1樓：googol
深度神經網路的缺陷是明顯的，但對於缺陷的批評不就等於正確。就藉機說說馬庫斯關於先驗知識的那一部分。
人腦有沒有先驗，幾乎可以肯定是有的。但我們必須要搞清楚，現在AI發展處於乙個什麼樣的階段。
現在我們對於智慧型，學習的理解，還不能抽象為普適的，可以用數學工具定量描述的理論。換句話說，我們不知道，諸如邏輯，欣賞，批判這些人類日常中常見的心理現象，是如何一步一步從最基本的神經細胞組織而產生，更遑論去證明乙個電腦程式等價於人腦的神經演算法。（事實是很可能壓根就不是）
那麼現在AI研究要幹些什麼呢？應該是發掘基礎的神經編碼方式，從其中獲得啟發，在計算機中重新構建。典型的例子就是深度學習是從大腦的層級編碼中獲得啟發。
因為一種編碼方式越基礎，它的假設就越少，在某種意義上它就允許更多的可能的組合和修改，它就越普適，那在不明白具體原理的前提下，將它運用於我們不那麼熟悉的地方就越容易成功。（人腦結構和經典計算機天差地別）
進化是乙個笨拙的鐘錶匠，我們在構建人工智慧是必須分清楚什麼是重要的，什麼是不重要的,而不能不加選擇的吸收。況且，進化無法解釋為什麼人類的語言，數學能力可以在如此短的時間突飛猛進。這都指向了，人腦的學習機制是極為普適的，極為強大的。
在這種意義上，發掘普適的學習演算法，比先驗知識要更重要，因為先驗知識適配人腦固有結構，可能不適配電腦的硬體，你如何期望先驗知識輕鬆應用到人腦成為可能？
另外，關於邏輯推理說一點，邏輯推理的基礎是要概念，你現在怎麼抽象出日常生活中的概念？硬要說更接近人腦編碼一件事物發生會導致另一件事物發生的概率，我覺得就神經機理來說還不如霍普菲爾德網路像人腦。
2樓：理查德帕克
個人覺得是有道理的，Gary Marcus是搞認知科學出生的，現在的人工智慧演算法大部分是由計算機科學家和統計學家發展的，人工智慧的根本目的是模擬人的思考，學習的過程，從而達到類人的主動思考和學習的能力，目前的演算法裡，概率圖模型希望模擬人決策的過程，但是缺乏資訊和特徵抽取，很多概率圖的構建需要人為設定，也就是人先定了圖模型，然後再用資料去學習固定的模型引數，深度學習主要擅長特徵抽取，但是缺乏推理能力，這不是說它不會決策，而是決策的過程很難像概率圖那樣可以解釋，而且目前深度學習也只是在區域性的一些領域，比如影象，語音等領域有較大提公升，近幾年也有陷入瓶頸期的跡象，突破越來越少，所以hinton老爺子才想變革神經網路單元的結構，我認為這是正確的道路，人工智慧需要更多的認知科學與神經科學，甚至醫學的人加入，先去探索人自身的思考學習過程，再去構建模擬系統，只靠計算機和統計，總感覺像是摸著石頭過河，區域性領域可以做的不錯，卻沒辦法做通用的人工智慧，DL或可成為通用人工智慧的乙個模組，絕不可能是全部。
3樓：
這種羅列兩年前就總所周知的觀點也能稱之為系統？
講道理本質的東西可能就兩三點，為了湊個數湊出這麼多表面的問題也是辛苦了
怕不是笑掉大牙
真正的系統批評只有在你能夠分析其本質，然後給出解決的希望的時候有意義這種批評
毫無意義
4樓：Real Eldorado
他好像是做Bayes的,所以批評都是針對深度學習暫時的弱點和Bayes所claim的強項來的.
不可否認現在深度學習最主要的問題是在transfer learning 和 lifelong learning, 也就是怎麼結合從過去經驗中提取的 learned prior 去完成更複雜的任務.
但我個人的觀點是, Bayes更做不到這些.
