为什么大家都说用锤子的人很少却有很多人说锤子手机不好？-董贝的回答-悟空问答
扫一扫，体验手机版问答
悟空问答App全新上线 看热点讨论 问明星专家
本人是苹果用户，第一部手机是5s，用了两年，后来换了6s，差不多也快两年了，因为之前都是为了省钱买的16G，现在手机老是提示空间不足，很烦，用了这么多年苹果，觉得苹果除了比较流畅，也没什么特别让我喜欢的地方，而且那么贵，我并不太消费得起，所以寻思着想换安卓来着，接着刚好看到坚果pro发布，感觉也不贵，而且外形我非常喜欢，一千多就能买到喜欢的外形，够用的内存（我买的64G）还有双摄，所以我就买了，用了一段时间了，续航真是6到不行，以前苹果都是公司一个充电器家里一个充电器的，现在用坚果每天哪天能把电用完，虽说还是有些卡顿，相对苹果手机而言吧，但是我觉得是完全可以接受的，毕竟才一千多的手机。因为我也是个资深的头条用户吧，每天刷头条不下三个小时的，基本上碰到坚果的话题，都会点进来看，评论区发现一般都会有相当一部分人说锤子不好的，什么外观抄袭苹果5，626不够诚意，掉漆，塑料背板什么，首先外观我不觉得很像苹果五，苹果五就是做方了。你哪个手机做方了不是那个样，后背也不是三段式啊，抄袭那蓝绿大厂才是经典好吗，一千多的手机，626不是已经能完美运行王者农药了吗。字数有限，只能说这么多了
为什么大家都说用锤子的人很少却有很多人说锤子手机不好？
一群叫mi的人干的…
如果计划1000多块，锤子是一个选择。我5月20号入手了锤子坚果pro，怎么说呢，开箱的确惊艳，玻璃背板很nice，整体外观漂亮，系统很人性化，有好多创新，很适合办公人士使用，大爆炸一步办公的确蛮爽，但是平常应用到的几率不大。电池很大，快充很快，又足够省电，是续航神器。但是它也有它的缺点和通病，目前我遇到的通病是屏幕的不平整，我指的是屏幕与下巴的金属连接处，我得是左低右高，如有强迫症，就会很难受。还有我得home键在使用20天时出现问题，轻触有异响，昨天到售后进行了维修，维修工程师进行了拆机重安，目前已解决，但是跟我一起去的一个大学生，也是home键出现问题，轻触根本没反应，后来进行了换键，但是他比较幸运的是他的屏幕与下巴金属部位连接平整。好了，我说了这么多，优点缺点都说明了，坚果pro的优点的确不少，缺点也很明显，不过没办法，一个小厂的品控不好，也只能这样了。
不是锤子好不好，真正让大家讨厌的是这个老板一副吹牛皮不打草稿，不可一世的嘴脸。稍微看过罗的历史的人，没一个说他是个实业派，从出名，从业经历，处处给人的感觉就是蹭存在感，哗众取宠，蹭热度，然后呢？继续个人秀，秀嘴，真正在手机的产品和销售渠道薄弱的环节，一点看不到做正事，到现在几个人在二三线城市看到过锤子的广告牌，产品，别处我不知道，只知道身处的三线城市真的看不到。仔细看罗创立锤子的时间，想学小米的营销模式，当时吹牛逼，适配世面全机型的牛皮不知是谁吹的，一年多，除了三星的两款烂大街的卡刷固件以外，连个屁都没见着，这种牛皮比天大，实干不如人的老板，业界投资人，傻子才看的好他
2个回答被折叠
正在为您加载更多深度学习真的万能吗？理解深度学习的局限性
我的图书馆
深度学习真的万能吗？理解深度学习的局限性
转载公众号：机器之心微信号：almosthuman2014本文选自venturebeat作者：MARIYA YAO, TOPBOTS机器之心编译参与：蒋思源、李亚洲、韩小西深度学习较其他机器学习方法在各类任务中都表现优异，各个机构或院校也花了巨大的精力和时间投入到深度学习，并取得了令人惊叹的成就。但深度学习近来也暴露出其内在缺陷，很多学界领军人物都在积极探讨解决办法和替代方案。因此本文力图阐述深度学习的局限性，引发更多对深度学习的思考。人工智能已经达到了炒作的顶峰。新闻报告称有的公司已经使用 IBM Watson 取代了工人、算法在诊断上击败了职业医生。