论人工智能之深度学习与人类学习的异同

蒋万胜，田 姿

（陕西师范大学 马克思主义学院，陕西 西安 710119）

人类智能是目前公认的高级智能，因此以机器模拟和学习人类智能是当前人工智能的重要内容和目标。在为机器不断赋能的过程中，机器学习从浅度学习发展到深度学习新阶段，取得了一系列突破。深度学习扩大了计算机视觉、生物特征识别、文字处理等技术应用，不仅影响政治、经济、文化等领域，而且影响到人类学习。它从微观上改变着人类学习活动，为增强人类学习能力，反思自身学习方法提供镜鉴。学习根本上是人在劳动中形成的，恩格斯曾指出，因为劳动使得人体不断适应环境，带来了肌肉、韧带等机体的发展，出现了人手，然后“魔力似地产生了拉斐尔的绘画、托瓦德森的雕刻以及帕格尼尼的音乐”[1]552。事实上，人类一直在探索关于知识与学习的奥秘，例如，柏拉图的“洞喻”“回忆说”；洛克的“白板说”等，都是人类对自身认知和学习能力的理论探求。在洞喻观点看来，知识存在于先验的理念世界，只有接受教育，通过后天的学习才能激活这种知识，并走出洞穴接受新知识，发现洞穴之外的世界，白板说主张认识来源于经验，人一出生心灵只是一张白纸，后天的学习与经验积累让这张白纸有了内容。人工智能就是不断赋予机器学习能力，深度学习则进一步使机器实现对人感知能力的部分模仿以及在有限程度上对抽象思维和审美创造力的模仿。值得关注的是，深度学习与人类学习是共通互鉴的关系，研究深度学习可以很好地为人类学习克服自身局限提供启示，丰富人类学习对象、学习目标和学习方法，提高人类学习活动智能性并激发人类对学习活动的更多思考，进一步探索人类智能的奥秘。

一、深度学习的出现及其特征

人类在为机器不断赋能的过程中，推动机器学习从浅度学习发展到深度学习新阶段。深度神经网络是当前支撑人工智能技术进步的重要基础，推动深度学习取得一系列突破并成为人工智能技术的核心，这些突破蕴藏于深度学习具备的6 个新特征之中。深度学习的出现不仅反映了人类利用、发明和改造机器的智慧，而且反过来对人类社会产生重要影响，改变人类社会生活方式。同时，在对人类社会的多领域渗透中，深度学习日益嵌入人类的认识方式和思维模式中，影响和改变着人类的学习活动。

（一）深度学习的发展历程

浅度学习是深度学习的起源和前身，二者共同缘起于人类让机器模拟生物神经网络的伟大构想。从理论发展的阶段性进展和技术取得的突破性进展综合考量，可以说，1965年以前机器学习处于浅度学习阶段，其后便进入深度学习新阶段。1943年麦卡洛克（Warren McCulloch）和皮茨（Walter Pitts）共同提出形式神经元模型，即M-P模型，这是首个通过模仿生物神经元而形成的模型，实现了对人脑神经网络的物理模拟，开启了人类研究生物神经网络的序幕，启发人们发现生物大脑的神经元特点，包括突触、脉冲等。1949年，加拿大心理学家赫布在《行为的组织》书中提出了一种基于无监督学习的海布学习规则（Hebb Rule），由这一规则建立的网络模型能够针对数据集进行大量训练并提取特征，进而把样本分类从而达到学习。但这种分类方式仍旧是理论设想，且往往是线性的，很难将样本的特征统一在同一维度，所提取的特征不具有普遍性，学习效果不佳。1958 年，罗森布拉特（Rosenblatt）提出了感知机（Perceptron），使人工神经网络开始有了简单的学习能力，能通过训练自动确定参数并修正误差，提高了理论构想和技术模型水平。这一模型是由两层神经元组成的线性模型，可以对输入的训练集进行二元分类并自动更新权值，带来了技术创新的突破口，但也面临线性不可分、层级不高、特征提取不具有普遍性的困境。浅度学习的技术力量还不足以解决其面临的理论困境和技术难题。由此，神经网络模型沿着深层化、高维度发展。

