小欣：本期课程的最后一节，罗恒老师会为我们讲解深度学习可能会出现的新门槛。

罗恒：我认为深度学习在将来可能出现的新门槛有几个方面：

第一个就是现在所有的模型的行为基本依赖背后的数据，基本上是你给他什么样的数据，他就记住什么样的规则。也就是说如果数据中有问题，模型也会把这些问题都记住。所以如何使用模型来对数据做Debug，发现数据中的偏差能够纠正数据，这可能是一个新的门槛，也可能是大家新的努力的方向。

其次和过去不一样，过去可能我们只是让模型跑在GPU上或者跑在CPU上就很好，在未来可能需要把模型跑在各种各样非常不同的计算平台上。如何针对这些平台来优化模型，可能就会有很多新的方向出现，这也可能会形成一些门槛。

还有一个，其实这些年随着AI公司的出现，这些大公司使用深度学习需要大量的标注数据，从而出现了一批数据标注公司。那么实际上人工标注，如果要标注非常多的样本其实还是很贵的。如何使用模型提升标注效率？甚至比如说未来能够和Active learning结合，如何让模型去选择最需要标注的那部分数据来标注？这当然也是一个问题。此外现在也有一些利用GAN来能简化标注过程，可能也是一个新的方向。

最后一个就是，随着深度学习使用的越来越多，未来可能我们会面临一些复杂系统。比如像现在的一些搜索系统、广告系统，甚至未来的自动驾驶系统、辅助驾驶系统。这里面都可能包含了大量的基于规则的决策过程，也包含了大量的深度学习的模型。模型的行为模式实际上都是依赖于他背后的数据，这个里面实际上就存在一些问题。也就是说理想情况下，我们去做一个复杂系统需要每个模块之间的耦合比较小，每个单一的模块我们都能够对它进行抽象、能够方便的测试它。而现在每一个模块背后可能是非常多的数据也可能是很多训练的超参数，如何能够去测试、评估、优化这样一个复杂系统？这可能也会带来新的门槛。

此外一个新的复杂系统，这个系统的组件依赖于数据，这个系统当投入到使用之中他会改变用户、外界环境的行为模式，从而改变数据。而这个系统又是建立在数据之上的，所以会产生各种各样的反馈的形式出现。那么如何能够在这种情况下，持续优化这个复杂系统？可能也会形成新的门槛。

小欣：非常感谢罗恒老师的讲解，这期课程就到这里了。如果您喜欢这期课程就请大力点赞收藏或转发~还可以在下方评论中留下您想要交流的想法和对本课程的建议~当然也欢迎嘉宾推荐或自荐，咱们下期再见！

【版权归钛媒体所有，未经许可不得转载】