【.com速译】如果把深度学习比作一个泡泡，我们需要了解它的曲率和折射原理，才能真正掌控它。今天，机器学习已经开始观察我们的行为、倾向、互动和交流反应。深度学习是机器学习的下一步。虽然它传统上被用来帮助机器学习解决方案掌握文本数据，但深度学习现在已经开始尝试从更复杂形式的内容中提取信息，例如视频、音频、音乐、图像和传感器数据。无论是计算机视觉识别、人类识别、语音识别还是自然语言处理，都已成为“建设性”技术应用的范式。之所以具有突破性，是因为它不仅可以简单地回忆预先存储的历史数据，还可以根据学习经验修改、还原和注释其发现甚至实物。事实上，深度学习分析旨在识别真实数据中的真实模式。如果这种建构能力能够用于总结经验、设计方案、记录历史，甚至能够以惊人的真实感反馈到我们的身体，那么现实与幻想的界限就会变得非常模糊。也许有一天我们会以预算法作为我们经验的基石而失去所有的人的自我意识？这不是形而上学性质的冥想。事实上，深度学习已经发展到以下阶段：图像的自动校正可以通过在原始视觉元素之上基于消失、模糊或误导图像生成和叠加新元素来实现。·它可以将任何粗糙的涂鸦变成令人印象深刻的画面，接近人类艺术家对现实世界的描绘。·手绘的人脸蓝图可以通过算法转换为逼真的图像。·可以将任何低分辨率的原始图像转换成自然的高清版本。·可以指示计算机绘制任意图像，同时表达特定人类艺术家的创作风格。·基本上可以直接调用源代码中没有的任何图案、字符和其他细节图像。可以为图像和其他内容自动生成标题和注释，尽可能接近真实读者或相关主题专家。·可以呈现任何计算机生成的语音，并且听起来像人类说话一样自然。可以领先于计算机生成表达真实感受的音乐，其效果类似于人类音乐家的创作成果。·可以制作各种功能突出的实物，包括假肢、有机分子、3D打印、CRISPR等新技术。显然，这种建构能力也可以体现在重构上，也就是说深度学习已经具备了创造和误导的能力。撇开炒作不谈，深度学习的重构潜力已经在认知问题上得到体现，甚至成为云决策支持的潜在算法基础。然而，如果这些重建算法与真实环境有很大不同，那么实际应用很可能会带来巨大的风险——尤其是考虑到深度学习在自动驾驶汽车和假肢设计等领域的应用。虽然我们无法阻止深度学习融入我们的生活，但我们绝对可以提高它的透明度，即了解这些算法是如何做出自己的判断的。我们应该考察特定算法在深度学习应用中的识别过程（例如，从源信息到端到端的图转换、统计模型，甚至元数据等），然后了解它是如何在特定的情况下采取特定的行动具体情况下的方法。同样重要的是，我们应该始终将算法结论与现实进行比较，以标记两者之间的冲突并考虑它们的相互作用。总而言之，如果我们把深度学习比作一个泡泡，我们需要了解它的曲率和折射原理，才能真正控制它。原标题：Deeplearningisalreadyalteringyourreality原作者：JamesKobielus
