关于深度学习的误解与澄清

教育领域误解、误用。为解决人工智能时代深度学习混淆视听的现状，努力从计算机科学、教育学、心理学、认识论哲学、逻辑学五个维度探讨深度学习，从深度学习的主体、世界权威期刊的讨论、浅层学习、算法概念、认识论哲学、认知心理学、逻辑学等方面澄清对深度学习的误解与误用。教育领域亟须认清这一现实：无论出于何种目的，计算机研究领域的深度学习绝不能混淆于教育领域的深度学习，当前对深度学习的误解，把计算机研究领域“算法对未知输出作出的预测”（机器领域的学习）误解为“人类的心理及行为的变化”（人类学习）来进行研究，严重违背科学求真求实的基本精神。为杜绝望文生义、混淆视听，教育领域应以深度认知（思维结果）来区别于计算机领域的深度学习（算法结果）。在人工智能时代，对深度学习及时进行澄清，有助于夯实理论基础，更好地服务于未来人工智能教育应用研究。

[关键词] 深度学习; 人工智能; 认识论; 深度认知

[中图分类号] G434            [文献标志码] A

一、问题的提出

随着人工智能研究的再次兴起，与人工智能（Artificial Intelligence，简称AI）技术相关的理论、技术、方法的研究也备受瞩目，其中，深度学习（Deep Learning，简称DL）作为机器学习中的一种学习模型[1]，是人工智能技术中新兴的多层神经网络学习算法[2]，用于计算机研究领域对数据进行表征。然而，深度学习又是教育研究领域的一种概念，并且该概念在计算机研究领域和教育研究领域存在认识上的巨大分野，但在教育研究领域的深度学习至少具有22种不同的表述，存在“主观认同”的问题，更不具备说服力。为何关于深度学习的概念会在不同领域出现。而作为概念本身而言，是对事物本质属性的表征，为何深度学习概念表征着不同的属性。关于计算机研究领域和教育研究领域的深度学习概念，是盲目引入的“望文生义”所致，还是概念间的混同与歧义[3]。在当前教育研究领域中，如何避免这种误解、误用。细数各种疑问，对深度学习的误解、误用与澄清事实则成为关键。

二、深度学习何以误解误用

从深度学习的萌芽与背景、国际权威期刊《科学》上深度学习的概念、浅层学习的含义、计算机领域的深度学习（算法概念）、教育领域的深度学习概念、国内外对深度学习的认识等多方面讨论深度学习。

（一）深度学习的主体是机器学习，即研究关于机器学习中的深度学习，并非人的深度学习

普遍认为，最早的人工智能研究始于1956年[4]，图灵测试亦旨在证明计算机能够具有智能[5]，在此背景下，塞缪尔（Samuel）于1959年设计了象棋程序，该程序经过改进后实现具备学习的能力（实质上是程序的数理逻辑映射），机器学习的萌芽就此产生，其中，机器学习（Machine Learning，简称ML）是指根据给定的训练样本要求，对某系统输入、输出之间依赖关系的估计，使它能够对未知输出作出尽可能准确的预测[6]，但早期人工智能基于对程序设计的执行，机器学习究竟结果（数理逻辑映射结果）如何？即计算机对输入信息的训练结果如何，这一思维是深度学习产生的重要来源。20世纪80 年代，随着计算机技术、程序设计的发展，受脑科学研究的啟发，诞生了人工神经网络（Artificial Neural Network，简称ANN），用于模拟人脑对事物的思考方式[7]，ANN的每一网络节点都具备特定的函数Sigmoid，其功能是成为神经元的激活函数，神经网络能在大量训练样本中发现（学习）一定的统计规律，这一功能表明机器是可以“学习”的，对“学习结果”反馈的算法表征，被称为人工神经网络反向传播算法（Back Propagation，简称BP算法），但BP神经网络的实际使用中，收敛速度较慢、且易陷入局部收敛[8]，收敛速度慢和局部收敛本质上是受限于算法技术和网络隐含层级的缘故，受到影响的“学习”（训练结果）被称为浅层学习（Shallow learning），后期经过发展后的多隐藏层的人工神经网络所表现的结果，则是深度学习。由此，深度学习是指“机器学习”（计算机研究领域）中关于“机器的深度学习”，且此时深度学习作为算法概念存在于计算机研究领域。

（二）国际权威期刊《科学》关于深度学习的文章，探讨计算机领域的深度学习

2006年，《科学》刊发Reducing the dimensionality of data with neural networks（利用神经网络降低数据维度）一文，讨论了浅层学习达到深度学习的方法，即利用多层初始化的方法，对数据难度进行降维处理[9]。该研究提出了包含多个隐藏层人工神经网络和逐层初始化的办法来进行数据降维的处理方式。权威期刊探讨深度学习的理论与实践，具有主流性和代表性，其并非指教育领域的深度学习，而在主流期刊正名，深度学习是计算机领域的概念。

（三）区别于深度学习的浅层学习（Shallow Learning）是针对训练结果的描述，教育领域的浅层学习（Surface Learning）值得质疑

由于早期ANN对大量（通常为千亿级）样本的训练出现困难，相较于深度神经网络（Deep Neural Network，简称DNN）所表现的结果，研究人员将支持向量机（Support Vector Machine，简称SVM）、最大熵方法（Maximum-Entropy Method，简称MEM）等训练的结果，视为机器学习的浅层学习。《科学》杂志对深度学习的讨论，是为解决ANN难以达到深层次训练的弊病，利用DNN训练，采用层级式训练（Layer Wise Pre-Training，简称LWPT）方式来降低难度，进而达到深度学习，而浅层学习就是ANN训练结果的描述。从历史范畴下，浅层学习、深度学习提出的年限来看，计算机研究领域的深度学习更容易得到认可，深度学习技术发展时序如图1所示。

推荐访问:澄清 误解 深度 学习