傅盛：深度学习是一种新的思维方式

【编者按】人工智能的技术算法不同的场景有不同的应用，所有的技术支撑，都是在为机器能够有“自我学习”的能力，而算法需要大量的数据来实现训练，提高准确度。今天，整合了多篇文章来介绍“深度学习”。

本文来源于盛盛GO，作者傅盛，由本站整理编辑，供业内人士参考。

▌深度学习是什么？

人工智能，就好像第四次工业革命，正从学术界的私藏，转变为一种能够改变世界的力量。尤其，以深度学习取得的进步为显著标志。它让匍匐前进60年的人工智能一鸣惊人。

我们正降落到一片新大陆。深度学习带来的这场重大技术革命，有可能颠覆过去20年互联网对技术的认知，实现技术体验的跨越式发展。

那么，深度学习到底是什么？怎么理解它的重要性？

我们先从概念和现象入手。

我总结了一句话，学术上看未必严谨，但从我的理解角度看——深度学习是基于多层神经网络的，海量数据为输入的，规则自学习方法。

这里包含了几个关键词：第一个关键词叫多层神经网络。

深度学习所基于的多层神经网络并非新鲜事物，甚至在80年代被认为没前途。但近年来，科学家们对多层神经网络的不断算法优化，使它出现了突破性的进展。

以往很多算法是线性的。而这世界上大多数事情的特征是复杂非线性的。比如猫的图像中，就包含了颜色、形态、五官、光线等各种信息。深度学习的关键就是通过多层非线性映射将这些因素成功分开。

那为什么要深呢？多层神经网络比浅层的好处在哪儿呢？

简单说，就是可以减少参数。因为它重复利用中间层的计算单元。我们还是以认猫为例好了。它可以学习猫的分层特征：最底层从原始像素开始学习，刻画局部的边缘和纹；中层把各种边缘进行组合，描述不同类型的猫的器官；最高层描述的是整个猫的全局特征。

它需要超强的计算能力，同时还不断有海量数据的输入。特别是在信息表示和特征设计方面，过去大量依赖人工，严重影响有效性和通用性。深度学习则彻底颠覆了“人造特征”的范式，开启了数据驱动的“表示学习”范式——由数据自提取特征，计算机自己发现规则，进行自学习。

你可以理解为——过去，人们对经验的利用，靠人类自己完成。在深度学习呢？经验，以数据形式存在。因此，深度学习，就是关于在计算机上从数据中产生模型的算法，即深度学习算法。

问题来了，几年前讲大数据，以及各种算法，与深度学习有什么区别呢？

过去的算法模式，数学上叫线性，x和y的关系是对应的，它是一种函数体现的映射。但这种算法在海量数据面前遇到了瓶颈。国际上著名的ImagineNet图像分类大赛，用传统算法，识别错误率一直降不下去，上深度学习后，错误率大幅降低。在2010年，获胜的系统只能正确标记72%的图片；到2012年，多伦多大学的GeoffHiton利用深度学习的新技术，带领团队实现了85%的准确率。2015年的ImagineNet竞赛上，一个深度学习系统以96%的准确率第一次超过了人类（人类平均有95%的准确率）。

计算机认图的能力，已经超过了人。尤其图像和语音等复杂应用，深度学习技术取得了优越的性能。为什么呢？其实就是思路的革新。

举几个脑洞大开的例子。

1、先说计算机认猫。

我们通常能用很多属性描述一个事物。其中有些属性可能很关键，很有用，另一些属性可能没什么用。我们就将属性被称为特征。特征辨识，就是一个数据处理的过程。

传统算法认猫，也是标注各种特征去认。就是大眼睛，有胡子，有花纹。但这种特征写着写着，有的猫和老虎就分不出来，狗和猫也分不出来。这种方法叫——人制定规则，机器学习这种规则。

深度学习方法怎么办呢？直接给你百万张图片，说这里有猫，再给你上百万张图，说这里没猫。然后再训练一个深度网络，通过深度学习自己去学猫的特征，计算机就知道了，谁是猫。

