論“深度學(xué)習(xí)”及其翻譯問(wèn)題

李婧萍

摘? 要：近些年來(lái)，“深度學(xué)習(xí)”頻現(xiàn)于教育界和計(jì)算機(jī)科學(xué)領(lǐng)域，出現(xiàn)了指稱同一但內(nèi)涵相殊的問(wèn)題，因此，有必要對(duì)這一概念按語(yǔ)境加以區(qū)分，并提出貼切的名稱翻譯方案。經(jīng)追溯分析可以看出，機(jī)器的“深度學(xué)習(xí)”得名于人類學(xué)習(xí)，它是一種概念隱喻，其本質(zhì)是算法及算法規(guī)定下的運(yùn)算過(guò)程，最終的“學(xué)習(xí)”結(jié)果可以預(yù)測(cè);人類的深度學(xué)習(xí)則涉及情感、環(huán)境等因素，是諸多變量共同作用下的復(fù)雜心智活動(dòng)，其結(jié)果因人而異。由此可見(jiàn)，譯名不能簡(jiǎn)單混用，故提出新的譯名建議，以避免因譯名不當(dāng)而出現(xiàn)混淆概念的現(xiàn)象。

關(guān)鍵詞：深度學(xué)習(xí);深層學(xué)習(xí);機(jī)器學(xué)習(xí);術(shù)語(yǔ)翻譯

在教育界，深度學(xué)習(xí)的理念由來(lái)已久，從中國(guó)的孔子到英國(guó)的培根，都多次談到這一問(wèn)題。美國(guó)教育家布盧姆從認(rèn)知視角歸納出教育目標(biāo)的六個(gè)層級(jí)，深度學(xué)習(xí)又進(jìn)入了教學(xué)法設(shè)計(jì)。隨著我國(guó)2017年最新版課程標(biāo)準(zhǔn)提出培養(yǎng)“核心素養(yǎng)”的育人理念，國(guó)內(nèi)對(duì)深度學(xué)習(xí)的關(guān)注度再次上升。核心素養(yǎng)是培養(yǎng)目標(biāo)，而深度學(xué)習(xí)是落實(shí)途徑。同時(shí)，在計(jì)算機(jī)科學(xué)領(lǐng)域，人工智能取得了長(zhǎng)足的發(fā)展，“深度學(xué)習(xí)”的概念亦頻頻出現(xiàn)，有時(shí)難免會(huì)引起與教育界同名概念的混淆和誤解?；诖?，本文聚焦“深度學(xué)習(xí)”在上述兩個(gè)領(lǐng)域的概念實(shí)指，深入分析其區(qū)別與聯(lián)系，進(jìn)而提出區(qū)分譯名的具體方案。

一、教育教學(xué)領(lǐng)域的“深度學(xué)習(xí)”

（一）教育界“深度學(xué)習(xí)”概念溯源

“學(xué)而不思則罔，思而不學(xué)則殆”凝聚著先哲孔子的教育思想，一味地讀書(shū)學(xué)習(xí)而不加以思考會(huì)陷入迷茫;相反，只思索而不閱讀學(xué)習(xí)則會(huì)充滿疑惑?？鬃蛹确穸ㄗx死書(shū)的學(xué)習(xí)方式，也不贊同脫離知識(shí)基礎(chǔ)憑空思考，這體現(xiàn)了閱讀輸入加內(nèi)化反思的深入學(xué)習(xí)思想。英國(guó)著名哲學(xué)家弗朗西斯·培根則主張從提出問(wèn)題、觀察分析到逐一驗(yàn)證并得出結(jié)論的探究式學(xué)習(xí)方法，這種層層遞進(jìn)的邏輯分析，也屬于深度學(xué)習(xí)。兩者都主張深入分析以至內(nèi)化的學(xué)習(xí)方式。

