计算机越来越能够自主学习，并且在某些图像识别任务上已胜过人类。Enlitic 首席执行官 Jeremy Howard 正在探索这些能力在医疗领域的应用。20 世纪 90 年代，他是神经网络和大数据方法的早期采用者。作为数据科学竞赛平台 Kaggle 的总裁兼首席科学家，他见证了一种名为“深度学习”的算法方法兴起。2012 年，由多伦多大学 Geoffrey Hinton 领衔的团队在默克公司赞助的一项自动药物发现竞赛中运用深度学习夺冠，引起了全世界的关注。值得注意的是，团队中没有人具备制药或分子化学领域的专业知识。Howard 先生向《展望未来》讲述了深度学习将对工业经济产生的影响，以及他预见到的、实现这些益处面临的一些未来挑战。
利用通过传感器网络和互联网收集的数据开发的预测算法，可以进一步优化全球价值链（GVC）。未来，机器人和 3D 打印可能改变我们对熟练劳动和大规模生产的看法，并将全球价值链重塑为区域价值链。
您是什么时候第一次注意到深度学习的？
实际上，我关注它已经超过 20 年了。您可能知道，深度学习只是增加了层数的神经网络的演进。20 世纪 90 年代初至中期，我就使用神经网络。当时我从事咨询工作，我们在改进营销应用的目标定位方面取得了很大成功。2012 年发生的变化是，深度神经网络首次开始擅长完成此前只有人类才能做到的任务，尤其是理解图像内容。图像识别听起来或许是一个相当小众的应用，但仔细想想，它其实至关重要。过去计算机是盲的。如今，它们识别图片中物体的准确度已超过人类，速度也快得多。
深度学习能有效解决工业经济中的哪些问题？
有三个特别重要的领域，都与这种图像理解能力密切相关。其一是卫星图像，无论用于农业、情报还是绘图。如今，深度学习可以将其中许多工作自动化。
第二个领域更令人兴奋，那就是机器人技术。如今，我们可以拥有自动驾驶汽车，或能够自动准备食物的机器。赋予机器人视觉能力，将开辟一个极其广阔的新领域。
第三个领域是医学。理解所观察的内容，对于诊断和治疗疾病至关重要。应用包括放射学（利用 X 射线或 MRI 查看人体内部）、病理学（通过显微镜观察组织）和皮肤病学（查看皮肤图像）。
人类确实要花几十年时间，见过足够多的实例，才能准确判断例如 MRI 中的情况。相比之下，计算机可以查看 5000 万张 MRI，理解各种疾病在各种人群、各个阶段的表现，因此在每一个亚专科领域都能达到最优秀放射科医生的水平。
它们可以让医生，甚至中国某个偏远省份的一名护士，深入理解医学图像所显示的情况。总体而言，医疗保健是一个规模近 10 万亿美元的行业——其中美国占 3 万亿美元——可能是全球最大的行业。如今我们能够以这种方式运用深度学习理解医疗数据，这将彻底改变世界。
总体而言，医疗保健是一个规模近 10 万亿美元的行业——其中美国占 3 万亿美元——可能是全球最大的行业。如今我们能够以这种方式运用深度学习理解医疗数据，这将彻底改变世界。
在您提到的这些领域中，您认为哪个受深度学习影响最大？
我认为从长远来看，机器人技术受到的影响最大。具备视觉能力的设备会影响全球很大一部分依赖人类视觉的就业岗位。我认为，从长远来看，机器人技术将影响世界上的每一个人，每一天、每时每刻。
医学紧随其后。我们可以运用深度学习理解基因组、影像和实验室检测结果，并回答医生提出的问题。这将使医生获得他们梦寐以求的决策支持工具。
我关注机器人技术时，许多我敬重的人都在这一领域工作，并且进展迅速。但医学领域没有出现这样的进展。当然有 Watson，但它的设计初衷确实是赢得 《危险边缘》竞赛。它从来就不是为擅长医学而设计的。因此，它无法处理影像之类的内容，他们一直在努力填补这些巨大的空白。
我认为从长远来看，机器人技术受到的影响最大。具备视觉能力的设备会影响全球很大一部分依赖人类视觉的就业岗位。我认为，从长远来看，机器人技术将影响世界上的每一个人，每一天、每时每刻。
我们在世界上处理的数据越来越多是基于时间且连续的。深度学习大多用于大批量静态数据，例如一百万张猫的图片。它也适用于基于时间和实时的数据吗？
实际上，它尤其擅长处理这类数据。迄今为止它主要用于图像领域，只是历史机缘所致。2012 年，一场图像识别竞赛由深度学习方法赢得。因此，许多计算机视觉领域的研究人员转而研究深度学习。它对语言或基于时间的信号同样有用。这些模型经过训练后，每当输入一个新的数据点，都会将其纳入更新后的模型，而且速度很快。