每天都会有新的人工智能创业公司出现，宣称能使用机器学习取代你的私人和商业难题。榨汁机、Wi-Fi 路由器这样普通的物品也忽然宣称是「由人工智能驱动」。智能的站立式桌子不仅能记住你调节的高度，也能为你点餐。许多有关人工智能的喧哗都由那些从未训练过神经网络的记者，创业公司或者从未真正解决过商业难题却想要被高价聘请的编程人才所发出的。所以，有关人工智能的能力与限制，难免有如此多的误解。深度学习无疑使人兴奋神经网络创造于上世纪 60 年代，但近年来大数据和计算能力的增加使得它们在实际上变得有用。于是，一种名为「深度学习」的新的学科出现，它能使用复杂的神经网络架构以前所未有的准确率建模数据中的模式。结果无疑使人惊讶。计算机如今能比人类更好地识别图像和视频中的物体以及将语音转录为文本。谷歌就用神经网络取代了谷歌翻译的架构，如今机器翻译的水平已经很接近人类了。深度学习在实际应用中也令人兴奋。计算机能够比 USDA 更好的预测农作物产量，比医师更准确的诊断癌症。DARPA 的主任 John Launchbury 曾这样描述人工智能的三个浪潮：像 IBM 的深蓝或 Watson 这样的人工编码知识或专家系统；统计学习，包括机器学习与深度学习；环境自适应，涉及到使用稀疏数据为真实的世界现象构建可靠的、可解释的模型，就像人类一样。作为目前人工智能浪潮的第二波，深度学习算法因为 Launchbury 所说的「流形假设（manifold hypothesis）」（见下图）而更加有效。简单解释，它指代不同类型的高维自然数据如何聚成一块，并在低维可视化中有不同的形状。通过数学运算并分割数据块，深度神经网络能区分不同的数据类型。虽然神经网络能够取得精妙的分类与预测能力，它们基本上还是 Launchbury 所说的「spreadsheets on steroids」。深度学习也有深度难题在最近的 AI By The Bay 大会上，Francois Chollet 强调深度学习是比以前的统计学和机器学习方法更为强大的模式识别方法。「人工智能如今最重要的问题是抽象和推理，」Google 的人工智能研究员 Chollet 解释到，他是著名的深层学习库 Keras 的构建者。他说：「目前的监督感知和强化学习算法需要大量的数据，在长远规划中是很难实现的，这些算法只能做简单的模式识别。」相比之下，人类「从很少的案例中学习，可以进行长远规划，他们能够形成一种情境的抽象模型，并 [操纵] 这些模型实现极致的泛化。即使是简单的人类行为，也很难教授给深度学习算法。例如我们需要学习在路上避免被汽车撞上，如果使用监督学习，那就需要巨量的汽车情境数据集，且明确标注了动作（如「停止」或「移动」），然后你需要训练一个神经网络来学习映射不同的情况和对应的行动。如果采用强化学习，那你需要给算法一个目标，让它独立地确定理想的行动。为学习到在不同情况下躲避汽车，计算机可能需要先被撞上千次。Chollet 警告说：「仅仅通过扩大今天的深度学习技术，我们无法实现通用智能。躲避汽车，人类只需要告知一次就行。我们具有从简单少量的例子中概括出事物的能力，并且能够想象（即模拟）操作的后果。我们不需要失去生命或肢体，就能很快学会避免被车撞上。虽然神经网络在大样本量上达到统计学上令人惊讶成果，但它们「对个例不可靠」，并且经常会导致人类永远不会出现的错误，如将牙刷分类为棒球棒。结果与数据一样好。输入不准确或不完整数据的神经网络将产生错误的结果，输出结果可能既尴尬又有害。在两个最出名的缺陷中，Google 图像错误地将非洲裔美国人分类为大猩猩，而微软的 Tay 在 Twitter 上学习了几个小时后，就出现了种族主义以及歧视女性的言论。我们的输入数据中隐含有不期望的偏差。Google 的大规模 Word2Vec 嵌入是在 Google 新闻的 300 万字基础上建立的。