當(dāng)代美國(guó)著名心理學(xué)家、教育家布盧姆談到學(xué)習(xí)有深淺層次之分，基于認(rèn)知學(xué)相關(guān)理論，布盧姆將教育目標(biāo)劃分為記憶、理解、應(yīng)用、分析、評(píng)價(jià)和創(chuàng)造六個(gè)層級(jí)。其中，記憶與理解屬于淺層次學(xué)習(xí)，而應(yīng)用、分析、評(píng)價(jià)和創(chuàng)造則屬于深層次學(xué)習(xí)。各個(gè)層級(jí)之間相互聯(lián)系、層層遞進(jìn)，但并無(wú)嚴(yán)格界限[1]（P76）。換言之，淺層學(xué)習(xí)尚停留在對(duì)現(xiàn)有知識(shí)信息的消化與吸收層面，而深層學(xué)習(xí)則蘊(yùn)含高階思維，意指學(xué)習(xí)者基于已掌握的知識(shí)在遇到問(wèn)題時(shí)能夠發(fā)生知識(shí)遷移從而解決實(shí)際問(wèn)題。

教育目標(biāo)分類學(xué)在教育教學(xué)領(lǐng)域影響深遠(yuǎn)，深度學(xué)習(xí)（deep Learning）便是在這樣的理論背景下由美國(guó)學(xué)者M(jìn)arton & S?lji?于1976年首先倡導(dǎo)的，它是關(guān)于學(xué)習(xí)層次的一個(gè)概念，作者基于學(xué)生閱讀的實(shí)驗(yàn)，針對(duì)孤立記憶和非批判性接受知識(shí)的淺層學(xué)習(xí)（surface Learning）而提出這一觀點(diǎn)[2]（P57）。隨后，美國(guó)教育改革專家Jensen & Nickelsen詹森闡釋了“深度學(xué)習(xí)”的過(guò)程，作者認(rèn)為，深度學(xué)習(xí)是學(xué)生基于已有微知識(shí)，在教師的指導(dǎo)下，通過(guò)自主學(xué)習(xí)、合作學(xué)習(xí)或探究學(xué)習(xí)，將它與其他微知識(shí)聯(lián)結(jié)起來(lái)，并借助相關(guān)的訓(xùn)練來(lái)獲得一個(gè)完整的、綜合的新知識(shí)的過(guò)程[3]（P12）。

國(guó)內(nèi)教學(xué)領(lǐng)域明確使用“深度學(xué)習(xí)”概念的時(shí)間則相對(duì)較晚。2005年，隨著教育改革的不斷推進(jìn)，翻轉(zhuǎn)課堂、慕課等概念一同被引入中國(guó);2014年，教育部基礎(chǔ)教育課程教材發(fā)展中心在全國(guó)多地開(kāi)展深度學(xué)習(xí)教學(xué)改進(jìn)項(xiàng)目，這個(gè)概念逐漸為教育界特別是基礎(chǔ)教育領(lǐng)域所熟知。

自“深度學(xué)習(xí)”的名稱被明確提出以后，國(guó)內(nèi)研究特別是中學(xué)階段各學(xué)科的教育研究，從教學(xué)研討到論文撰寫(xiě)，大都會(huì)關(guān)涉到這一概念，頗有將其奉為圭臬之勢(shì)。同時(shí)，深度學(xué)習(xí)的自然歸宿與2017年最新修訂的普通高中課程標(biāo)準(zhǔn)中的“核心素養(yǎng)”育人目標(biāo)暗合。于是，以深度學(xué)習(xí)為主題的發(fā)文量便出現(xiàn)井噴式增長(zhǎng)現(xiàn)象。中國(guó)知網(wǎng)數(shù)據(jù)庫(kù)該主題下的發(fā)文量，1994年之前每年均在10篇以內(nèi)，2005年為101篇，至2019年已多達(dá)27231篇。需要指出的是，另一個(gè)重要驅(qū)動(dòng)力是得益于深度學(xué)習(xí)在計(jì)算機(jī)領(lǐng)域的飛速發(fā)展，這一點(diǎn)將在后文詳述。

