想入行人工智能？看完这篇文章再做决定！|入行人工智能

【想入行人工智能？看完这篇文章再做决定！|入行人工智能】lot物联网小编为你整理了的相关内容，希望能为你解答。

感兴趣的就关注公众号"平凡而诗意"哦，会有惊喜等着你。

很多想进入人工智能领域的同学会问：现在进入人工智能会跳进坑里吗？我来回答一下：就目前来说，人工智能的每个方向都很坑，实用性都非常差，包括计算机视觉、自然语言、机器学习在内。

下面就说一下目前机器学习的几个弊端。

无法做因果推理

图灵奖得主、贝叶斯网络之父Judea Pearl在arXiv上传了论文Theoretical Impediments to Machine Learning With Seven Sparks from the Causal Revolution，论述当前机器学习理论局限，并给出来自因果推理的7大启发。Judea Pearl指出，当前的机器学习系统几乎完全以统计学或无模型的方式运行，这对它的性能造成严重的理论限制，不能作为强AI的基础。他认为突破口在于“因果革命”，借鉴结构性因果推理模型，能对自动化推理做出独特贡献。

Theoretical Impediments to Machine Learning With Seven Sparks from the Causal Revolution​

arxiv.org

模型可解释性差

为什么深度学习效果好？学习率、权重衰减、卷积核尺寸这些超参数设置在多大合适？目前是没有合理的数学模型解释的。就是说，你沿着某个方向去调参，效果好坏是未知的。所以，现在深度学习还是一个经验积累占主导的方向。所以，吴恩达的课程《深度学习工程师》主要以“策略”为主，遇到什么样的情况该用什么“策略”解决，偏差、方差用什么“策略”均衡等等。

数据限制

人工智能50%，甚至60%、70%的时间都用在数据方面，

数据准备数据增广数据去噪数据标注......

尤其是数据准备过程，非常费劲，尤其是涉及到隐私的数据，记得之前做过一个医学图像识别的项目，前期一直想方设法和不同医院合作获取数据，等待了几个月才获得几十副图像，这对于传统目标识别也不够用啊！最后没办法，就在网上拼拼凑凑找了一个公开和付费的数据集，刚把环境配置好、模型跑通，这时Google在JAMA上发了一篇文章，和我们的方向一模一样，一下子给堵死了。看了那篇文章，Google在数据准备方面花费了8年时间，在不同国家同步进行采集，这对于一个小公司来说是望尘莫及的。

实用性差

目前人工智能很多技术都处于定制化阶段，远远达不到通用化程度。国内某些创业公司频频在CVPR、COCO等顶会、挑战赛露脸，看着实验对比数据精度方面的确非常不错。但是，真正应用时却不同了，效果非常局限。

首先，二维与三维的区别。拿计算机视觉来说，现实世界是三维空间，无论是人脸还是医学MR图像，而目前图像识别还仅限于二维空间，这在精度、安全性、空间信息等方面会做大量的妥协，所以，这就限制了它在一些要求严苛的应用场景的推广，比如医学诊断。

其次，动作与状态的区别。到实际应用中，仅仅识别出来这个人是谁、这个物体是什么是远远不够的。比如，做一个路面遗留物体的识别，这对于反恐这些场景有一些应用。目前目标识别算法能够识别出处于某种状态的一个物体，但是“遗留”是一个包含上下文信息的连续动作，这就需要其他的辅助算法，比如光流、视频分析等。

核心假设有问题

现有机器学习算法的核心假设是实例彼此独立，但是现实状态空间内，每个实例都与周围其他的实例存在一定的关联，含有一些复杂的连接信息，但是目前机器学习受限于它的核心假设，忽略了数据之间的依赖关系。

所以，我认为受限于因果推理、模型解释性、数据集、实用性、核心假设等方面的限制，目前人工智能大多数方向都比较坑。进入企业后如果学历高一些，可能还会做一些深入的研究，但是如果本硕进入企业会发现和想象的差别巨大，日常工作无外乎搭建平台、跑模型、调参、处理数据......可以说，就是一些重复性的体力劳动。机器学习这几年的确取得了显著的成果，但是这些成果主要应该归功于计算资源的快速发展（如GPU）和大量数据的收集。

那为什么人工智能还这么火呢？

理想状态下人工智能的确很有价值，能取代很多人力劳动。但是“理想很丰满，现实却很骨感”，目前并没有想象的那么美好。人工智能之所以如此火热，无外乎是因为和利益挂钩了，学术上容易发文章、创业公司可以利用信息差骗取投资、大公司可以拿来做噱头捆绑销售。

总之，目前进入人工智能领域，需要慎重谨慎，也许当你踏入这个领域时你才发现，它并非你想的那样，当然，如果十分感兴趣，也无可厚非。

以上内容为【想入行人工智能？看完这篇文章再做决定！|入行人工智能】的相关内容，更多相关内容关注lot物联网。