如果把深度学习比作一个气泡，我们需要了解其弧度及折射原理，从而真正加以驾驭。

　　时至今日，机器学习已经开始观察我们的行为、倾向、相互作用与交流响应。深度学习正是机器学习的下一步发展方向。虽然其在传统上常被用于帮助机器学习方案掌握文本数据，但如今深度学习已经开始尝试从视频、音频、音乐、图像以及传感器数据等更为复杂的内容形式中提取信息。

　　无论是计算机视觉识别、人类识别、语音识别还是自然语言处理，这一切都已经成为“建设性”技术应用范例。之所以具备突破性，是因为其并非简单调用预先存储的历史数据，而亦可根据学习经验修改、恢复以及注释其发现的结论甚至是物理对象。

　　事实上，深度学习分析 目的在于识别真实数据中的真实模式。如果这种建设性能力可应用于总结经验、设计方案以及记录历史，甚至能够以惊人的逼真性反馈于我们的身体，那么现实与幻想之间的界线将变得非常模糊。或许有一天，我们可能将预算法作为经验的基石，而彻底失去人类的自我意识?

　　这并非形而上性质的冥想。事实上，深度学习已经迈进至以下阶段：

　　·可以通过在原始视觉元素之上根据消失、模糊或者误导性图像生成并叠加新的元素，从而实现图像的自动纠正。

　　·可以将任何粗糙的涂鸦转化为令人印象深刻的美图，这已经接近人类艺术家对现实世界的描绘。

　　·可以将手绘人脸蓝图通过算法转换为逼真的图像。

　　·可以将任意低分辨率原始图像转化为自然的高清晰度版本。

　　·可以指示计算机绘制任何图像，同时表现特定人类艺术家的创作风格。

　　·基本可以直接调用任何并不存在于源代码当中的图案、人物及其它细节图像。

　　·可以自动为图像及其它内容生成标题与注释，这一点接近于真实读者或者相关主题专家。

　　·可以渲染任何计算机生成的语音，且其听起来与人类朗读一样自然。

　　·可以领先计算机生成表达真实感受的音乐，其效果类似于人类音乐家的创作成果。

　　·可以制作各类功能性出众的物理对象，包括假肢、有机分子、3D打印、CRISPR以及其它新型技术。

　　很明显，这种构建能力亦可体现在重构方面，这意味着深度学习已经具备了制造与误导能力。抛开炒作不谈，深度学习的重构潜力已经在认知性问题当中得到证明，其甚至已经成为云决策支持当中的潜在算法基础。然而，如果这些重构算法与真实环境区别很大，那么实际应用很可能带来巨大风险——特别是考虑到深度学习在自动驾驶汽车与假肢设计等领域的应用。

　　虽然无法阻止深度学习不断融入我们的生活，但我们完全可以进一步提升其透明性，即了解这些算法如何作出自己的判断。我们应当检测深度学习应用中具体算法的识别流程(例如由源信息到端到端图形变换、统计模型乃至元数据等)，进而掌握其如何以特定方式在特定情况下采取特定行动。

　　同样重要的是，我们应当时刻将算法结论与现实情况加以比对，从而标记二者间的冲突并考量其相互作用。总而言之，如果把深度学习比作一个气泡，我们需要了解其弧度及折射原理，从而真正加以驾驭。

　　责任编辑：DJ编辑