数据集中含有诸如「男性成为医生，女性成为护士」这样的性别偏见关联。研究人员，如波士顿大学的 Tolga Bolukbasi，已经采取了在 Mechanical Turk 上进行人类评级的方式执行「hard de-biasing」来撤销这种关联。这样的策略是至关重要的，因为根据 Bolukbasi 的说法，「词嵌入不仅反映了刻板印象，同时还会扩大它们」。如果「医生」代表的男性比女性更多，那么算法可能在开放医师职位上将男性求职者定义优先于女性求职者。最后，生成对抗网络（GAN）的提出者 Ian Goodfellow 表明，神经网络可能被对抗性样本故意地欺骗。通过人眼不可见的方式在数学上处理图像，复杂的攻击者可以欺骗神经网络产生严重错误的分类。深度学习之外是什么？我们如何克服深度学习的局限性，并朝着通用人工智能迈进？Chollet 初步的计划包括使用「超级人类模式识别（如深度学习）增强显式搜索和正式系统」，并且他准备从数学证明的角度开始。自动定理证明（ATP）通常使用 brute force 算法进行搜索，而这很快就会导致在实际使用中的组合暴涨。在 DeepMath 项目中，Chollet 和他的同事们使用深度学习辅助证明搜索过程，他们模拟数学家的直觉，即使用哪一类引理（证明中的辅助或中间定理）证明可能是对的。另一种方法是开发更加可解释性的模型。在手写字体识别中，神经网络目前需要对几万到几十万个样本进行训练才能得出较为优良的分类。然而，DARPA 的 Launchbury 并不仅仅关注像素，他解释道生成模型能学习在任何给定字符后面的笔画，并能使用这种物理结构信息来消除类似数字间的歧义，如 9 或 4。卷积神经网络（CNN）的推动者，Facebook 的人工智能研究主管 Yann LeCun 提出了「基于能量的模型（energy-based models）」，该模型是克服深度学习限制的一种方法。通常，训练神经网络以得出单个输出，如照片分类标签或翻译的句子。而 LeCun 的基于能量模型（energy-based models）反而给出一整组可能的输出，如句子所有可能的翻译方式和每个配置的分数。深度学习的推动者 Geoffrey Hinton 希望使用「capsules」代替神经网络中的神经元，他相信其能更准确地反映人类思维中的皮层结构。Hinton 解释道：「进化一定已经找到了一种有效的方法适应感知通路的早期特征，所以它们更有助于以后几个阶段的特征处理。」他希望 capsule-based 神经网络架构将更能抵抗 Goodfellow 上面所提到的对抗性样本攻击。也许所有这些克服深度学习限制的方法都具有真实价值，也许都没有。只有时间和持续的人工智能研究才能拨开一切迷雾。&原文地址：//understanding-the-limits-of-deep-learning/本文系“MOOC”公号转载、编辑的文章，编辑后增加的插图均来自于互联网，对文中观点保持中立，对所包含内容的准确性、可靠性或者完整性不提供任何明示或暗示的保证，不对文章观点负责，仅作分享之用，文章版权及插图属于原作者。如果分享内容侵犯您的版权或者非授权发布，请及时与我们联系，我们会及时内审核处理。
TA的最新馆藏
喜欢该文的人也喜欢人工智能：深度学习真的万能吗_百度知道
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。
人工智能：深度学习真的万能吗
我有更好的答案
肯定不是万能的，而且深度学习也只是人工智能的一个分支，实际上还有不少其他的技术，但深度学习，知道的人更多。
为您推荐：
其他类似问题
您可能关注的内容
换一换
回答问题，赢新手礼包1868人阅读
深度学习（42）
深度学习较其他机器学习方法在各类任务中都表现优异，各个机构或院校也花了巨大的精力和时间投入到深度学习，并取得了令人惊叹的成就。但深度学习近来也暴露出其内在缺陷，很多学界领军人物都在积极探讨解决办法和替代方案。因此本文力图阐述深度学习的局限性，引发更多对深度学习的思考。
