深度学习（一）：出路还是陷阱

大约从2015年起，深度学习的研究与应用热潮开始席卷全球。学术界相关的论文数量呈井喷趋势；工业界的巨头在不吝重金将行业领军人物纳入麾下的同时，纷纷开源自家的深度学习框架跑马圈地。2017年AlphaGo在围棋领域击败了来自中国的顶尖高手柯洁，更是将人工智能这一更加易懂的名词普及到了大街小巷。一大群打着人工智能旗号的初创公司纷纷涌现。更有高校开设了人工智能专业。热潮之下，人工智能这四个字仿佛有了神奇的魔力——能发论文、能解决技术问题、能推高公司估值、能募集资金。尽管深度学习与人工智能并不能画等号，但是热潮汹涌，被裹挟于其中的人早已无暇顾及这些细枝末节。深度学习万金油的形象已然深入人心。

尽管在深度学习领域的行业巨头经常出现在聚光灯下，但是众多在舞台上没有姓名的普通公司才是这场技术热潮中的隐形主角。他们迫切希望使用深度学习来解决细分行业内的技术问题。有些公司面临的问题往往需要定制化开发、解决方案通用性差，是大厂看不上的业务；有一些公司不甘心沦为大厂算法的试验田；还有一些公司对深度学习有了一定理解，希望利用自己的数据优势弥补其它方面的不足。这些公司最终走向了自主开发的道路。然而，深度学习的技术原理决定了其开发范式的独特性。其中一些概念与做法对于传统软件开发人员来说是全新的，有时甚至是难以理解的。

普通公司正面临着这样的问题。表面上随着技术发展深度学习的应用门槛快速下降，感觉自己也可以参与；但是实际上将深度学习用好却离不开该行业的专业知识，隐形的门槛变高了。具体的开发过程中更是出现技术方案难以达成共识，协作需要花费更多的沟通时间，项目进展缓慢，工作强度比传统项目还要高的现象。以至于让人怀疑深度学习模型的自主开发，究竟是出路还是陷阱？

这个问题很难一句话回答，不过，借用“深度学习”字面含义，普通企业在决定走上这一条路之前，需要先来一场“深度分析”。