挑战在于，具备足够深度学习技术知识、能够将其应用于此前未涉足领域的人还不多。20 年来，全球只有五所大学实验室从事这项研究。如今这五所实验室都声名显赫（编者注：这五所是多伦多大学、蒙特利尔大学、纽约大学、斯坦福大学和牛津大学）。从这些实验室出来的人，都会被 Google、Facebook 或顶尖大学招揽。自 2012 年以来扩大的项目中，我们甚至还没有等到第一批博士生毕业。目前还没有足够的技术资源将这些工具应用到新的领域。工业领域的人们有巨大的机会，可以把这些技术发展起来。这让我想起互联网的早期；深度学习如今正处于那个阶段。
人类和机器的学习方式有哪些不同？您知道深度学习方法有哪些具体弱点吗？
人类与机器的区别在于，一旦创建了一个猫探测模块，就不必让每台机器都重新学习它。我们可以在机器之间下载这些网络，却无法在大脑之间下载知识。这是深度学习机器的一大优势，我们称之为“迁移学习”。
深度学习真正缺少的环节有两个。第一个很简单：我们需要更好的数据访问途径。在医学领域，你花费最多时间做的不是训练模型识别新疾病，而是整理出包含足够疾病实例的数据集。数据实际上存在于世界各地，但分散在数千个互不相连的医院网络中。制定相关立法时，旨在确保医疗数据隐私的人们没有预见到，汇总数据训练这些神经网络能够拯救数百万人的生命。我们因此承受着数百万条生命的机会成本。Enlitic 正在努力直接与大型医院网络合作，通过研究协议获取这些数据，从而创建能够拯救生命的网络。
第二个缺失环节是技术性的：进行逻辑推理的能力。深度学习非常擅长识别事物——它是一种很好的类比机器。但它无法运用逻辑理解某幅图像中出乎意料的内容。人脑很擅长做出推断，因为我们理解世界运行的背景，也理解事物如何相互关联。目前，我们的深度学习系统还不具备这种背景理解能力。
您在奇点大学任教，并专门讲授深度学习，将其称为一种“指数级发展的技术”。深度学习要实现指数级增长，哪些资源必须不受限制？
这是个非常好的问题。实际上，我认为深度学习可能是第一种真正具有指数级增长特征的技术。
大多数技术并非指数级发展。许多技术起初看似呈指数增长，但总会遇到某种资源限制，形成 S 形增长曲线，最终渐近于某个上限。例如，工业革命时期的蒸汽机起初呈指数级增长，但过了一段时间，大部分能源投入都已被替代，增长也就停止了。
数学证明表明，只要有足够的计算能力和数据来学习，深度学习就能对任何可建模的事物进行建模。它不是一台物理引擎，而是一台智力引擎。
它所需的投入是能源和数据。显然，宇宙中的数据是无穷无尽的。能源并非无限，但数量相当可观。要过很长时间，我们的计算能力才会受到可利用能源数量的限制。随着我们在计算方面不断进步，计算将变得越来越高效。
在深度学习中，随着网络层数增加，它们的建模能力会超线性增长。更大的网络会带来递增的收益。这些系统的智力能力会以越来越快的速度超越我们。随后，我们可以更高效地利用大量能源，创建更强大的深度学习网络。
事实上，现在已经有了一个用于构建深度学习网络的深度学习网络！而且，它们构建出的网络确实远胜人类创建的网络。
……深度学习可能是第一种真正具有指数级增长特征的技术。
我了解到，您一直在通过一种高度依赖数据的学习算法自学中文。我想知道，您在自己大脑中的这段个人学习经历，如何影响了您对 计算机模拟中的深度学习的看法。
我学习中文的原因，实际上并不是我对中文本身感兴趣。我想更多地了解人类的学习方式，以便利用这些知识提高机器学习能力。大约六年前，我决定开展一个可以持续很长时间的学习项目。我选择了中文，因为对于英语使用者来说，它是最难学的两种语言之一，另一种是阿拉伯语。我花了三个月学习人类学习理论，又花了三个月编写软件，尝试落实所学，然后开始学中文。结果幸运的是，我真的很喜欢中文。
人类学习理论的核心，确实在于增强大脑连接的力量：利用助记法和背景语境等方式，以已经学会的内容帮助我们学习其他事物。这影响了我对我们讨论过的迁移学习的理解。对我而言，深度学习目前最令人兴奋的研究成果，是能够在不同网络间迁移知识，并使网络不断进步，不仅在某一项特定任务上如此，在新的任务上也是如此。
本文由 GE Look Ahead合作发布。本文的发布并不意味着世界经济论坛认同其中的观点。
如需了解更多议程动态， 请订阅我们的每周简报。
作者：Anthony Wing Kosner 是 GE Look Ahead 的特约撰稿人。
图片：一名女子在纽约第五大道等待过马路时使用手机。路透社/Lucas Jackson。
