30年来，很多论文涉及人工神经元方法在工业界的应用。但在我看来，实际应用价值并不像论文上写的那么理想。真正成功应用的有，但非常少。很多人用这种方法写论文，往往是另有所图——这一点，有些人其实是明白的，只是不愿意说透。神经网络的一个重要缺陷是训练结果的可靠性不够，适合的工业场景不多。

大数据和深度学习之间，有密切的联系：只有在大数据的条件下，深度学习才容易成功。深度学习方法对于视频、音频识别是有效的，也取得了不小的成功。但在工业界多数场景，深度学习方法却未必有效：许多工业场景太复杂、对可靠性的要求又太高。我的判断是：深度学习可以偶尔制造轰动效应、可以发论文，但不一定是工业界的常规算法。这就好比野山参可以做补品，但不能当粮食吃。

有人提出过大数据理论的一个特点：简单算法胜过复杂的算法。这句话背后的原理应该是：大数据算法的本质是模仿已有的、相近的案例。这种判断基于大数据的一个特点“样本=全体”：日光底下无新事，总有一款适合你。我判断，未来随着数据的增多，近邻方法、聚类方法以及相关变异的方法可能会在工业大数据领域大行其道。

近邻方法、聚类方法很简单，但在工业中用好也不容易。比如，近邻“资格”的判断、权重选择，都可以与具体领域知识相结合，让算法变成一种“艺术”。大数据应用的思想是简单的，但细节可能比较复杂。工业对确定性要求高，很多工业技术的特点，都是这一要求决定的。

来源：微信号 蝈蝈创新随笔

作者：郭朝晖

该作品已获作者授权，未经许可，禁止任何个人及第三方转载。