下载掌阅APP，畅读海量书库
立即打开
深度学习是神经网络的一种，其定义很明确。接下来的解释稍微有些专业，但涉及核心部分，请耐心读下去。
首先，作为最古典的神经网络，感知机的结构非常简单，如同一块三明治，由输入层、中间层和输出层3层组成，中间层夹在输入层和输出层之间，大概可以理解为“提问（输入）→思考（中间）→回答（输出）”的形式。
相对而言，深度学习更加复杂，其特征是像千层酥一样，具有5层以上的多重结构。举个例子，假如在一个系统中输入猫的照片，它回答“这是猫”，那么除了输入层和输出层之外，它至少具有3个中间层，人们将此类层层重叠、具备“深层结构”的AI的学习叫作深度学习。目前，拥有超过100层的深层结构的AI屡见不鲜，我的研究室设计的深度学习模型也不例外。
深度学习的图像识别的优越之处在于，它不需要“概念”。此前的AI在识别“猫”这种事物时，必须学习猫的特征，人们将“耳朵呈三角形”“眼睛是圆的”“全身有毛”“有尾巴”“靠四条腿活动”等各种各样的特征告诉AI，也就是说把“猫”的概念教给AI。
但是，深度学习模型只需要观看大量猫的图像即可，没有解释说明，不论顺序前后，甚至连一句“地球上有一种叫作猫的动物”都不告诉它，仅仅一味地让它看图像。严格说来，人们没有“教”它。
深度学习与以往的学习方法南辕北辙，仔细想一下，它反而和人类婴儿的学习方式相同。婴儿生来没有知识储备，五官暴露在五花八门的信息中，渐渐注意到狗、勺子等事物的存在，然后周围的人才教他们“那是小狗狗”之类的话。
同理，在深度学习中，AI沉浸在数量众多的图像中学习，结果自然而然地察觉到某种事物的存在，然后人类告知它该事物的名称，如“那是猫”。学过一次后，即便是初次见到的图像，只要画面中出现了猫，它就能推测出图中有猫。猫不一定位于图像的中心位置，哪怕只在画面的一角显露出一小部分身影，它也会反馈猫的存在。
人们进一步优化上述过程，向AI发出指令：“我想要猫的图片。”AI便提供相应的图像：“这是你要找的东西。”这样的AI就是生成式AI。
当然，AI实际上并不知道在人类世界里生活着一种动物叫作“猫”。看到图像时AI回答“这是猫”，那不是AI本身有意识的回应。
说来话长，计算机的本质只不过是处理数字而已，它不知道“猫”这个词。换句话说，看见猫的图像时，它并未认识到“这是猫”，仅仅做出了抽象的回答，比如“这是编码238”。
无论图像中是什么品种的猫，计算机都会给出238这组数字，人类进而教给计算机“你所说的238在人类语言中叫作‘猫’”，AI才能回答那张图里是猫。
总之，计算机只负责数字的罗列，它仅仅判断“图像中显示了属于编码238的物体”，人类为其贴上“猫”的标签后，编码才获得了现实意义。像这样，为数字的罗列赋予意义的工作叫作“标注”（annotation）。离开了标注，AI就是一台普通的计算机，这一点至关重要。
人类教给AI意义，AI才能成为对人类有用的东西，而并不是说AI本身可以自动地对人类有用。只有人类与AI协同工作，AI的好处才能体现出来，否则AI将没有价值，这在接下来的讨论中不容忽视。