1965 年，乌克兰数学家伊瓦赫年科（Alexey Grigorevich Ivakhnenko）为有监督的多层人工神经网络（ANNs）搭建了第一个通用工作学习算法，建立起多个神经网络相互堆叠的架构，这一架构与今天的深度学习神经网络架构具有一致性。1969年，人工智能之父明斯基（Marvin Minsky） 和派珀特（Seymour Papert）在合著的《感知器》（Perceptrons）一书中揭示了早期感知机无法解决线性不可分问题。1986年，辛顿提出了反向传播算法（Backpropagation algorithm，简称BP算法），在传统神经网络正向传播的基础上增加了误差的反向传播，使得神经元之间能够不断调整误差到最小范围以解决此前的线性不可分问题，由此催生了包括输入层、输出层、隐藏层的多层感知机（MLP，全称Multilayer Perceptron）。2006年，辛顿重启深度学习模型的使用，为提高深度学习模型的训练速度，他发明了一种新算法，即在使用反向传播之前，用“深度信念网络”先对模型进行预训练，进一步提高了机器学习的精确度和可靠性，这一尝试再次向全世界推广了深度学习。2012 年，辛顿的学生莎士科尔（IIya Sutskever）及其团队在图像分类比赛ImageNet 中使用深度学习打败了谷歌（Google）团队，此后深度学习蓬勃发展，取得一系列具有变革性意义的成果，展现了深度学习的强大智能性，深刻改变了世界面貌。

可见，1965年之前，深度学习孕育着理论准备和技术构想，但面临着大量理论问题和技术困境，处于缓慢发展的初期阶段。从1965年深度学习诞生到1986年反向传播算法出现，深度学习不断克服新问题取得新突破，使1965年成为了机器学习发展阶段的历史转折点，机器学习由浅度学习走向了深度学习。而这一跨越式发展的实现标志就在于神经网络层级的加深，深度学习出现以前，网络层级只有3到5层的可以划归到“浅度（浅层）学习”，而具有7 到10 层或者更多的网络层级数则属于“深度学习”[2]。因而，我们可以将神经网络层级在6级及以下只有几个神经元组合的时期看作浅度学习阶段，高于6 级甚至未来能达到十几或几十、几百的神经网络层级的时期看做深度学习阶段。

（二）深度学习的基本特征

机器学习取得重大突破、迈进深度学习阶段，呈现出六个基本特征：第一，层级性特征。层级加深不仅是深度学习诞生的标志，而且是其区别于其他机器学习类型的本质差别。浅度学习有维度浅、线性强的局限，只能采用分段学习的方式，而深度学习则采用端到端的学习方式，即具有点对点的精确性优势，学习的准确度更高。第二，算法性特征。深度神经网络的作用蕴含于各种深度学习算法之中，目前常见的算法包括前馈神经网络、反馈神经网络、自编码器、卷积神经网络、递归神经网络等，这些算法为当前的计算机视觉、文字处理等技术提供了支撑。第三，深度性特征。深度学习具有多维度、可抽象特征。人类熟知的维度有二维、三维和四维，其是能在平面、立体空间等不同情景下切换思考的维度，人类智能正是通过思维的立体抽象和高维度逻辑训练体现出来的。深度性特征决定了机器具备扩展维度的能力，具备学习人类抽象思维能力的可能。第四，数据性特征。相比浅度学习，深度学习具有两方面优势：一是数据量变稳定性，二是数据处理结构化。深度学习不仅能处理更多数据而且能够保持提取数据特征的普遍性和一致性。这保证了数据提取和处理的稳定性，而且实现了数据处理的结构化，甚至可以实现处理图像、视频等非结构化数据。第五，工程性特征。它指从原始数据提取出最大限度的能表征原始数据信息的工程性特征，主要针对深度学习表征信息的能力而言，表现机器捕捉、处理信息的能力。第六，结构性特征。它是指深度学习算法和模型结构的优化，主要表现在两个方面：一是相比于特征提取，更加强调逐层特征变换和从特征中提取原始数据样本，从而灵活地将数据或模型运用到其他条件和情景中，提高算法和模型的迁移学习能力；二是能够全面深入地挖掘数据背后的大量隐性可用信息，揭示数据所蕴含的隐藏价值，达到数据开源和重新利用。

