我们如何“深度学习”

目前，机器的人工智能被推向了风口浪尖，我们对机器未来是否会取代我们产生了巨大的焦虑感。为什么会这样？因为这次的机器跟以前不同了，以前的机器只是替代了（实际上是解放了） 我们的手和脚，但现在机器要来替代我们的大脑了，人工智能技术赋予了机器更高级别的能力——学习。

你看连机器都在学习了，而且效率高的惊人（看阿尔法狗就知道了）。所以，我们不得不承认的一个事实：

世界是在加速地向前奔跑。

为了不被我们所处的世界甩在后面太多，唯一的办法就是学习。但我们真的知道该如何学习吗？进而，该如何深度学习呢？

在开始之前，可能我们需要先学习如何学习，再去学习吧。

为什么学习？

回到更本质的问题上，我对学习的目的理解是：

以便在往后的日子里遇到某些情况的时候，能够将其信手拈来，更好的处理问题。

学习也可以说成是主动地被教育，有一个关于教育的精彩的类比：

教育就像一副眼镜。在带上眼镜之前和带上眼镜之后，你所身处的世界是一样的，但是带上眼镜之后，你看到的是一个更为清晰的世界......

把类比中的“教育 ”替换为“学习 ”，我想同样也是一个非常精彩的类比。还记得上篇文章我们想要成为高手的状态吗？

挣扎着跟绝大多数人不一样。

更进一步，结合教育精彩的类比，我们重新理解了为什么学习：

学习就是为了挣扎着（比绝大多数人）看到更为清晰的世界。

学习是什么？

学习其实就是将外部知识内化成内部知识的过程。

更进一步，对我们来说，有价值的学习=知识量*转化率*使用率

首先，当然要接受足够的知识量，广度和深度上都要提高；其次，要想办法提高转换率，不然花了时间没效果等于没有学习；最后，学以致用才是我们的终极目标。

近几年在人工智能领域开始流行一个词——“深度学习”，我们可以通过理解机器的“深度学习”，来观摩世界顶级聪明人“教授”机器的学习方法。

在计算机科学家那里，所谓“深度学习”其实就是“神经网络”算法；而神经网络算法就是用数学方法模拟人脑的神经突触网络。

可以用小孩来打比方，这就好比说让一个小孩学习“什么样的东西是猫”。你给他看大量的猫和不是猫的照片，他一开始纯属猜测哪个是猫哪个不是猫，但是每次你都告诉他正确答案。时间长了，他的判断准确度就会越来越高，最后尽管你从来没有向他描述“猫的定义”是什么， 他自己就能学会判断猫。

机器的“深度学习”就是这样的。事先并不需要输入任何决策规则，让系统自己学着做判断。系统内部有各种神经突触连接，如果这一次猜对了 ，相关的连接就会增强；如果猜错了就会减弱。这样用海量的例子训练，系统自己就能学会判断。

你看我们可以从机器的深度学习里找到一些关于学习的方法论：

大量的输入

反复打磨、纠正、判断

强化正确的“神经束”

还有一个可能会被大多数人所忽略的前提：计算机科学家在机器里预置了各种神经突触与连接的网络。我想这应该是属于机器学习的范畴，这告诉我们只有在机器学习的基础上，才能进行深度学习。同样的，拿到我们自己身上来看，我们小时候上过的学、跟世界这样那样的接触，就是在我们大脑里“预置”各种神经突触与连接，最终形成神经网络。

更进一步，也就是说，当我们毕业时，学校搭建的基本框架“已经成型 ”，以后得靠我们自己深度学习了！我想这个事实给了我们以为毕业了就不需要再学习当头一棒吧。

最重要的是，至于还有多少没有建立起神经突触连接和建立了错误的神经突触连接，那就是自个的事儿了啊。所以，如果以后有什么后悔的也怪不得别人，只能自己选的自己受啊（其他很多事都是这样的）。

该怎么学习？

基于我们对学习是什么的深入理解以及从机器的深度学习里找到一些方法论后，该怎么学习的答案就很清晰了。换句话说，就是如何能够做到在此之后对我们所学过的东西信手拈来。方法很简单——重复，而且是要不断的重复，我想你应该知道为什么：）

还记得吗？我们上学的时候，提升成绩的方法其实简单的吓人：“复习、复习、再复习”——没别的，就是这个“没技术含量的”、“枯燥的”、“进步太慢，没什么感觉的”、大家都知道的、公开的秘密。然而对于如此重要的方法，我们竟然在离开学校之后“忘得一干二净”了！

学习的重要性说的人太多了，但我想这依然是必要的，因你和我都需要不断重复这样一个过程。

最后，值得注意的是，现在的人工智能所用的“深度学习”算法，特别善于“该怎么”，但在“是什么”和“为什么”上没有能力。也就是说，人工智能的缺陷，就是人类智能的机会；）