人工智能已经达到了炒作的顶峰。新闻报告称有的公司已经使用 IBM Watson 取代了工人、算法在诊断上击败了职业医生。每天都会有新的人工智能创业公司出现，宣称能使用机器学习取代你的私人和商业难题。
榨汁机、Wi-Fi 路由器这样普通的物品也忽然宣称是「由人工智能驱动」。智能的站立式桌子不仅能记住你调节的高度，也能为你点餐。
许多有关人工智能的喧哗都由那些从未训练过神经网络的记者，创业公司或者从未真正解决过商业难题却想要被高价聘请的编程人才所发出的。所以，有关人工智能的能力与限制，难免有如此多的误解。
深度学习无疑使人兴奋
神经网络创造于上世纪 60 年代，但近年来大数据和计算能力的增加使得它们在实际上变得有用。于是，一种名为「深度学习」的新的学科出现，它能使用复杂的神经网络架构以前所未有的准确率建模数据中的模式。
结果无疑使人惊讶。计算机如今能比人类更好地识别图像和视频中的物体以及将语音转录为文本。谷歌就用神经网络取代了谷歌翻译的架构，如今机器翻译的水平已经很接近人类了。
深度学习在实际应用中也令人兴奋。计算机能够比 USDA 更好的预测农作物产量，比医师更准确的诊断癌症。DARPA 的主任 John Launchbury 曾这样描述人工智能的三个浪潮：
像 IBM 的深蓝或 Watson 这样的人工编码知识或专家系统；
统计学习，包括机器学习与深度学习；
环境自适应，涉及到使用稀疏数据为真实的世界现象构建可靠的、可解释的模型，就像人类一样。
作为目前人工智能浪潮的第二波，深度学习算法因为 Launchbury 所说的「流形假设（manifold hypothesis）」（见下图）而更加有效。简单解释，它指代不同类型的高维自然数据如何聚成一块，并在低维可视化中有不同的形状。
通过数学运算并分割数据块，深度神经网络能区分不同的数据类型。虽然神经网络能够取得精妙的分类与预测能力，它们基本上还是 Launchbury 所说的「spreadsheets on steroids」。
深度学习也有深度难题
在最近的 AI By The Bay 大会上，Francois Chollet 强调深度学习是比以前的统计学和机器学习方法更为强大的模式识别方法。「人工智能如今最重要的问题是抽象和推理，」Google 的人工智能研究员 Chollet 解释到，他是著名的深层学习库 Keras 的构建者。他说：「目前的监督感知和强化学习算法需要大量的数据，在长远规划中是很难实现的，这些算法只能做简单的模式识别。」
相比之下，人类「从很少的案例中学习，可以进行长远规划，他们能够形成一种情境的抽象模型，并 [操纵] 这些模型实现极致的泛化。
即使是简单的人类行为，也很难教授给深度学习算法。例如我们需要学习在路上避免被汽车撞上，如果使用监督学习，那就需要巨量的汽车情境数据集，且明确标注了动作（如「停止」或「移动」），然后你需要训练一个神经网络来学习映射不同的情况和对应的行动。
如果采用强化学习，那你需要给算法一个目标，让它独立地确定理想的行动。为学习到在不同情况下躲避汽车，计算机可能需要先被撞上千次。Chollet 警告说：「仅仅通过扩大今天的深度学习技术，我们无法实现通用智能。
躲避汽车，人类只需要告知一次就行。我们具有从简单少量的例子中概括出事物的能力，并且能够想象（即模拟）操作的后果。我们不需要失去生命或肢体，就能很快学会避免被车撞上。
虽然神经网络在大样本量上达到统计学上令人惊讶成果，但它们「对个例不可靠」，并且经常会导致人类永远不会出现的错误，如将牙刷分类为棒球棒。
结果与数据一样好。输入不准确或不完整数据的神经网络将产生错误的结果，输出结果可能既尴尬又有害。在两个最出名的缺陷中，Google 图像错误地将非洲裔美国人分类为大猩猩，而微软的 Tay 在 Twitter 上学习了几个小时后，就出现了种族主义以及歧视女性的言论。