上述6 个特征表现了深度学习的独特优势和强大功能。相较于浅度学习，深度学习增强了机器学习人类感官能力、智能抽象思维的可能，例如，1989 年诞生的卷积神经网络（CNN，Convolutional Neural Network），应用于计算机视觉和自然语言处理，延伸了人的感官与学习能力。1990年出现的递归神经网络（Recurrent Neural Network，RNN），不断赋予了机器学习“记忆能力”，为人类研发语音转文本技术奠定了基础。据麦肯锡公司的一项报告分析，深度学习在图像识别方面可以将浅度学习的错误率降低41%，在面部识别方面可以降低27%，在语音识别方面可以降低25%[3]。深度学习在获取“视觉”“听觉”“感知”等能力上取得了重大进展，进一步增强了机器学习的“智能化”。但我们必须清楚地意识到，深度学习并不是自然发生的，其是人类智慧的结晶，反过来对人类社会产生深刻影响。这种影响从整体上改变着人类社会面貌，并且已经逐步渗透到人的认识能力和思维模式中，改变着人类的认知学习方式。深度学习的出现带来了机器学习在学习能力和学习模式上的新突破，提高了人工智能的智能化水平并扩大了其技术应用，推进了人类社会智能化进程。人工智能有着能够优化人类学习活动的积极性，同时也可能加剧人对机器的依赖。我们如何看待这一现象以及如何促使其向好的方向发展呢？不妨首先思考深度学习与人类学习之间的相互作用，探究其为什么能够影响人类学习以及如何影响人类学习，以便为增强人类学习和认知能力提供启示。

二、深度学习与人类学习的共通互鉴

深度学习起源于人类对生物神经网络的模仿，最终目标在于实现机器学习和模拟人类智能。同时，这种模拟学习反向启迪和训练人对自我的重新认知。机器学习人类的感知功能和逻辑思维能力，尤其是一直力图模仿人脑的组织构成与运行机理，这种共通和互鉴的关系决定了研究深度学习和人类学习的异同有助于探索人脑思维和人类智能的奥秘。深度学习与人类学习二者彼此影响，为人类学习提供启示，下面分别剖析深度学习和人类学习二者的共通与互鉴。

（一）深度学习与人类学习的共通

深度学习和人类学习本质上都是学习，深度学习本身缘起于人类智能，二者殊途同归[4]，都旨在提高智能化水平和能力。要了解深度学习与人类学习的相互作用，首先要回答深度学习为什么能够影响人类学习，认识这一问题需把握二者特征。理解深度学习对人类学习的影响前提是以人类学习为参照物，明晰其允许深度学习影响的范围和路径。人类学习具有下述3 个特征：一是人类学习的主要机能源于人脑，人脑是使人类学习完全不同于深度学习的根本标志。二是人类学习活动的运行机理离不开人脑、身躯、组织器官等的系统作用。三是人类学习具有多样性和灵活性。人类学习能够为深度学习提供学习对象和参照标准，相对于深度学习，人类学习更具有灵活性和高度抽象性，尤其是在思维逻辑方面有着深度学习难以企及的优势。尽管深度学习在计算机视觉、语音识别等方面与人类学习相通，但相比于人类智慧和人类学习的综合应用能力还有巨大的提升空间。人类学习能够不断为深度学习提供可供学习的神经网络模型、学习算法模型、抽象思维模型等，丰富深度学习的学习内容与方式。反过来，深度学习的新特征说明其与人类学习在组织构成、学习机能等方面存在以下几个融通点：