2、谷歌训练机械手抓取。

传统方法肯定是看到那里有个机械手，就写好函数，move到xyz标注的空间点，利用程序实现一次抓取。

而谷歌现在用机器人训练一个深度神经网络，帮助机器人根据摄像头输入和电机命令，预测抓取的结果。简单说，就是训练机器人的手眼协调。机器人会观测自己的机械臂，实时纠正抓取运动。

所有行为都从学习中自然浮现，而不是依靠传统的系统程序。

为了加快学习进程，谷歌用了14个机械手同时工作，在将近3000小时的训练，相当于80万次抓取尝试后，开始看到智能反应行为的出现。据公开资料，没有训练的机械手，前30次抓取失败率为34%，而训练后，失败率降低到18%。

这就是一个自我学习的过程。

3、有人问了，深度学习，能学习写文章吗？

来看这个例子。斯坦福大学的计算机博士andrejkapathy曾用托尔斯泰的小说《战争与和平》来训练神经网络。每训练100个回合，就叫它写文章。100个回合后，机器知道要空格，但仍然有乱码。500个回合后，能正确拼写一些短单词。1200个回合后，有标点符号和长单词。2000个回合后，已经可以正确拼写更复杂的语句。

整个演化过程是个什么情况呢？

以前我们写文章，只要告诉主谓宾。而以上过程，完全没人告诉机器语法规则。甚至，连标点和字母区别都不用告诉它。不告诉机器任何程序。只是不停将原始数据进行训练，一层一层训练，最后输出结果——就是一个个看得懂的语句。

一切看起来都很有趣。人工智能与深度学习的美妙之处，也正在于此。

4、我还去硅谷看过一家公司——完全颠覆以往的算法，利用深度学习实现图像深度信息的采集。

众所周知，市面上已经有无人机，可实现人的跟踪。它的方法是什么呢？一个人，在图像系统里，一堆色块的组合。通过人工的方式进行特征选择，比如颜色特征，梯度特征。拿简单的颜色特征举例：比如你穿着绿色衣服，突然走进草丛，就可能跟丢。或，他脱了件衣服，几个人很相近，也容易跟丢。

此时，若想在这个基础上继续优化，将颜色特征进行某些调整，是非常困难的。而且调整后，还会存在对过去某些状况不适用的问题。

总之，这样的算法需要不停迭代，迭代又会影响前面的效果。

而硅谷这个团队，利用深度学习，把所有人脑袋做出来，只区分好前景和背景。区分之后，背景全部用数学方式随意填充，再不断生产大量背景数据，进行自学习。只要把前景学习出来就行。

据我所知，很多传统方法，还在采用双目视觉。用计算机去做局部匹配，再根据双目测出的两个匹配的差距，去推算空间另一个点和它的三角位置，从而判断离你多远。可想而知，深度学习的出现，使得很多公司辛苦积累的软件算法直接作废了。

“算法为核心竞争力”，正在转变为，“数据为核心竞争力”。技术人员必须进入新的起跑线。

5、最后再举个例子

大家都做过胃镜。尤其胃痛，很痛苦。肠胃镜要分开做，而且小肠看不见。

有一家公司出了一种胶囊摄像头。吃进去后，在你的消化道，每5秒拍一幅图，连续摄像，此后再排出胶囊。所有关于肠道胃部的问题，全部完整记录。但医生光把那个图看完，就需要五个小时。原本的机器主动检测漏检率高，要医生复查。

后来，他们采用深度学习。采集8000多例图片数据灌进去，用机器不断学，不仅提高诊断精确率，减少了医生的漏诊，以及对稀缺好医生的经验依赖。只需要靠机器自己去学习规则。

深度学习算法，可以帮助医生作出决策。

思考：了解完深度学习，接着思考一个问题——20世纪70年代末80年代初，个人电脑突飞猛进时，人工智能的商业化却步履维艰。乔布斯曾这样定义个人计算机的价值——“它是我们思维的自行车”。那么，今天的人工智能呢？深度学习呢？它给我们真正带来的东西是什么？未来，对行业和社会有什么影响？中国公司的机会在哪？

