深度学习当务之急，是理解因果关系

及人脸识别成为可能。

而现在，Bengio指出“深度学习已经走到了瓶颈期”。他认为，除非深度学习能够超越模式识别并真正掌握因果关系的更多信息，否则它根本不可能发挥其全部潜力，也无法带来真正的AI革命。换句话说，深度学习应当开始理解“为什么”。

这位蒙特利尔大学（University of Montreal）教授已经55岁了，留着浓密的白发与眉毛。他解释道，深度学习技术在理想的场景下确实表现良好，但如果无法推理出因果关系，就无法接近人类的智力水平。“将因果关系整合到AI当中已经成为目前的头等大事。”Bengio说，“当前的机器学习实现方法立足一个基本假设，即经过训练的AI系统在解决实际问题时，面对的数据与训练数据属于同一类型。但在现实生活中，情况不可能如此简单。”

包括深度学习在内，目前的机器学习系统往往专用性极强，只针对特定任务进行训练，例如识别图像中的小猫，或者音频中的口语指令等。自2012年面世以来，深度学习已经展现出了卓越的数据模式识别能力，无论是从医学影像素材中发现癌症迹象，还是通过账目记录识别欺诈活动，深度学习技术已经被广泛应用于多种实际场景当中。

但是，深度学习本质上对因果关系是盲目的。与真正的医生不同，深度学习算法无法解释为什么特定的图像模式可能存在病变，这意味着某些危急情况下，我们必须谨慎使用深度学习。

而理解了因果关系之后，现有AI系统将在智能度与执行效率方面更上一层楼。举个例子，如果要让一个机器人意识到，快速下落的瓷器极易损坏，就不需要把几十个花瓶扔到地上再观察结果。

Bengio补充道，上面的例子也可以延伸到无人驾驶汽车。“人类不需要经历大量事故，才意识到谨慎驾驶的重要性，因为我们人类可以在脑海中想象事故场景，以便在事故真的发生时做好心理准备。”

问题在于，我们要如何为AI系统赋予这种能力？

Bengio在他的研究实验室里，正在开发一种能够识别简单因果关系的深度学习新版本。他和他的同事最近发表了一篇研究论文，概述了这种方法。他们使用一套数据集，该数据集以概率形式描述了真实世界现象之间的因果关系，诸如吸烟、肺癌

（编辑：广元站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!