第一，二者都需要组织构成的支撑。人脑是区别人类学习和机器学习的重要标志，人脑神经结构对记忆、理解、整合功能具有重要作用。思维作为人脑独有的产物，直接影响人类认识方式和学习模式[5]。深度学习会引发人们思考人脑神经网络模拟和研究的新方法，推动脑科学的发展，从而帮助我们解剖和分析人类学习活动的不同环节，探究人脑神经结构的运行机理，为增强人的学习能力提供更多可能。第二，二者都离不开机体整体的系统作用。人类由有机物构成，机器由无机物构成。相较于深度学习，人类学习是一个复杂有机体的活动过程，不仅依赖于人脑的特殊构造，还深受身体感官机能的影响[6]，深度学习依赖于设备、程序、数据等基本要素的共同作用。人类学习的过程是人体与世界耦合的过程，要探索人类学习是如何进行的，必须把握好在具身认知条件下人类是如何进行学习的[7]，即从人类学习活动的实践展开过程中把握人类学习。深度学习可以被剖析还原为不同的算法、编程等独立单元，基于层级性、深度性、工程性等特征带来的量化分解功能，为梳理人体感官如何作用于人类学习提供了参照。第三，二者都以执行任务为学习实践方式。深度学习以硬件设施形式进行学习，丰富着学习方式和模式。人类学习更加多样灵活，在具体的学习活动中体现为任务完成的综合性。这是因为劳动赋予人类学习两种性质：永久可塑性与多元一体性。前者使得人类学习能够无止境地进行下去，并且不会重复，反而会不断创新创造，后者决定了人类学习是综合性学习，具有同时同步完成多项任务的能力，如同一个装了永动机的并行处理器。虽然深度学习目前尚只能完成独立任务，但随着对人类模拟的深化，未来可能能够完成通用性综合任务。

（二）深度学习与人类学习的互鉴

深度学习和人类学习各有其局限性。深度学习并非完全准确可靠的，虽不像人的学习那样易受到外部条件的干扰，但也会受到操作失误、误差等因素的影响，出现学习效果失真和错误。同样，人类学习具有条件性，会受到社会环境、个体受教育程度等内外部力量的多种影响。这就促使深度学习和人类学习的共通借鉴成为可能甚至必然。深度学习影响人类学习方式主要有两个方面：一是影响人类的学习活动，二是影响人类对人脑思维模式变化的理解。

其一，深度学习影响人类学习活动包括对人类学习对象、方式、目标等的作用。一方面，深度学习的出现将数据和信息的重要性提到了新的高度，使人们更加重视数据和信息的掌握与处理能力，学习相关技能成了大数据时代人类学习的重要内容。那么，如何才能发挥、保护和开发好数据信息资源，这要求人类在进行学习时，既要掌握与搭建促进数据流通和互动的技术与环境，又要学习建构对个体隐私的保护机制。这无疑是信息时代下深度学习为人类学习提出的新课题。另一方面，深度学习的技术攻关要求人类不断加大对自身理论学习能力和实践能力的研究力度。人类学习的目标除了提高自身科学文化素养、思想道德水平之外，更需要提高人们善于利用电子设备的能力与水平，学会人机和谐共处已成为人类学习的新课题和发展方向。此外，深度学习还深刻影响和改变着人类的学习方式，有助于发现人类学习的更多未知，挖掘更多可开拓的学习空间。当前已研究发明出一种可以模仿人脑可塑性的计算设备，这种设备开发出了一种能模仿生物突触关键功能的有机塑料晶体管[8]，将其植入机器或电子设备中能够极大地提高机器学习的智能性，从而帮助人类取得研究人脑学习活动的新突破。例如，随着计算机科学出现的思维导图，就为人类研究人脑学习机制和逻辑建构提供了直观的量化图，为促进教育教学提供了可靠方法。