▌深度学习是一种新的思维方式

落后最怕的是思维方式的落后。

过去猎豹在安全和工具层面，抓住了上一个时代的大风口。如今这条赛道不再像以前那样野蛮生长。互联网已经进入下半场，广度红利时代结束。原先粗放式的流量经营模式遭遇瓶颈，用户增长受限，且再难出现爆发性机会。下一个机会点在哪？

我讲过，人工智能会是下一个风口。

但，首先我们必须认识到——人工智能一定不是简单的一个神经网络，也不是用一个新的函数替代一个旧的函数。人工智能是对整个产业的重构，是对我们整个思维方法的重新塑造。它将现实所有物理事件产生的东西归结于一个点——数据。然后，再把这个数据，用神经网络的方式去认知和理解，达到过去所有算法无法企及的高度。

而深度学习，无疑成为当今人工智能大爆炸的核心驱动。它不只是一种算法的升级，而是一种全新的思维模式。

今天，我们完全可以利用深度学习，利用海量数据的快速运算，消除信息的不确定性，帮助我们认知世界。

这种认知的可能性，最广为人知的就是AlphaGo打败李世石。我说过，现象即规律。这个现象给我最大的启示就是——把过去围棋的定式算法问题，转换成了黑白点的数据问题。它利用神经网络超大规模的数据处理能力，去理解人类记录过的围棋数据，以及自己左右互搏产生的海量数据，在人类也不明白的情况下，一举碾压了人族。

它带来的颠覆性在于：将人类过去痴迷的算法问题，变成了数据和计算问题。

我认为，这是重构技术模式，产品形态，用户理解的新方式。深度学习的突飞猛进，也将使得猎豹这样的工具厂商，有机会与社交产品站在同一维度同台竞争。

唯一需要思考的是：如何让用户成为一种生产力？

比如，你觉得特斯拉是汽车生产商吗？如果你重新换个角度，会发现特斯拉本质是一个数据采集器。它利用汽车载体实现了对人类驾驶行为的触达。

我最新买的特斯拉P90D，已经可以自主学习变道。它会多次来回试探，学习你开车的动作。你每一次开车，都是在给它贡献数据。它跟谷歌的无人驾驶有很大不同。他们走了完全不一样的路线，思维角度也不一样。

谷歌是传统的软件工程思维。用高精尖地图，把一段路的地图精确到厘米级，以便车子开的过程中就知道路况，通过激光来避开路面障碍。但问题在于，这套方案，只有知道地图和路况不发生改变时才能运行。

但特斯拉用的是NVIDIA+Mobileye的方案，跟人开车的状态一样。它认为，辅助驾驶到了一定程度就是实现无人驾驶。只要收集大量的驾驶数据做处理。不用管地图，用产品就能实现数据收集。实际上，就是把所有路况信息和人的操作动作数据化。

我认为，未来的公司本质都是数据公司。市场的竞争，一定会从技术竞争演变成数据竞争。

各公司的商业策略和产品策略，都会围绕着获取数据开展。后进的公司要想不坐以待毙，唯一的办法就是快速获得数据。

深度学习绝不只是一场技术革命，或一种算法的改良。本质上，它是一种全新的理解用户和商业模式的思维方式。

▌变一切问题为数据问题

过去半个世纪，计算机也在进步，上一次震惊，发生在超级计算机深蓝打败人类的国际象棋冠军。但，深蓝也只是依靠计算机强大的穷举能力，还不能像人那样思考。然而，当数据量足够大，运算速度的指数级提升，深度学习让机器有了人类的直觉，再一次震惊发生了：AlphaGo打败了世界围棋冠军李世石。这标志着一个时代的终结和一个时代的开始。

