作为本轮人工智能热潮的关键技术，机器学习尤其是深度学习受到了热捧。一时间，人人嘴上挂着深度学习、神经网络等词汇，似乎不谈这一话题，便与智能时代脱节。

然而，无论开发者或科技企业，对深度学习恐怕存在一定误解。“如果问一下‘什么是深度学习’，绝大多数人的答案都会是：深度学习就是深度神经网络，甚至认为‘深度学习’就是‘深度神经网络’的同义词。”在2018英特尔人工智能大会上，南京大学计算机系主任、人工智能学院院长周志华直言现状。

这一观念其实是片面的。事实上，当前深度学习主流的深度神经网络模型本身，也存在着诸多问题。“吃数据，吃机器，对开发者门槛要求高。”当谈及当前模型痛点时，一位深度学习领域相关开发者向21世纪经济报道记者直言。另一位开发者则告诉21世纪经济报道记者，深度神经网络模型的效果稳定性也可能不如预期。

“Kaggle竞赛中有各种各样的任务，但在图像、视频、语音之外的很多任务上，比如订机票、订旅馆之类，还是传统机器学习技术（如随机森林或XGBoost）表现更好，尤其是涉及符号建模、离散建模、混合建模等问题。”周志华表示，“机器学习界早就很清楚‘没有免费的午餐’，也即任何一个模型可能只适用于一部分的任务，而另外一些任务是不适用的。”

这也就意味着，除深度神经网络模型之外，当前企学研界还有必要探索深度学习新的可能性。

痛点频频

深度学习是机器学习的一个技术分支。与机器学习其他技术流派所区别的是，当前以深度神经网络模型为代表的深度学习模型算法中，拥有许多层次，从而构成“深度”。

与传统机器学习方法相比，深度学习具有其优势。“如果以横轴为数据量，纵轴为模型有效性来看的话，传统机器学习模型随着数据量的增长而效果趋于平缓，深度神经网络模型则随着数据增长形成更高的有效性。”英特尔高级首席工程师、大数据技术全球CTO戴金权告诉21世纪经济报道记者。

之所以模型层级或说“深度”能够在近年来取得突破，源于神经网络中基本计算单元激活函数的连续可微性，导致梯度更加易于计算，而基于对梯度的调整，便可使用BP算法逐层训练出整个模型。

“2006年以前，人们不知道怎么训练出5层以上的神经网络，根本原因就是层数高了之后，使用BP算法的梯度就会消失，无法继续学习。”周志华介绍道，“后来Geoffrey Hinton做了很重要的工作，通过逐层训练来缓解梯度消失，才使得深层模型能够被训练出来。”

然而，正是因为深度神经网络模型是一个层级多、参数多的巨大系统，因此便存在海量的调参需求与相当的调参计算。“甚至有些技术工程师一天下来，其他的什么都没做，只是在调整参数，这是一个很常见的情况。”前述开发者向21世纪经济报道记者感慨道。

不仅是超量参数带来了调参难，随之也形成一系列问题。“比如，在做跨任务（例如从图像到语音）的时候，相关的调参经验基本没有借鉴作用，经验很难共享，”周志华表示。同时，结果的可重复性也非常难，“整个机器学习领域，深度学习的可重复性是最弱的。哪怕同样的数据和算法，只要参数设置不同，结果就不一样。”

此外，深度神经网络模型复杂度必须是事前指定的，然后才能用BP算法去加以训练。但这个过程中存在悖论：在没有解决任务之前，如何预先判定其复杂度？“所以实际上大家通常都是设置更大的复杂度。”周志华表示。

目前这一模型还存在许多别的问题，比如理论分析很困难，需要极大数据，黑箱模型等等。甚至有开发者向记者坦言，神经网络模型在有些领域应用很好，但在更多的领域，采用这一模型的效果不稳定，“如果样本数据量足够大，这一模型的准确率是很好的，但通常公司并没有那么多数据，计算也费劲。”

新的路径？

既然深度神经网络模型存在痛点，那么，在对其进行优化研究的同时，也不得不令人思考：是否存在其他深度学习模型的可能性？

这就涉及到深度学习的本质问题。事实上，深度神经网络的最重要的是特征学习（表示学习），即计算机能够自行学习原始数据的特征、提取特征并表达出来，而这背后的核心是逐层处理。“与传统机器学习技术相比，深度学习抽象级别不同，深度学习可能拥有很高级别的抽象。”前述开发者向21世纪经济报道记者解释道，“计算出特征之后还会继续计算特征的特征，最终放到模型里。”

另一个特质在于特征的内部转换。“例如，决策树也是一种逐层处理，但达不到深度神经网络的效果，就在于它的复杂度不够，同时始终在同一个特征空间下进行，中间没有进行任何的特征变化。”周志华指出。

此外还需要保证充分的模型复杂度。“只有增加模型复杂度，学习能力才可能得以提升。”周志华指出，“逐层加工、特征内部变换、充分模型复杂度，满足这三条的深度学习模型，便能够取得成功。”

就此，周志华尝试提出深度神经网络模型之外的方法：深度森林模型。据介绍，该模型是一个基于树模型的方法，主要借用了集成学习中的想法。“在许多不同任务上，它的模型所得结果可以说与深度神经网络高度接近。特别是在跨任务中，它的表现非常好，可以用同样一套参数，不再逐任务调参。”周志华指出。

“深度神经网络的底层是以神经网络为基础，进而扩展层级深度，深度森林也是类似的概念。”一位南京大学相关研究人士向21世纪经济报道记者表示，“在深度神经网络模型中，堆叠了大量神经元，而深度森林里，每一层神经元的位置变为森林。数据样本通过每个森林得到一个预测结果后，将结果作为下一层的输入。”

这样做的好处是，每经过一层“森林”，机器都会自动判断模型是否收敛，一旦达到正确性要求，模型就不会继续计算，“所以模型是可控的。”前述研究人士向记者强调，“深度神经网络则是必须把层级定好，然后利用算法求梯度。深度森林不需要优先制定层级，走了一定层级之后看验证效果，好的话就不用往后走了。”因此，它对计算资源的要求也不大，“在CPU上就可以跑。”

当然，作为一个最新提出的模型，深度森林还在接受各方的讨论。“就算法本身而言，虽然在训练效率、可解释性方面优于神经网络，但在超大数据下未必能达到或者超过深度学习中的CNN（卷积神经网络）。”一位业内人士向21世纪经济报道记者直言，“不过，这一理论的最大贡献可能在于，提出了一种有别于深度神经网络的深度结构，从而打破了业界对神经网络的迷信，为研究者提供了一个新的思路。”（编辑：张伟贤）