其二，深度学习影响人类思维模式变化。这种影响主要包括三个方面：第一，深度学习促使人脑学习从突出记忆理解到强调高维度逻辑建构，成了辅助人类记忆理解的有力工具。传统的人类学习更加依赖于记忆和理解的共同作用，从而构建起高维度的抽象逻辑架构，知识记忆是人类传统学习方式的重要内容。但记忆具有很多局限性，例如，对语言交流来说，如果一个人只是零零碎碎地听到自己和他人所讲的话，靠记忆来填补这中间的缺失，那是很难获取全部信息的。深度学习的出现弥补了人类记忆的局限，使人们从重视知识记忆转向更加重视逻辑思维建构。但这并不是说人类学习要忽视记忆能力，而是说在教学与学习中应重视将更多时间和精力投入到对逻辑思维的研究和搭建上。第二，深度学习丰富了人类对自身学习方式和认知模式的认识。人类思维具有判断、分析、归纳等能力，但在不同情景和不同外力作用下，人类思维的逻辑性和认知模式往往并不是条理明晰的。而深度学习正不断实现的高维度抽象、逻辑量化（如思维导图）等功能正解决着人类学习在这方面的障碍。第三，深度学习的出现开拓了人类思维的逻辑起点，丰富了人类的思维模式，扩充了教学与学习的手段。深度学习的综合分析和抗干扰执行能力优势启发人们提出了一种新假设，即三支决策，帮助人类构建影响决策的多种预测模型。三支决策理论基于接受、拒绝和不承诺的概念构建，在常用的二元决策模型的扩展基础上增加了第三个选项[9]，让人们在决策前有了更多思考的余地。这使得人类的学习与决策更加注重依靠概率性。

综上分析可以看到人类学习与深度学习是共通互鉴的。这种相互作用带来了两方面影响：一是深度学习带来的各项技术正不断解放着人类劳动，让人们有更多时间和精力去从事更加追求幸福的事业。例如，自动驾驶技术减轻了人们开停车的压力，基于深度学习的脑成像技术帮助人类观察不同脑区域的功能及相互作用[10]，从而促进了人脑学习活跃过程的研究。二是深度学习带来的体力解放一定程度上刺激了人对机器的依赖性，人们更加愿意将一些繁重的任务交给机器完成。深度学习对人类学习的影响表现主要是积极的和进步的，但也潜藏着风险和未知，因此应采取合理客观的态度面对深度学习。对此，进一步剖析深度学习对人类学习的镜鉴作用，探究其对人类学习的启示，有助于发现增强人类学习、融合现代技术促进教育教学效果提高的方法。

三、深度学习对人类学习活动的启示

深度学习带来的新突破推动人工智能朝着通用人工智能发展，与人类学习的共通互鉴激发了人类对学习活动的更多思考。人能够借助外部环境、条件支持开发无穷创造力，利用条件、规律达到干预或者发明新事物的目的，这就是人的“特异功能”。不可否认，至少对脑科学来说，人类还未能完全揭开人脑逻辑运行的面纱。在历史的长河中，人类在脑科学方面已经取得很多成果，但取得每一次进步性的突破都很艰难。因为人类学习在不同阶段受到的限制普遍具有条件性，例如，都面临着记忆障碍、海量数据分析困难、学习精准度较弱等。深度学习的出现为应对这些障碍提供了很多启示和方法，在破解思维奥秘、进一步促进教育、推进人类学习上发挥了重要作用。