5樓：凡心
目前的深度學習還沒有在神經網路
重用問題上有更革命性的進步，這阻礙了，神經網路在·演繹歸納
概念學習
自組織無監督特徵關聯
動態時序處理
運動與控制
等方面的進步。
6樓：MaLong碼龍
怎麼說，Gary Marcus 也是Uber AI 實驗室的主任，發過Science 和 Nature 的狠角色，聞者足誡，有則改之無則加勉的態度應該有吧。
7樓：
深度學習其實沒有深度。本來ConvNet（LeNet）只是提出乙個很基本的東西。這個東西被不求甚解的濫用了，在設計上採用最小的人工決策，得到了VGG。
本來應該歇一歇，好好研究一下如何前進。但是突然冒出一堆Hacker，搞了ResNet什麼的，嚴重違背神經網路的初衷，從此深度學習的急功近利性和反科學性日益嚴重。最後就變成街頭賣藝的了。
8樓：MindHiking
再說兩句吧：
我認為好的模型應該摒棄過強的先驗假設，可以參考一下最大熵原理。在這方面顯然DL是進步的，然而依然還是有很大的改進空間。
固然這些工作體現了研究人員的智力貢獻，但我認為跑偏了方向。讓永恆的奧卡姆剃刀指引我們吧。
……假裝有分割線……
這哥們是專業一生黑DL，一些論調也是翻來覆去的講。
沒看過的可以看看，但是還是要有自己的判斷，很多論點在我看來站不住腳。
刷sota可以刷聲望，批dl一樣可以刷聲望，哈哈。
9樓：張大帥
毫無意義。
有本事用非deep方法做出deep的效果，沒本事就別bb。
只會批判實踐者的缺陷，卻做不出任何實質性改進，連批判的內容也都是引用業界人所共知事實，筆下雖有千言而胸中實無一策，只會引經據典，大言不慚，我從未見過如此厚顏無恥之人！
10樓：
1. 截至目前，深度學習依然對資料很飢渴
2. 截至目前，深度學習還很膚淺，遷移能力有限
3. 截至目前，深度學習還不能自然處理層級結構
4. 要用深度學習搞定開放式推理，仍需努力
5. 截至目前，深度學習還不夠透明
6. 深度學習還未與先驗知識結合
7. 截至目前，深度學習還不能區分因果和相關關係
8. 深度學習假定世界大體穩定，但實際上並不是這樣
9. 截至目前，深度學習只是一種近似，不能完全相信其答案
10. 截至目前，深度學習難以工程化
看完上面10條深度學習面臨的挑戰和問題，經過仔細思考的你應該明白深度學習能做什麼，不能做什麼。在自動駕駛領域，我們用深度學習是用來做感知的（即影象或者三維點雲資料的物體識別、物體分類、物體跟蹤等），至於自動駕駛的路徑規劃（控制）反而沒有過多的使用深度學習來進行策略規劃。
其實上面這個自動駕駛的例子，已經很好地囊括、濃縮了上面10條建議的思想。
Gray Marcus
深度學習可以用來做影象分析，因為我們有大量的資料給模型訓練學習，它是乙個模擬的過程，在機器學習裡面我們稱之為有監督學習（Supervised learning），這一類的學習能夠很好地逼近我們的目標，這裡假設沒有過度擬合的前提下，那麼最終效果確實能夠做的不做，但是也僅限於感知，因為感知不涉及到決策，所以它有缺陷，我們是可以接受的。但是在控制方面如果出現了缺陷，我麼就需要知道為什麼造成錯誤，而且我們現在更希望有一樣東西，能夠真真正正做到能夠像人類那樣去思考，也就是所謂的真正的人工智慧。可惜，暫時還沒有出現。
其實我個人覺得2023年年末Gray Marcus對深度學習的評判並不完全正確，因為深度學習知識人工智慧領域中機器學習的乙個分支。即人工智慧 > 機器學習 > 深度學習，所以我們在談深度學習的時候，不要過度的期望深度學習能夠處理人工智慧的東西，例如推理、例如處理等級關係等等。理智使用深度學習技術，有些工作還是得由無監督學習去做，有些工作得由有監督學習去。
我們得分清楚。
記得前兩天跟一家自動駕駛公司的技術總監談論車道線識別的精度問題，那哥們說：「你說你現在車道線做到99%的精確率我怎麼可以相信，你要知道，你們找車道線的特徵是乙個模擬過程，你們資料越多，模擬得越好，但是在開放場景你這個精度就不靠譜。」
我當時心裡就呵呵了：「我們的車道線演算法是無監督學習，特徵是通過高斯模型建模出來的，不是用找特徵的方法，因為找特徵的方法就像你說的那樣。」所以有些問題，我們還是得用回無監督學習的演算法去處理，雖然深度學習很牛，但是不能當它是神，什麼都想往裡面套。
如何評價Damon DanceForMe 對流浪地球與星際穿越雙標並關評的行為？
怎麼看？知乎又不缺這樣靠雙標掙流量的人，而且在其他地方更多。有自己想法的一笑而過 嗯，和我認為的一樣 他怎麼這樣想，明明 沒有自己想法的 哦，原來這是臘雞 哇，這是完美的作品 他啥都會，不僅影評。軍事，天文，地理，機車 答案很多時候都是一句 你們這幫屁民！重要的是，他還真回答這個問題了。所以，他的臉...
如何評價The Chainsmokers對於Lady Gaga新專《joanne》的言論？
清水的秘密 坦誠來說，作為一名鱉屎我確實有點無語，就算gaga新歌不好聽，菸鬼用得著人身攻擊她說她是變性人嗎，後面打臉又撕麻辣雞？其實gaga風格一直在變，新磚的歌我依舊很喜歡，各人喜歡不同，請學會起碼的尊重 東央 原先的回答被舉報了 如上 本來覺得回答這個問題就是希望大家可以把注意力放在藝術家的作...
如何評價電影《對她說》？
乙隻慵懶的洋 這個電影看完讓人心痛，弓雖堅沒有反抗能力的植物人！女孩多麼無助，那個便太認為自己對女孩是愛，他不知道女孩如果懷孕有可能會s嗎！愛她就是讓她面臨生命危險？不管電影藝術水平多高超，美化犯罪都是對受害者的不公平，靠美化畸形的心理去迎合人們 審美底線 是會給一部分人帶來刺激，甚至是填補性的享受...