关于对《认知、流形与虚实世界》的学习体会

在对人脑的研究当中，生物学家构建了神经元模型，通过神经网络来认识和感知世界。而人工智能的专家学者不断的构建更为复杂和强健的机器学习方法，来自动的捕获和感知世界。统计机器学习方法的也逐步演化，从线性方法，到浅层非线性方法，再到当前热门的深度学习，蛮力的学习方法，更强大的函数逼近能力。这让我们有些竞相的追风，我们盲目去关注深度学习，去关注caffe等开源深度学习框架，迫切希望使用这些前沿的工具，以为掌握了这些，就拥有了类似人脑的学习能力，其实这些观点是错误的。

前段时间看过一篇文章，是专访科大讯飞副总裁胡郁关于“语音识别与人工智能的发展路线”，归纳总结起来有如下几个观点：关于语音识别，很多观点都是错误的，用哪种统计模型和机器学习方法，这确实很重要，而且深度神经网络确实比别的好，但并不代表只有深度神经网络才能完成这样的事情，隐马尔可夫模型也可以，区别在于数据量提升，隐马尔可夫模型的表现提升没有深度神经网络那么大，数据越多，深度神经网络的效果更好；另外一点更为重要的是统计决策理论，统计决策系统的理论价值和意义比深度神经网络要大，但其太专业，深究的人并不多，深度神经网络只是用在统计决策理论中得分的一个工具，很多做语音识别技术的都是套用深度神经网络得出结果，但关于能否在理论上估计上下界以及收敛条件，很多人不知为什么，其实在专业人士来看，这才是核心的。所以我一直抱着这样的观点，思想、理论是关键，是核心，工具类的只是呈现实现方式，提高计算效率。