（一）从重视知识记忆转向重视逻辑训练

深度学习正改变着人类的认识方式和思维模式，在辅助提升人类认知和记忆能力的同时，启发人们重视训练思维方式和深化抽象逻辑。人类思维遵循由简单到复杂、由具体到抽象、由微观到宏观的规律，深度学习辅助人类思维实现从具象到抽象的升华，从浅层认知能力向深层逻辑训练发展，推动认识层次不断深化[11]。这一方面体现在计算机科学催生的思维导图训练方式，例如，流程图和层级结构图能够直观明晰地帮助厘清事物的顺序与结构，有助于人类梳理和明晰自身的逻辑路径，另一方面体现在深度学习能够提高人类学习方法的科学性与规律性，从而增强人类学习的逻辑性。人类学习的思维包括创造性学习思维、逻辑思维、系统思维等不同模式，逻辑思维是人类学习思维的基本方式和根基，增强思维的逻辑性是提高人类学习思维和系统学习能力的重要途径。深度学习通过智能联结与分析能够量化和还原人类学习的步骤与环节，方便人们从中发现拓展人类学习能力的突破口。人类学习进步和发展的动力来源于人类学习能力本身，深度学习能够充当揭示和弥补人类学习局限性工具的一个重要原因在于人类学习和深度学习的本质都是学习，前者依靠人脑神经网络和人体其他器官组织系统来实现，后者依靠计算机算法程序来实现。后者的可量化和可编程形式使人类有更多空间和能力投入重视思维逻辑的深化训练之中，从而为增强人类的逻辑思维训练提供可能。

当前，人类对人脑结构、人类学习活动已有了一定的了解与剖析，但对人脑结构和组成的结构尚处于探索阶段，对于人脑学习机制究竟是如何展开以及人类学习运行过程尚缺少明晰的答案。人类强大的学习能力并不是一开始就有的，从人类群体来看，人类诞生之初，并没有出现智人而是原始人类；从人类个体来看，个体一出生并不具有学习能力，与其说婴儿能学习不如说其会模仿。无论是群体还是个体，人类的学习能力都是从无到有、从弱到强，因此，教育历来是人类增强学习能力的重要基石。深度学习的出现正导向人类从重视知识记忆转向重视逻辑训练。但是，这并不意味着人类学习要放弃或取消知识记忆和理解，相反，如果没有记忆和理解，人类学习是无法进入到逻辑建构阶段的。深度学习凭借自身的深层级性、工程性等特征不断训练和培养抽象思维能力，尽管这一活动并不是自发的，但得益于人类开发和启动的训练使机器学习成为可能。正是人按照人类智能的模式和模型建构赋予机器智能，再现了人类智能并促进了对人本身的研究，才使得人的学习和教育成为连续不断的过程。如今，在深度学习独特优势的助力下，人类在思维训练层面正由重视知识记忆阶段向重视深层逻辑训练迈进。

（二）增加人类学习内容和方式的多样性

其一，深度学习丰富了人类学习对象和内容。大数据时代计算机技术的发展使得信息和数据成为了新形式的“黄金”。对电脑来说，没有数据和信息就相当于没有学习对象，数据信息是深度学习的学习对象的基本元素。而对人脑来说，单纯依靠数据和信息不一定能够形成知识，人类学习活动的展开既需要获取外界信息，也需要依靠人脑进行加工和处理，并且还需要通过实践辅助记忆与理解。现代计算机运行的底层逻辑是一种基于数字的二分法，即二进制逻辑[12]，而人类学习是一个非线性的综合的复杂过程。虽然二分法也是人类思维的基本特点，但人类学习知识很难做到像计算机那样严格将知识按照二分法逻辑被还原为不同的数据或量化符号。人类思维按照二分法运行，但人类学习活动却并不严格遵循这种路径，而是在理论与实践的结合中因势而变，并不依循非此即彼的路径进行，人的思维往往在更多的选择和学习中进行抉择。深度学习使计算机的二分法底层逻辑更加显著和明晰，这为人类明晰对自身学习活动的认识提供了镜鉴。

