AI越来越强，但我们快要养不起了。2016年，“阿尔法狗（AlphaGo）”与李世石的围棋对决，让人工智能和深度学习进入了大众的视野。在那场人机大战中，阿尔法狗以总分4比1获胜。不仅围棋，深度学习近些年迅猛发展，在语言、医疗等多种领域展现出了强大的能力。
然而这一切是有代价的，为了降低错误率，深度学习在完成任务时需要越来越大的计算量，由此产生的经济成本、耗费的电量、对环境的污染，将超出人类社会的承受能力。人工智能普及的那一天，或许也将是人类能源被计算机消耗殆尽的那一天？
深度学习是人工智能领域长期发展的成果。早期的人工智能系统基于逻辑和人类专家给定的规则，之后渐渐引入了可以通过学习来调节的参数。而今，神经网络可以通过学习，构建可塑性很强的计算机模型。神经网络的输出不再是单一公式的结果，而是采用了极其复杂的运算。足够大的神经网络模型可以适应任何类型的数据。
深度学习已经在机器翻译领域大显身手。早期，翻译软件根据语法专家制定的规则进行翻译。在翻译乌尔都语、阿拉伯语、马来语等语言时，基于规则的方法起先优于基于统计学的深度学习方法。但是随着文本数据的增加，深度学习全面超越了其他方法。
巨大的计算成本是深度学习面临的严峻挑战。一个适用于所有统计学模型的规则是：要想使性能提高k倍，至少需要k2倍的数据来训练模型。又因为深度学习模型的过参数化，使性能提高k倍将需要至少k4倍的计算量。显然，为了提高深度学习模型的性能，科学家需要构建更大的模型，使用更多的数据训练。但是计算成本会变得多昂贵呢？是否会高到我们无法负担，并因此阻碍该领域的发展？
面对不断上升的经济和环境成本，深度学习领域迫切地需要在计算量可控的前提下，提高性能的方法。研究人员为此进行了大量研究。一种策略是，使用为深度学习专门设计的处理器。另一种减少计算负担的策略是，使用更小的神经网络。元学习有望降低深度学习训练成本。一些尚未发现或被低估的机器学习类型也可能降低计算量。
如果我们不能改变深度学习的方式，就必须面对这个领域进展缓慢的未来。我们期待一场算法或硬件的突破，让灵活而强大的深度学习模型能继续发展，并为我们所用。