tǒng)行業(yè)，也要懂得尊重傳統(tǒng)行業(yè)，這需要有很強綜合實力的數(shù)據(jù)科學家。此類復(fù)合型人才的培養(yǎng)非常困難、周期長、且不容易量產(chǎn)，可能會成為制約AI大爆發(fā)的真正瓶頸。

地平線機器人創(chuàng)始人、前百度研究院副院長余凱對雷鋒網(wǎng)表示，深度學習理論研究的主流架構(gòu)會收斂，很難有革命性的理論突破：

基本認同這一觀點。未來學術(shù)研究還是會基于當前研究持續(xù)進行，但是不會有革命性的，大家的主流架構(gòu)會收斂，所以后續(xù)的重點是深度神經(jīng)網(wǎng)絡(luò)在各個具體應(yīng)用場景的落地部署。

密蘇里科大助理教授傅衍杰則用PHP框架化編程類比現(xiàn)在這一波深度學習：

基本同意這兩個觀點。類似web系統(tǒng), 當年P(guān)HP大行其道，就是因為許多人用PHP編程語言，基于MVC的設(shè)計模式，設(shè)計了許多web編程框架?，F(xiàn)在，深度學習也類似的涌現(xiàn)了許多編程框架 ，比如Tensor flow, Theano, Keras, Torch等等。這些框架使得Deep Learning變得更加易用，實現(xiàn)起來的編程工作量更小，出現(xiàn)錯誤的可能性更低。所以深度學習的確進入了一個平臺期。

結(jié)合數(shù)據(jù)挖掘的研究思路，深度學習通過層次化的學習模型，對研究對象進行表征學習，等于使用隱式的辦法去完成表征這一步驟。所以，深度學習是可以放入感知-表征-建模-應(yīng)用，這么一個很實用也很接地氣的解決問題的思路中的。

華為諾亞方舟實驗室研究員李震國認為，理論往往是超前于應(yīng)用的，計算能力的提升和大數(shù)據(jù)的出現(xiàn)正是印證了之前算法和理論的有效性：

我同意他的觀點。不是理論取得了突破，而是算法的有效性由于計算能力的提升和大數(shù)據(jù)的出現(xiàn)獲得了驗證。應(yīng)用會一直是機器學習的重點，同時理論和可解釋性會一直被探索。除了GAN, deep meta-learning也值得關(guān)注。

密歇根州立大學助理教授湯繼良認為，深度學習工程化的門檻越來越低，而理論的門檻越來越高：

深度學習正在兩極化。大部分甚至越來越多的深度學習的人會偏向于工程化。包括建立更加全面便捷，快速甚至可視化的深度學習平臺，和adapt 甚至暴力地將深度學習應(yīng)用到更加多的領(lǐng)域。小部分的深度學習研究者會偏向于理論化：解決深度學習的理論瓶頸包括可解釋性等。一個正在發(fā)生的趨勢是：工程化的門檻越來越低，而理論的門檻越來越高。所以我還是基本認同他的觀點 ，但是我們也非常地期待深度學習理論上的突破。

中科院自動化所副研究員張家俊認為，深度學習還未有真正的爆發(fā)性大規(guī)模成功應(yīng)用：

我對深度學習理論沒深入研究，無法判斷理論研究的趨勢，不過在應(yīng)用方面，顯然深度學習還未有真正的爆發(fā)性大規(guī)模成功應(yīng)用，我覺得在各種實際應(yīng)用問題中爆發(fā)應(yīng)該是一個趨勢。在應(yīng)用方面，關(guān)鍵的是針對特定應(yīng)用，理解該領(lǐng)域的數(shù)據(jù)、場景和背景知識，選擇合適的深度學習方法，而不是魯莽地拿來即用。

結(jié)語

雷鋒網(wǎng)認為，如果從歷史的發(fā)展來看，當前深度學習領(lǐng)域的經(jīng)典算法和理論往往都是已經(jīng)提出了一段時間，而隨著計算能力和數(shù)據(jù)規(guī)模的發(fā)展，這些經(jīng)典理論和算法逐步得到了驗證。如果從深度學習的問題和挑戰(zhàn)、以及解決問題的思路來說已經(jīng)發(fā)展得比較完備，因此說深度學習“進入平臺期”也是不無道理。但從另一個角度看，進入“平臺期”的可能是一些深度學習的經(jīng)典問題，但如果對于這些經(jīng)典問題繼續(xù)深入研究，或許能夠從中發(fā)現(xiàn)之前沒有想到的解決方法（例如，在ImageNet圖像識別上，在Alex Krizhevsky用GPU死磕將效果大幅度提升之前，大部分人應(yīng)該都不會想到AlexNet）。正如李飛飛所言，學無止境，深度學習還有很長的路要走 。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。