我们的输入数据中隐含有不期望的偏差。Google 的大规模 Word2Vec 嵌入是在 Google 新闻的 300 万字基础上建立的。数据集中含有诸如「男性成为医生，女性成为护士」这样的性别偏见关联。研究人员，如波士顿大学的 Tolga Bolukbasi，已经采取了在 Mechanical Turk 上进行人类评级的方式执行「hard
de-biasing」来撤销这种关联。
这样的策略是至关重要的，因为根据 Bolukbasi 的说法，「词嵌入不仅反映了刻板印象，同时还会扩大它们」。如果「医生」代表的男性比女性更多，那么算法可能在开放医师职位上将男性求职者定义优先于女性求职者。
最后，生成对抗网络（GAN）的提出者 Ian Goodfellow 表明，神经网络可能被对抗性样本故意地欺骗。通过人眼不可见的方式在数学上处理图像，复杂的攻击者可以欺骗神经网络产生严重错误的分类。
深度学习之外是什么？
我们如何克服深度学习的局限性，并朝着通用人工智能迈进？Chollet 初步的计划包括使用「超级人类模式识别（如深度学习）增强显式搜索和正式系统」，并且他准备从数学证明的角度开始。自动定理证明（ATP）通常使用 brute force 算法进行搜索，而这很快就会导致在实际使用中的组合暴涨。在 DeepMath
项目中，Chollet 和他的同事们使用深度学习辅助证明搜索过程，他们模拟数学家的直觉，即使用哪一类引理（证明中的辅助或中间定理）证明可能是对的。
另一种方法是开发更加可解释性的模型。在手写字体识别中，神经网络目前需要对几万到几十万个样本进行训练才能得出较为优良的分类。然而，DARPA 的 Launchbury 并不仅仅关注像素，他解释道生成模型能学习在任何给定字符后面的笔画，并能使用这种物理结构信息来消除类似数字间的歧义，如 9 或 4。
卷积神经网络（CNN）的推动者，Facebook 的人工智能研究主管 Yann LeCun 提出了「基于能量的模型（energy-based models）」，该模型是克服深度学习限制的一种方法。通常，训练神经网络以得出单个输出，如照片分类标签或翻译的句子。而 LeCun 的基于能量模型（energy-based
models）反而给出一整组可能的输出，如句子所有可能的翻译方式和每个配置的分数。
深度学习的推动者 Geoffrey Hinton 希望使用「capsules」代替神经网络中的神经元，他相信其能更准确地反映人类思维中的皮层结构。Hinton 解释道：「进化一定已经找到了一种有效的方法适应感知通路的早期特征，所以它们更有助于以后几个阶段的特征处理。」他希望 capsule-based 神经网络架构将更能抵抗
Goodfellow 上面所提到的对抗性样本攻击。
也许所有这些克服深度学习限制的方法都具有真实价值，也许都没有。只有时间和持续的人工智能研究才能拨开一切迷雾
&&相关文章推荐
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：504954次
积分：6546
积分：6546
排名：第4141名
原创：85篇
转载：303篇
译文：10篇
评论：194条
研二在读，关注：深度学习，计算机视觉，机器学习，图像处理。博文主要是自己的一些总结。转载文章供资料学习（转载一些最新文章），如有侵权望告知。注：有些评论没有回复，最近比较忙不好意思。
(1)(8)(35)(7)(14)(43)(57)(22)(16)(46)(24)(43)(42)(40)
(window.slotbydup = window.slotbydup || []).push({
id: '4740887',
