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 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？
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 学习取得的成绩、你没有说 学习有哪些好处。言外之意，你对 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 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 学习的机器学习模型之一。
尽管由CNNs、RNNs（循环神经网络）、DNNs（ 神经网络）等构成的 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。
“ 学习存在不少问题，例如 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 学习的输出很难，它缺乏“可调试性”。
另外， 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， 学习很难稳健地实现工程化。这相当于给 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 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 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 学习的尖锐批评，自然会让 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 学习这个筐半空，而支持者看到的则是半满。
AI也有门派 各有拥趸，各有所长
回应马库斯对 学习的质疑，杨立昆简单直接：“有想法，也许吧，但大部分都是错的。”
直截了当的杀伤性，远大于长篇大论的反驳。潜台词是：“爷不和你聊了”。其实早在2017年10月5日，马库斯和杨立昆就在纽约大学组织的学术辩论会上唇枪舌战。当时他们是有共识的——AI仍处于起步阶段；要实现强人工智能，机器学习从根本上来说是必要的； 学习是机器学习中一项强大的技术等。
然而他们辩论后没多久的10月19日，DeepMind团队发表了最新论文，提出了全新的强化学习算法阿尔法元，它可以从零开始，通过自我对弈精通棋艺，堪称“通用棋类AI”。
12下一页>（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，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。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
