深度學(xué)習(xí)領(lǐng)域最知名的學(xué)者之一Yann LeCun今日在自己facebook上發(fā)表的一篇短文，瞬間引爆了國內(nèi)人工智能關(guān)注者們的朋友圈。這條動態(tài)講的是什么呢？為何會引起如此軒然大波？

　　我們常常提到的深度學(xué)習(xí)是全部深度學(xué)習(xí)算法的總稱，卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)算法在圖像處理領(lǐng)域的一個應(yīng)用。而Yann LeCun就是卷積神經(jīng)網(wǎng)路的發(fā)明者，也被稱之為“卷積神經(jīng)網(wǎng)絡(luò)之父”。卷積神經(jīng)網(wǎng)絡(luò)的出現(xiàn)對人工智能發(fā)展的重要性不必多說。而這次Yann LeCun的推文傳播如此之快，是不是有比“卷積神經(jīng)網(wǎng)絡(luò)”更重大的學(xué)術(shù)成果出來了？為了使國內(nèi)讀者了解到 LeCun推送的內(nèi)容，雷鋒網(wǎng)(公眾號：雷鋒網(wǎng))編輯對推文進(jìn)行了編譯。

　　首先開頭是一句極具有標(biāo)題黨風(fēng)格的英法混合語：

　　Deep Learning est mort. Vive Differentiable Programming!

　　翻譯成中文就是：深度學(xué)習(xí)已死，可微分編程萬歲！

　　為何突出此言？深度學(xué)習(xí)算法是人工智能多個領(lǐng)域的底層框架，怎么就死了呢？接著往下看發(fā)現(xiàn)LeCun說的是“深度學(xué)習(xí)”這個詞已死，該有新的名詞來替代它了。

　　LeCun提到的新詞是可微分編程。

　　他在推文中解釋道“可微分編程”不過是把現(xiàn)代深度學(xué)習(xí)技術(shù)重新?lián)Q了個叫法，這就跟當(dāng)年神經(jīng)網(wǎng)絡(luò)還只有兩個以上隱藏層時就被稱之為“深度學(xué)習(xí)”差不多。對于現(xiàn)代深度學(xué)習(xí)技術(shù)，“深度學(xué)習(xí)”這個詞已經(jīng)不夠用了。

　　他又寫道：

　　但重點的是，人們現(xiàn)在正通過組裝參數(shù)化功能模塊網(wǎng)絡(luò)，構(gòu)建一種新軟件，并用某種基于梯度優(yōu)化的方法來訓(xùn)練它們。

　　越來越多的人正在以一種依賴于數(shù)據(jù)的方式（循環(huán)和條件）來程序化定義網(wǎng)絡(luò)，讓它們隨著輸入數(shù)據(jù)的動態(tài)變化而變化。這與普通的程序非常類似，除了前者是參數(shù)化的、可以自動可微分，并且可訓(xùn)練和優(yōu)化。動態(tài)網(wǎng)絡(luò)變得越來越流行（尤其是對于NLP），這要歸功于PyTorch和Chainer等深度學(xué)習(xí)框架（注意：早在1994年，之前的深度學(xué)習(xí)框架Lush，就能處理一種稱為Graph Transformer Networks的特殊動態(tài)網(wǎng)絡(luò)，用于文本識別）。

　　現(xiàn)在人們正在積極研究開發(fā)命令式可微分編程語言編譯器，這對開發(fā)基于學(xué)習(xí)的AI（learning-based AI）來說是一條非常令人興奮的途徑。

　　最后，LeCun還特別強調(diào)將“深度學(xué)習(xí)”改名為”可微分編程”還不夠，其他的一些概念也需要改，比如“預(yù)測性學(xué)習(xí)”應(yīng)該改為 “Imputative Learning”。他說稍后會談更多......(讀者們可以幫想想還有什么需要改名的，這句是雷鋒網(wǎng)加的）。讓我們一起來關(guān)注LeCun的最新動態(tài)吧！

　　LeCun的Facebook截圖：