（二）教育界“深度學(xué)習(xí)”內(nèi)涵解讀

有別于重在“傳遞”知識(shí)的、以記憶為主的表層學(xué)習(xí)，亦非流于形式的探究學(xué)習(xí)，郭華指出，“所謂深度學(xué)習(xí)，就是指在教師引領(lǐng)下，學(xué)生圍繞著具有挑戰(zhàn)性的學(xué)習(xí)主題，全身心積極參與、體驗(yàn)成功、獲得發(fā)展的有意義的學(xué)習(xí)過(guò)程?！盵4]

盡管教育界對(duì)深度學(xué)習(xí)的闡釋角度不盡相同且各有側(cè)重，但仍可發(fā)現(xiàn)深度學(xué)習(xí)在教育界的概念界定有以下共同點(diǎn)：深度學(xué)習(xí)是一種蘊(yùn)含高階思維的、批判性的學(xué)習(xí)，經(jīng)常與淺度學(xué)習(xí)相比較，深度學(xué)習(xí)之“深”主要體現(xiàn)在學(xué)習(xí)者對(duì)信息的深入加工和對(duì)復(fù)雜概念的透徹理解層面，其最終目標(biāo)指向?qū)W習(xí)者將內(nèi)化的知識(shí)遷移到新環(huán)境中解決問(wèn)題[5]?；趯?duì)國(guó)內(nèi)外相關(guān)文獻(xiàn)的梳理分析，我們將教育教學(xué)領(lǐng)域深度學(xué)習(xí)和淺度學(xué)習(xí)的區(qū)別與聯(lián)系進(jìn)行了總結(jié)，具體如表1所示：

值得注意的是，從學(xué)習(xí)者角度來(lái)衡量，深度和淺度學(xué)習(xí)之間不存在絕對(duì)的邊界，學(xué)習(xí)者對(duì)信息的加工只是在程度上有淺層處理（surfuce-level processing）或深層處理（deep-level processing）之別[6]。從教師教學(xué)角度來(lái)看，深度學(xué)習(xí)是一種教育價(jià)值觀而并非可供直接套用的具體方法，與之相關(guān)的理論多是描述性的，而非規(guī)定性的。其內(nèi)在原因是學(xué)生的學(xué)情存在不容忽視的個(gè)性差異，教師需要分析不同學(xué)生的具體學(xué)情，再制定適宜的教學(xué)策略，從而促成不同個(gè)體進(jìn)行深度學(xué)習(xí)[7]。

二、計(jì)算機(jī)科學(xué)領(lǐng)域的“深度學(xué)習(xí)”

（一）計(jì)算機(jī)領(lǐng)域“深度學(xué)習(xí)”概念溯源

在計(jì)算機(jī)領(lǐng)域，深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中一種基于對(duì)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的方法。觀測(cè)值（如一幅圖像）可以使用多種方式來(lái)表示，如每個(gè)像素強(qiáng)度值的向量，或者更抽象地表示成一系列邊、特定形狀的區(qū)域等[8]。在大數(shù)據(jù)時(shí)代背景下，機(jī)器學(xué)習(xí)領(lǐng)域廣泛研究和開(kāi)發(fā)機(jī)器深度學(xué)習(xí)，旨在建立、模擬人腦來(lái)分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，用以解釋數(shù)據(jù)，如圖像、聲音和文本等。深度學(xué)習(xí)的便利之處是在于，能夠運(yùn)用非監(jiān)督式或半監(jiān)督式的特征學(xué)習(xí)提取高效算法來(lái)替代手工獲取特征的過(guò)程。

