[AI] 深度学习的局限性：人工智能为什么仍然无法实现自主学习
近年来，深度神经网络（DNN）在从数据中学习的能力上取得了巨大的突破，在许多任务上甚至超过了传统的规则驱动型人工智能。然而，与一些媒体的夸大宣传不同，现有的深度学习模型距离真正的自主学习还有很大差距。深度学习与人类学习的方式截然不同，面临着对大量标注数据的依赖、过拟合和对抗样本的脆弱性等一系列难题。本文将探讨深度学习的局限性，分析其与人类学习的差距，并展望未来人工智能实现通用智能的可能路径。
1.深度学习与传统人工智能的比较
传统人工智能依赖人类程序员通过显性规则构建智能行为，主要采用逻辑推理和符号计算等方法。然而，这些方法在处理复杂的、变化的环境时表现不佳。深度学习通过大量数据进行“自我”训练，逐渐展示出优越性。DNN从数据中自动提取特征，通过不断调整网络的权重，实现对不同任务的适应性，但这种数据驱动的学习方法与人类的学习方式并不相同。
1.1 深度学习与人类学习的不同
人类的学习不仅仅是被动接收信息，尤其是孩童的学习过程充满了探索性。他们会主动提出问题，对自身感兴趣的事物进行探究，并通过不断观察和试错来形成抽象的概念。在这种过程中，人类不断构建关于世界的常识性知识。然而，ConvNets等深度学习模型只是在庞大的标注数据上进行训练，它们没有主动获取信息的能力，也无法形成对世界的常识性认知。
1.2 超参数调节的复杂性
在构建DNN模型时&#