它启示了我们：数据量的与日俱增，量变积累导致的质变，让机器变得更加智能。相应的，我们的思维方式和做事方式，都应该跟以往有很大不同。

今天，所有问题，我们只要换个思路就可以找到正确答案，其核心就是——变一切问题为数据问题。

1、从数据的维度看产品，就会变得不一样

按照我们以前的视角看，没有一千万用户的产品，都不值得做。但今天看，一百用户产品，如果用户在里面频繁交易，甚至比一千万用户产生的价值还要大。

怎么理解呢？就是说，从数据的角度看，小规模产品依然有价值。

当然，数据也分强数据。什么叫强数据？比如淘宝的数据就是强数据。它的用户上来就花一千块钱买一个东西，跟你在App右上角点击一下的数据，肯定不可同日而语。

换句话说，如果你有强数据的产品，即使用户量很小，它也可能产生很大的价值。比如，猎豹以前做了一个网购保镖，一年差不多赔70多万，后来大家觉得太耗成本，就想关掉。如果换个角度，开网购保镖的人，都是网上花钱的人，这个数据价值是不是远高于70万？当你这样去想的时候，你再看一百万用户的小产品，是不是就变得有价值？

如此一来，我们通过深度运营小规模用户，重新挖掘出了数据价值。与此同时，我们还可以再做一些功能区分去引导用户。

只是，思路要变了。

我提出一句话叫——功能运营转向数据运营。不管你做交互也好，功能也好，做一个App亮点也好，在今天这个广度红利结束的时代，已经没有深入的机会。

任何一个产品经理来跟我交谈，我一定不要听他说，有什么不一样的点，或哪个功能点做得怎么样。为什么？第一，好的功能点，大家都想得差不多了。第二，即便你有好的功能点，对手跟进会非常之快。你很难做到独一无二。第三，如果你能把数据这件事想透，今天具备数据挖掘，具备深度学习能力的公司，尤其中小公司，还是非常少的。那么在这个点花功夫，是不是会事半功倍？且对手很难跟进，壁垒还足够高。

同理，不思考数据的产品经理必将被淘汰。

产品经理不理解数据，产品经理就只承载了交互。交互只是基础，就像汽车轮子。要想真正做到独步天下，还需要去思考数据。如果你不去思考你的产品数据，不去理解数据价值，不透过数据去理解用户，不去做用户画像细分，一定会被淘汰。

2、放弃野蛮增长的期待，信奉数据主义

最近，我在听赫拉利的新书《未来简史》。他讲到，未来一切都是数据处理。如果你把每个人都想象成一个数据处理器，人和人之间的交流就是信息交流。那么，整个人类社会就是一个数据处理系统，整个人类历史就是给这个系统增加效力的历史。

到那时，新的宗教就会出现，称之为数据宗教，也叫数据主义。它的核心价值观就是主张信息要流动。哪怕是信息生产者，也不能控制和拥有这个信息。

这些思考还是很让我脑洞大开的。姑且不管数据是否最终会成为一种宗教，但对于一家公司来说，核心就是要相信。相信数据主义已经到来。

有了这个思想，我们就可以把一切问题都当成算法问题。机器和它包含的各种算法，甚至有可能比任何一个人都了解一个人。

如果有一天，你所有的喜怒哀乐不贡献出数据，它们对于人类社会就是没有价值的，就是和你这个人是没有关系的。就跟你纳税一样。你想成为这个世界连接的一部分，你就要贡献数据。

而今天，对猎豹来说，数据就是我们的优势。

这个季度发财报时，分析师问，你们做NewsRepublic有什么优势？这也是我反复讲的事情。我们有6亿月度活跃用户，这个用户本身就在产生数据。而我直接在这些数据之上升级内容，这些内容很快又会产生数据。我就比别人成长周期更短。

如果对手想做，得从零积累用户，还得一个个国家谈渠道，去推广，组建团队，经历磨合的痛苦等等。想半年或一年追上，基本就不可能。

我们还是站在一个高顶上。

包括现在说转型升级，工具内容化，最核心的一点——其实就是我们把整体数据用好。否则，为什么Q3财报环比和同比都很低的情况，股价反而能涨呢？核心就是大家看到你在转型的过程中，还能实现增长。很多人有了信心。

本质上还是我们自己建立了信心——坚信有机会踏入下一个模式。所以，我觉得，未来唯一的挑战就是整个团队，从上到下，能否思维革命，统一这样的认知——坚守数据主义的信仰，坚信这条路可达，去做不擅长但目标明确的事情。

如果过程中，哪一个点可能阻碍，那就：改造自己，干掉这个点，继续前进。