二十世紀(jì)四十年代，神經(jīng)科學(xué)研究模仿生物神經(jīng)網(wǎng)絡(luò)，開(kāi)始構(gòu)建具有識(shí)別和記憶功能的模型與算法。二十世紀(jì)六十年代，機(jī)器學(xué)習(xí)尚處于萌芽狀態(tài)，從單層感知器逐步發(fā)展到多層感知器。機(jī)器學(xué)習(xí)在二十世紀(jì)末進(jìn)入瓶頸期，原因是當(dāng)時(shí)用于機(jī)器訓(xùn)練的數(shù)據(jù)量相對(duì)較小，難于從少量樣本中提取有價(jià)值的特征，反向傳播算法逐漸被放棄。直至2006年，Hinton & Salakhutdinov提出了一種無(wú)人監(jiān)督的機(jī)器學(xué)習(xí)方法，主要采取逐層預(yù)訓(xùn)練的方式而成功訓(xùn)練了深度網(wǎng)絡(luò)，重新推動(dòng)了神經(jīng)網(wǎng)絡(luò)研究[9]。之后，各種深度神經(jīng)網(wǎng)絡(luò)模型應(yīng)運(yùn)而生，其中，影響最為深遠(yuǎn)的當(dāng)屬深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，簡(jiǎn)稱“CNN”），它廣泛應(yīng)用于圖像、音樂(lè)、音頻等推薦系統(tǒng)中。從用戶生成的顯性或隱性數(shù)據(jù)開(kāi)始，機(jī)器通過(guò)深度學(xué)習(xí)模型（如RBM、AE、CNN、RNN、DNN等）對(duì)數(shù)據(jù)加以分析，從而形成用戶隱表示及項(xiàng)目隱表示，進(jìn)而生成可視化的推薦列表。

由此可以看出，人工智能是為機(jī)器賦予類似人的智能，機(jī)器學(xué)習(xí)是一種實(shí)現(xiàn)人工智能的方法，而該領(lǐng)域的“深度學(xué)習(xí)”則是一種實(shí)現(xiàn)機(jī)器學(xué)習(xí)的技術(shù)。

（二）計(jì)算機(jī)領(lǐng)域“深度學(xué)習(xí)”內(nèi)涵解讀

從技術(shù)原理角度來(lái)看，所謂機(jī)器的“學(xué)習(xí)”，是指機(jī)器通過(guò)現(xiàn)有數(shù)據(jù)對(duì)未知條件作出預(yù)測(cè)和判斷的過(guò)程。這種讓計(jì)算機(jī)自行推理、自主學(xué)習(xí)的方式，即機(jī)器學(xué)習(xí)[10]。它本質(zhì)上是計(jì)算機(jī)運(yùn)算的過(guò)程，是一系列電子信號(hào)，既不具備生物神經(jīng)網(wǎng)絡(luò)的化學(xué)信號(hào)，也不具備人的思維和心理過(guò)程。所謂“機(jī)器的深度學(xué)習(xí)”，則是指機(jī)器對(duì)海量的不同類別的底層數(shù)據(jù)進(jìn)行逐級(jí)自動(dòng)分析，能夠從多個(gè)隱藏層次中獲取用戶和項(xiàng)目的高層次特征，并最終表示出來(lái)。這一過(guò)程較少需要或不需要人工干預(yù)，大大提升了運(yùn)算效率。

從應(yīng)用情況來(lái)看，機(jī)器的深度學(xué)習(xí)技術(shù)應(yīng)用范圍廣泛，目前的研究熱點(diǎn)有圖像處理、人臉識(shí)別、語(yǔ)音識(shí)別、自然語(yǔ)言理解、內(nèi)容推薦系統(tǒng)的設(shè)計(jì)等[11]。在圖像處理方面，自動(dòng)駕駛領(lǐng)域的應(yīng)用十分普遍，汽車、無(wú)人機(jī)要實(shí)現(xiàn)自動(dòng)駕駛，攝像頭所記錄的數(shù)據(jù)就必須能夠迅速被解析成相應(yīng)的物體，從而成功避開(kāi)障礙物。監(jiān)控設(shè)備則需要人臉識(shí)別技術(shù)，特別是像素不夠清晰時(shí)仍然能有效辨別?；跈C(jī)器深度學(xué)習(xí)技術(shù)，2014年，F(xiàn)acebook提出了DeepFace人臉識(shí)別算法;2015年，Google提出了FaceNet人臉識(shí)別算法;2018年，騰訊則提出了CosFace人臉識(shí)別算法并不斷優(yōu)化。在語(yǔ)音識(shí)別技術(shù)領(lǐng)域，中國(guó)科大訊飛處于世界領(lǐng)先水平，它推出的語(yǔ)音轉(zhuǎn)錄系統(tǒng)甚至可以識(shí)別部分方言。此外，各種內(nèi)容推薦系統(tǒng)的設(shè)計(jì)也離不開(kāi)深度學(xué)習(xí)技術(shù)的應(yīng)用，日常生活中的種種智能推送就是最常見(jiàn)的情形。比如，音樂(lè)播放軟件可以根據(jù)個(gè)人平時(shí)喜歡的音樂(lè)風(fēng)格，推送類似的音樂(lè)作品;再如，假若用戶經(jīng)常關(guān)注某種商品，其購(gòu)物車?yán)锞蜁?huì)塞滿相應(yīng)的商品信息，微博、微信平臺(tái)也會(huì)根據(jù)用戶興趣投放相關(guān)廣告等。這類網(wǎng)站實(shí)現(xiàn)自動(dòng)推送的原理就是計(jì)算機(jī)通過(guò)復(fù)雜運(yùn)算對(duì)大數(shù)據(jù)進(jìn)行降級(jí)，找到邏輯上并非因果關(guān)系、但現(xiàn)象上共現(xiàn)的消費(fèi)習(xí)慣，從而實(shí)現(xiàn)廣告的定向投放，以達(dá)到盈利目的。