其二，深度学习丰富了人类学习方式。人类学习会受到记忆、知觉、理解、判断等多种因素的影响，记忆时间长短不同、理解能力深度不同、判断出发点不同等都会影响个体的学习效果和自身采取的学习方式。人类的记忆有短时记忆与长期记忆之分，理解有直观理解和抽象理解之分，分析有演绎和归纳之分，学习方法有全面性学习和重点性学习之分，深度学习的突破有助于发现这些区别背后的机理和促成因素，丰富人类对自身学习方式和认知模式的认识，从而帮助提高人类学习和教育水平。传统人类学习在很大程度上是依靠记忆来获取知识和技能的，但人脑记忆遵循记忆与遗忘规律，常常在记忆新事物的同时淡化对旧事物的记忆，难以突破记忆短时、反复等局限。深度学习的出现不仅能实现瞬时大量记忆，而且能对数据和信息实时处理，这方面的表现超越了人类，成为优势。例如，现代智能设备的日程安排和导航等功能能帮助人类规划和记忆最便捷行驶路径，智能家居在固定时段按照事先设定的程序和限定对象清扫家具等，使人们摆脱繁琐、反复而又意义不大的管理与记忆，从而投身于更自由、有意义的活动中。在教育领域中，深度学习在弥补人类学习局限性的同时也会丰富和优化人类学习方式，例如，思维导图和个性化推荐服务有助于教师根据学生个体思维差异定制合适的学习方式。

其三，深度学习利于揭示人类学习面临的问题。提高人类学习效果一方面需要积极发挥学习的主动性和创造性，另一方面也需要关注和破解可能阻碍学习的不利因素。深度学习有助于提醒在学习时有哪些方面可能面临问题或遇到障碍，从而帮助人们解决不利因素以推进学习。例如，已有研究发现人脑组织中可能阻碍人类学习与认知的异常情况，提出了一种自动分析大脑数据和检测认知功能异常的系统[13]，配合深度学习技术带来的脑成像技术分割和检测功能，能够通过标识人脑成像的异常揭示人脑记忆和认知可能面临的障碍。深度学习对学习问题的揭示和障碍推断指出了人类在解决阻碍学习的不利因素中可能的突破点，为推动教育发展提供了技术手段。

（三）寻找拓宽思维的新起点

人类学习包括知识型学习和技能型实践。在普遍意义上，人们并不会过多关注学习本身，而是注重提升学习能力和拓展学习方法。深度学习的出现启示人们要关注学习本身，关注学习规律和蕴含的逻辑可能性；启示人类反观自身学习思维的起点，从学习本身原则和规律出发拓宽学习可能性；启示人们开拓视野，建构更多符合人类学习规律的学习方法和体系，只有这样，才能进一步探索人类智能的奥秘。深度学习拓宽人类学习的思维起点、丰富人类学习模式和规则，主要表现在从确定性向可能性或概率性的转变。但这仅仅是当前深度学习初步显露出来的影响，未来其影响必定会加深和扩大。可以预测的是，深度学习无论从宏观上作用于人类社会还是从微观上影响人类学习，都彰显了巨大的发展潜力和广阔的应用前景。深度学习启发人类学习要积极拓宽思维起点，即扩展思维广度，主要体现在以下两个方面：

一是深度学习启发了人类学习扩充影响决策的原则。深度学习能解决不确定、模糊、动态复杂的海量数据的决策支持性问题。它利用稳定量化的数据形式和算法以及程序完成综合性的预测与决策，能够弥补人类学习在决策时受到众多动态因素的影响和犹豫而导致的风险。深度学习一般依靠相关性和概率性进行决策，推动人类在学习活动中决策原则的转变。对人类学习而言，无论是制造一部机器还是为机器编程，都要么使其具有完成某类行为的统计倾向而又不排斥其他行为的可能性，要么就把它的动作的某些特征严格不变地决定下来，前者是选择性的，后者是限制性的[14]，即要么会为其留出足够的空间让其自行反馈调整到合适的尺度，要么会限制机器的任务和方法范围以使其按照我们预想和既定的目标和路径运行。而对深度学习而言，人将智能赋予机器以后，机器就会按照计算机算法算力的规则进行符合新规律的运行，这不同于人类学习的既定理性路线。因而，深度学习遵循的概率性和相关性原则就可以为人类思维提供新思路和决策方案的新切入点。这种思维宽度的扩展迁移到学习与教育中，能够使人们在学习和教育的过程中及时纠错，帮助制定个性化的学习方法。

