Contents ...
udn網路城邦
原來深度學習就是湊答案?
2020/08/04 14:36
瀏覽950
迴響0
推薦5
引用0

『數學 深度學習 Python 三效合一』

深度學習用一句話就可以講完:『用訓練的方式找出一個數學函數,將輸入的資料映射到正確的答案』。重點就在於你如何找出那個對的數學函數!本書將深度學習的數學模型與運算式推導出來之後,還能實際執行 Python 程式幫助瞭解整個運算的過程。

-----------------------------

上面是一本在網路書店排行榜上名列前茅,介紹深度學習的書,以及網頁上商品描述的第一段文字!應該就是作者或譯者對於深度學習的核心認知吧?寫得相當直白!深度學習是完全不在意:物理、化學、生物、或任何領域的科學原理的,重點就只是找到「資料」與「答案」之間的「數學」模型!

確實,要將複雜的事實現象的所有成因一一研究清楚,是非常遙遠的科研之路,如果可以利用大量資料與其已知結果找出其中的數學模式,就可以跳過漫長的研究之路,直接作很多應用與預測了!多好?在我們的科學還沒無所不知之前,這種技術確實會有一定的階段性貢獻。

但這不是一個新的點子!陰陽五行、八卦占卜、紫微斗數、命理八字、星座運勢等等都是古人面對大量無法解釋的自然或人文現象時,盡量使用經驗資料推算出來的數學模式。差別只是現在我們有電腦可以快速計算,可套用組合的數學公式種類也較多了,數位資料更是多到爆!所以「算命」可以算得更準了!

但是深度學習顯然還是沒有擺脫算命(也就是統計學)的本質,它們或許可以找到準確率很高的模式,但對於原因與過程還是一無所知!就像中醫的經脈理論就是一種不是直接奠基於人體解剖學的醫學模式,它確實可以運作得不錯,中醫都用了幾千年了!但是你無法直接找到實體的「經脈」作進一步的觀測實驗,作更精準計量的科學研究,它能作到的醫學貢獻大概現在就是極限了!

也因為這種數學模式的所有成因我們並沒有完全理解掌握,只知道舊資料顯示「都會這樣」!所以當一個新的變因加入事實現象時,這個模式顯示的推測結果可能就會變得不準了!而且你還無法分析原因,因為你自始就不是在研究事實現象的成因,只是研究資料到答案之間的數學模式,所以你只能拿包含了未知新變因的資料與答案重新「訓練」一次,找出新的數學模式,也就是算出五行八卦的更新版!

大家看出這中間的缺點與危機了嗎?這其實是個「忽視科學」的技術概念!只有數學模式與答案重要,事實現象為何如此?的科學成因根本不在這種技術的考慮範圍之內!前面說過,如果我們實在來不及將某些現象的所有科學成因與過程研究清楚,又急於判斷預測合理結果時,「最準」的數學模式當然很有用!就像考試時真的沒把握的題目,我們都會作最可能的猜題,譬如根據統計這位老師出題時,答案B的機率最高等等,這是有必要的!

但是把他們稱為研究人工智慧的主要「利器」,甚至說是AI未來發展的「核心」技術?我就覺得太離譜了!他們沒這麼重要,當我們對於某些事實現象的科學知識夠多時,根本不必「猜題」的!直接分析問題作出最合乎科學原理的解答就好了!就像我們只有被連警察都無法抓到的惡鬼騷擾時,才會不得已找道士乩童或神父驅魔,如果是知道科學成因的問題,一定會準確地用科學方法解決,不必去算命找道士的!

最終,準確的科學知識才是人工智慧最堅實的基礎,絕對不會是深度學習摸索出來的數學模式!但是如果我們一整個世代的人都相信機器學習與深度學習是發展AI最重要的技術,那就會造成學習與研究資源的嚴重偏斜與浪費!希望大家可以快點認清這個事實,從機器學習到深度學習的本質,就跟傳統的算命是一脈相承的!他們一定有價值,但不會是我們可以長久依賴的AI研發重點技術。

所以,合理的人工智慧研發重心一定是直接解析人的智慧運作過程與事實現象的科學成因,然後將他們數位化(量化)→數學化(演算法)→程式化!變成可以準確使用、維護與更新進步的軟體。只有對於實在所知甚少的資料現象,才應該使用機器學習與深度學習,尋求一個暫時堪用的解答方式。科學研究與機器學習兩者在AI發展過程中應有的主從關係至為明顯,後者絕對不應該佔用掉大部分的研究資源!投資於此太多的人一定會後悔的!

有誰推薦more
全站分類:知識學習 科學百科
自訂分類:不分類

限會員,要發表迴響,請先登入