container: s,
size: '250,250',
display: 'inlay-fix'数据分析公司Interset首席技术官Stephan Jou近日以人工智能在信息安全领域的应用为例，探讨了深度学习的定位和局限性
深度学习不是万能药，也有自己的问题和局限性
Google宣称TensorFlow1.0的API已经成熟，可以应用于生产环境。
2016年是人工智能元年，那么2017年方兴未艾的人工智能技术，尤其是深度学习创业的趋势如何？
YN整理的这个深度学习完全指南，汇集了目前网络上最优秀的深度学习自学资源
对于希望在应用中整合深度学习功能的开发者来说，GitHub上其实还有很多不错的开源项目值得关注
作为未来企业核心技术竞争力，深度学习的入门其实并没有想象中那么难
一位日本农民DIY了一台深度学习智能黄瓜分拣机，能够代替人工筛选靠谱黄瓜
如今五个月过去了，谷歌终于理清分布式培训功能的代码。
一些深度学习创业公司将来很可能是深度学习在各行各业开花结果的决定性力量。
除了卷积神经网络、长期短期记忆网络等知识点外，Google的深度学习公开课也会讲到TensorFlow
虽然谷歌、微软和Facebook等巨头都将深度学习作为研发重点，但是真正能够引领深度学习创新潮流的往往会是一些创业公司。
Facebook今天发布了专门为深度学习（人工智能的一种）计算开发的硬件服务器，Facebook计划通过开放计算计划（Open Compute Project）将该服务器的设计向业界开放。
对于希望在应用中整合深度学习功能的开发者来说，GitHub上其实还有很多不错的开源项目值得关注
新的深度神经网络算法生成的缩略图在A/B对照测试中比旧算法的得分高出65%。
苹果公司近日又收购了英国的人工智能创业公司VocalIQ，意在打造更加“善解人意”的Siri智能助理。
在大数据分析领域， 中国公司正在迅速赶上世界的先进水平，这是因为中国公司有两方面的优势
越来越多定位更加精准的专业分享社区产品开始涌现，此类产品将弥补当前传统专业媒体人才流失，而自媒体、社交媒体等新媒体无法有效承载专业性内容传播等诸多问题。
根据Facebook一位研究者的评测，Nervana的软件比业界知名的深度学习工具性能都要高，包括Facebook自己的Torch7和Nvidia的cuDNN。
Facebook最新的人工智能系统不但能进行图像挖掘和识别，还能识别视频，甚至“阅读”简单文本内容后回答一些相关的简单问题。
企业员工对WiFi的依赖性越来越高，企业的安全边界和数据安全正在面临与日俱增的WiFi移动安全威胁
来自开源组件和开源代码的安全威胁呈几何级数增长，严重威胁到信息安全“上游水源地”——安全开发和代码安全
一个电子商务网站只要速度慢一秒钟，每年的销售额损失就可能高达16亿美元。
对于大多数的企业技术和业务决策者来说，制定符合自身需求的物联网技术和方案开发展战略非常困难
企业的安全运营中心到底应该具备哪些核心职能，新时期CISO的技能、职责领导力需要覆盖那些领域呢？
用一百万欧元，一个企业就可以拥有含一万六千个 x86 核的私有云架构基础，并且对成本，外来情报威胁拥有绝对控制权，这是任何国家的公有云供应商都无法提供的。
要使物联网真正成为主流，企业就需要遵循清晰的检查清单来确保其物联网计划的安全。
Ruckus Wireless今天宣布推出全面定制解决方案Ruckus服务提供商云，帮助服务提供商向其客户提供高价值托管服务。
针对不同类型的设备和使用场景，教育机构如何能够确保学生安全进入Wi-Fi网络并获得最佳质量的连接呢？
为进一步推动消费品产业信息化应用，真正实现消费品产业信息化需求与供应有效对接，搭建消费品行业CIO与信息化解决方案供应商精准沟通的桥梁。
&Copyright (C) 2011,ctocio.cc - IT经理网}