二是深度学习扩展了人类在思考如何活动时的依据。过去人们在选择学习的目标和方法时会朝着确定有利的结果进行，往往依靠确定性决定行动。深度学习启发人们要更多依靠统计学上的相关性或概率性来决策。是否做某事的综合考量应更多考虑成功的概率有多大，而不是一味追问结果究竟是成功还是失败这种单一确定性。以往人们可能更在意完全确定的认识，而现在深度学习并不以百分之百的确定性为原则，而是以权重赋值，以可能性决定思考方式。深度学习的赋值就是概率性学习，哪种可能性大，深度学习的结果就落脚于这种选择。例如，要发现一个人易出现在哪儿，深度学习会寻找他经常出现的地方，而不是搜索他的常驻地，经常出现的概率包括固定出现的概率。因此，人类学习可以仿照深度学习在认知逻辑起点上取得突破--从唯一确定性向概率性转变。思维逻辑的起点从确定性转向概率性，可以促进人类开发出更多能激发自身潜能的方式与手段，扩展人类认知领域、改变思维逻辑的方向。尽管深度学习已经为人类学习提供了很多有价值的启示，但也为人类提出了很多新问题，例如算法黑箱，即我们很难去解释和理解机器的选择和决策，以及算法伦理问题等，其涉及的众多法律道德问题是人类在处理人机关系中必须面对的问题。

在某些方面，可以看到深度学习已经对人脑思维模式产生了重要作用，能够促进人类更好地理解自身的学习能力，帮助人们从更多方面开拓思维认知。虽然深度学习相比人类学习在许多方面通用性不强，但并不因此而逊色于人类学习。机器没有复杂有机体的综合生物机能和构成，单一的物理机械机制简化了深度学习的影响因子，使机器不易受到复杂环境的干扰，能取得更加精确、即时、全面的学习结果，在人类学习无法完成的对精度要求和时效性要求都高的任务领地发挥着独一无二的作用。同时，在人类学习无法触及或者难以量化的任务中，它能弥补人类学习的不足。例如，人类至今未能完全破解出人类在学习过程中大脑的运作过程，未能明确解答思维逻辑是否具有层级性等问题，深度学习的出现有助于解答这一问题。从长远来看，深度学习在增进人类深层逻辑思维训练以及拓宽思维起点方面能激发人类更多思考，丰富人类学习的多样性，拓展人类学习能力。

总之，机器学习作为实现人工智能的手段，已经发展到深度学习新阶段，对人类社会和人类学习产生了深刻影响。人类智能通过深度学习得到了进一步再现与增强，必须深刻认识深度学习的特征和应用价值及它与人类学习形成的共通互鉴的关系。深度学习解决了众多浅度学习面临的困难，但也面临着标记数据困难、设备成本高、难以完成通用性任务等问题[15]，还需要从更多角度，全方位、大众化地推进深度学习的研发与应用。依托深度学习的镜鉴，人类学习能够从中得到诸多启示。按照“互联网+”模式，在学习教育方面，人们可以积极探索“深度学习+”模式，将深度学习对人类学习带来的启示融汇到教育教学中，促进人的学习能力、个体个性化学习方式、教育教学方法的提升，更好地以信息化手段提高人类学习和教育能力。认清技术发展的现状和规律、认识深度学习巨大的发展潜力和广阔的应用前景。未来，深度学习将不断增强自身的性能，更广泛地影响人类社会并更深入地嵌入到人类学习活动中。