按年被提到
20182018 · 10 次2026
视觉、语音与图像生成›卷积网络与图像识别·arXiv:1801.00631 · cs.AI

Deep Learning: A Critical Appraisal

深度学习:一次批判性评估
Gary Marcus · 2018

Gary Marcus 列出深度学习的十点局限,主张需配合其他技术

开始阅读 ↗PDFalphaXiv 讨论
被推荐 · 14 人首次 2018-01-03 · 最近 2025-11-28
14不同的人
10活跃月份
16讨论串
852被引(OpenAlex)

作者回顾深度学习自 2012 年 ImageNet 模型以来的进展,在承认语音识别、图像识别和游戏等领域进步的同时,提出对深度学习的十点担忧,并主张要走向通用人工智能,深度学习必须与其他技术互补。

HN 为什么提它

HN 上的人把它作为深度学习局限性的代表性批评来引用,称其视角偏认知科学;也有人批评它概念混淆、论点陈旧,质量很差。

观点难度 2 / 5约 30 分钟经得起时间
读之前最好知道
1深度学习基础
2监督学习与泛化
3人工智能的符号主义与联结主义之争
4通用人工智能(AGI)背景

学习路径

读这篇之前,按顺序读书架上的 7 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出

先建立深度学习的整体图景和历史,再看它被批评的几个方面:对抗样本、被愚弄的网络、数据依赖、常识与类人学习、评测可复现性。

  1. 1
    Deep Learning in Neural Networks: An Overview神经网络中的深度学习:综述 · 2014

    给出深度学习的历史与整体背景,便于判断 Marcus 批评的是哪一类方法。

    读略读,抓住深度学习的发展脉络与主要成果。

  2. 2
    Intriguing properties of neural networks神经网络的有趣性质 · 2013

    对抗样本的起点,支撑文中关于深度网络脆弱性的论点。

    读微小扰动导致误分类的现象。

  3. 3
    Explaining and Harnessing Adversarial Examples解释并利用对抗样本 · 2014

    解释对抗样本成因并给出快速生成方法,进一步说明鲁棒性问题。

    读线性解释与 FGSM 的基本思想。

  4. 4
    Deep Neural Networks are Easily Fooled: High Confidence Predictions for Unrecognizable Images深度神经网络很容易被愚弄:对无法辨认的图像给出高置信度预测 · 2014

    展示网络对无法辨认的图像也给出高置信预测,对应文中深度网络并不真正理解的论点。

    读进化算法生成的欺骗图像和高置信度结论。

  5. 5

    把对抗思想用到阅读理解上,说明系统对表面特征的依赖,支持文中关于泛化的批评。

    读加入干扰句后模型表现骤降的实验结论。

  6. 6
    Building Machines That Learn and Think Like People构建像人一样学习和思考的机器 · 2016

    认知科学视角下对类人学习的要求(因果、直觉理论、组合性),与文中提出的需要其他技术相呼应。

    读核心主张:因果模型、直觉物理与心理、组合性、学会学习。

  7. 7
    Deep Reinforcement Learning that Matters真正重要的深度强化学习 · 2017

    说明深度 RL 结果难以复现、评测不严谨,关联文中对结果可靠性的担忧。

    读复现性实验与报告建议的要点。

  8. 8
    Deep Learning: A Critical Appraisal深度学习:一次批判性评估 · 2018 · 就是这篇

    目标论文:列出深度学习的十点局限,主张需配合其他技术。

    读十点局限逐条与前面论文的对应;结尾关于混合方法的建议。

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
推荐chubot · 2019-11

“he has a decidely different perspective that I think is a lot more grounded and reasoned:”

推荐这位作者的视角,认为比别的说法更扎实、更有道理
It’s impossible to see the world as it is, argues a neuroscientist [video]原评论 ↗
推荐randcraw · 2020-06

“For a rather complete view of what deep learning still does not do, I recommend the work of Gary Marcus and Ernest Davis.”

想全面了解深度学习还做不到什么,推荐 Marcus 和 Davis 的工作
An understanding of AI’s limitations is starting to sink in原评论 ↗
批评ninjin · 2025-06

“In short, it is bad, very bad as a scientific piece.”

批评它作为科学文章很糟,混淆深度学习与统计学习,观点老调重弹
Seven replies to the viral Apple reasoning paper and why they fall short原评论 ↗
引用shoguning · 2018-04

“For more perspective: Deep Learning”

贴出它,作为深度学习缺陷与局限的另一种视角
The AI Revolution Hasn’t Happened Yet原评论 ↗
引用randcraw · 2019-01

“Gary Marcus at NYU has addressed the present limits of DL in terms of cognition in several papers and talks:”

指出 Marcus 在多篇论文中论述了深度学习在认知上的局限
What are the limits of deep learning?原评论 ↗
引用chubot · 2025-11

“But the paper isn't wrong either:”

逐条核对后认为这篇论文列的局限并没有错
A trillion dollars (potentially) wasted on gen-AI原评论 ↗
被提交为 story · 10 次