任何事物只有放在它所存在的环境中，才能准确理解它的本质。

　　今天，大数据、人工智能等概念由于商业炒作等多方面的原因，已经变得模糊不清了。许多具体的技术也被罩上了夺目的光环，或有意被赋予了能够引发奇妙想象的名字，如“深度学习”。

　　下面，我们来看一下信息技术产业中的不同要素，在从科学到应用的这个链条上，各自处于什么样的位置。为了不陷入不必要的细节而又能揭示本质，我们将这个链条分为五个环节：科学原理，基础共性技术，具体应用技术，基础系统原理/技术及具体应用系统，见图1。


　　科学原理是对基本运动规律的认识总结，而技术是对规律的运用。所以新的科学原理的提出，常常会对社会产生深刻而广泛的影响。正因为科学原理的意义如此之大，所以“科学”也常常被盗用。许多技术性的产出，也被带上了“科学”这个帽子。在计算机领域，图灵机与计算复杂性理论基本上属于科学原理这个范畴。也正因为如此，计算机才被冠以了“科学”的称谓。

　　从根本上看，人工智能热潮在90年代的冷却，是因为人们在人工智能领域经过了几十年的努力，没有能够理解一般意义上的智能过程的本质，因而也就没有能够取得科学意义上的原理性突破，在理论上抽象出类似数字基本计算那样的基本智能操作，用以支撑更为高级复杂的智能过程。所以人工智能领域的产出，虽然丰富而且影响巨大，但是却始终没有达到科学原理的高度。

　　其实，用智能体这个概念整合与人工智能相关的技术方法，也是没有办法的办法，显示出了这个领域的一种无奈的现实：只有实用的一些具体技术方法，缺少科学原理或基础共性技术的支撑，也没有基础性系统级的有效理论。这些年被热捧的“深度学习”，也是这个层面的技术。

　　“深度学习”这个概念包括了深度信念网络、卷积神经网络、循环与递归网络等多种不同的具体网络模型与相应的算法，用来解决不同类型的问题。它们实际上是借助计算机的“暴力”计算能力，用大规模的、含有高达千万以上的可调参数的非线性人工神经网络，使用特定的“学习/训练”算法，通过对大量样本的统计处理，调整这些参数，实现非线性拟合（变换），从而实现对输入数据特征的提取与后续的分类等功能。

　　它是解决特定类型问题的一些具体的方法，而不是具有像人那样的一般意义上的学习的能力，尽管这个名字确实引发了许多不了解这个技术的人的这方面的想象。其实，信息技术领域内的绝大部分技术，基本都属于这个层面，包括与大数据相关的技术，而且它们也都属于辅助智能性质的技术。所以，大数据、人工智能与其它的技术彼此的界限日益模糊。

　　这些具体的实用性技术，包括“深度学习”（人工神经网络），常常是实验性技术，在应用于一个新的具体问题之前，我们无法确定它是否能够有效地解决这个问题，或者能够将问题解决到什么程度。
第三十五届CIO班招生
国际CIO认证培训
首席数据官（CDO）认证培训

免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。