真应了《笑傲江湖》里那句：“有人的地方就会有江湖，有江湖就有恩怨。”只是这次的江湖和恩怨都源自人工智能而不是人。

1月中旬，纽约大学教授马库斯发表一篇万字长文，以问答形式，分14个问题回应那些对他的观点表示质疑的人，其中涉及纽约大学教授、脸书首席AI科学家杨立昆、AAAI前主席托马斯·迪特里奇，魁北克大学教授、谷歌的数学博士等也卷入了论战中。

这不是论战的第一回合，1月初，马库斯就提出了自己关于深度学习的十大观点，引得杨立昆直摆手：他说的都不对。

究竟是什么样的争议让AI界的大神们辩论火力如此密集，连战数日，费劲口舌、逐字力争呢？

深度学习是个“筐” 有人看半满，有人看半空

细读马库斯后来发的这篇万字长文，可以发现，不少人对他的质疑是：你忽略了深度学习取得的成绩、你没有说深度学习有哪些好处。言外之意，你对深度学习不是“真爱”，对它的好视而不见。

而以杨立昆为代表的一派，对深度学习绝对是“真爱”。从维基百科的介绍中可以看到，正是杨立昆提出了卷积神经网络（Convolutional neural networks，简称CNNs）理论，并成为CNNs得以实现的奠基人，这一网络正是实现深度学习的机器学习模型之一。

尽管由CNNs、RNNs（循环神经网络）、DNNs（深度神经网络）等构成的深度学习模式日渐成熟，据说网络层数已经能达到100多层，但马库斯认为，它仍有目前无法规避的十大问题，例如，极度依赖数据、学习过程是个“黑箱”、还不能自适应规则变化等等。

“深度学习存在不少问题，例如深度学习是固执己见的。”清华大学教授马少平的观点与马库斯相一致。

他举例说，一辆AI驱动的无人车可能在模拟环境中撞树5万次才知道这是错误行为，而悬崖上的山羊却不需要多少试错机会，改变深度学习的输出很难，它缺乏“可调试性”。

另外，深度学习的过程如果是黑箱，会影响它的应用领域，例如诊断病症。“AI运算像在一个黑箱子里运行，创造者也无法说清其中的套路。”马少平说，AI虽然可能给出一个结论，但是人类如果无法知道它究竟是怎么推算出来的，就不敢采信。

在制造“噪音”的情况下，AI很容易判断错误。“它无法自动排除噪音，人眼看着是熊猫，AI却会误认为是长臂猿。”马少平认为，AI仍处于初级阶段，还有很多问题等待解决。

在马库斯列出的十大问题中，最要命的是最后一条，深度学习很难稳健地实现工程化。这相当于给深度学习引领AI走向强智能的可能性亮了红灯。

北京语言大学教授荀恩东解释，工程化意味着有“通行”的规则。例如对某一个问题的解决方法确定了，可以固定化，哪里需要往哪里搬。而深度学习进行问题处理时，采取类似于完成项目的方式，一个一个地解题，然而世界上有无数问题，如果很难保证机器学习系统换个新环境还能有效工作，那深度学习这项技术可能并不合适帮助AI获得通行的能力，引导和人类智能相当的强人工智能的实现。

这种对深度学习的尖锐批评，自然会让深度学习的拥趸们很不满意。他们的理由也很充分：这些问题只是现阶段的，未来不一定得不到解决。批评者看到的是深度学习这个筐半空，而支持者看到的则是半满。