络具有一些受人喜爱的性质，使得它们比深度网络更容易被解释、分析和优化但它们的表征能力却不及深度网络。

一般使用了具有1个隐藏层的学习问题来序列式地逐层构建深度网络，其能够继承浅度网络的属性。

章杉在论文中也提及了这些

浅度监督学习通过反向传播算法在大规模有监督数据上训练的深度卷积神经网络已经成为了大多数计算机视觉任务中的主导方法。

这也推动了深度学习在其它领域的成功应用，比如语音识别、自然语言处理和强化学习。但是，我们仍然还难以理解深度网络的行为以及它们表现出色的原因。这种困难的一大原因是网络的层中采用了端到端的学习方式。

监督式的端到端学习是神经网络优化的标准方法。

但是其也存在一些值得考虑的潜在问题。

首先，使用全局目标就意味着一个深度网络的单个中间层的最终函数行为只能以间接的方式确定：这些层是如何协同工作以得到高准确度的预测结果的，这一点却完全不明晰。

有一些研究者认为并且通过实验表明能够学习实现这样的机制：将不变性逐渐诱导成复杂但不相关的可变性，同时增加数据的线性可分性。

通过求解浅度监督学习问题而实现的层的序列学习是一种可替代端到端反向传播的方法。

这一策略可以直接指定每一层的目标，例如通过激励对表征的特定属性的精细化，比如渐进的线性可分性。然后，就可以根据对浅度子问题的理论理解来开发用于深度贪婪式方法的理论工具。

人工智能的前景是广阔的，但章杉觉得一味追求利用人的优势去改造机器，完全是倒行逆施。

真正合理的做法反而应该是利用人工智能去辅助人类更好的二次进化！

这才是真正的革命方向！

读书成神豪