三、深度學(xué)習(xí)跨領(lǐng)域的互通性

（一）人的學(xué)習(xí)先于機(jī)器學(xué)習(xí)

可以說(shuō)，“深度學(xué)習(xí)”概念在不同領(lǐng)域廣泛使用的現(xiàn)象，已經(jīng)引起相關(guān)領(lǐng)域研究人員的關(guān)注。李小濤等從計(jì)算機(jī)科學(xué)的角度，抨擊教育學(xué)界誤讀“深度學(xué)習(xí)”概念，作者指出，深度學(xué)習(xí)僅指機(jī)器學(xué)習(xí)而不可用以討論人的學(xué)習(xí)，并稱其原因是緣于教育界盲目求新，受到盲目崇外的功利主義影響而套用概念[12]。對(duì)這一觀點(diǎn)，筆者不敢茍同。第一，從哲學(xué)角度講，非此即彼的思維方式仍局限在二元論的樊囿之中，很容易使研究者只關(guān)注到事物的對(duì)立面和矛盾面，卻看不到它們潛在的聯(lián)系，因而所得結(jié)論也往往是非此即彼，易流于偏狹。第二，從概念緣起講，機(jī)器學(xué)習(xí)的研究興起于人工智能時(shí)代大背景，而人工智能（AI）的全稱為“Artificial Intelligence”，劍橋英語(yǔ)詞典對(duì)其定義如下：“the study of how to produce machines that have some of the qualities that the human mind has， such as the ability to understand language， recognize pictures， solve problems， and learn”。由該定義即可清晰看出，人工智能是研究如何制造具有人類某些思維特性的機(jī)器，如理解語(yǔ)言、識(shí)別圖像、解決問(wèn)題和學(xué)習(xí)的能力。反觀劍橋英語(yǔ)詞典對(duì)“深度學(xué)習(xí)（deep Learning）”的定義，則包括兩個(gè)義項(xiàng)：一是隸屬教育界的義項(xiàng)：“a complete way of learning something that means you fully understand it and will not forget it”，譯成中文為：“深度學(xué)習(xí)是一種徹底的學(xué)習(xí)方式，它意味著學(xué)習(xí)者能夠完全理解所學(xué)知識(shí)且不會(huì)遺忘”。二是由此衍生出計(jì)算機(jī)領(lǐng)域義項(xiàng)：“a type of artificial intelligence that uses algorithms （=sets of mathematical instructions or rules） based on the way the human brain operates”，譯成中文為：“深度學(xué)習(xí)是人工智能的一種，它使用基于人腦運(yùn)作方式的算法（數(shù)學(xué)指令或規(guī)則集）”。從詞源角度來(lái)看，孰先孰后已不言自明。正如我們不能因?yàn)榛鹦潜幻麨椤盎鹦恰敝蟛乓姓J(rèn)它的真實(shí)存在，我們也不能因?yàn)橛?jì)算機(jī)領(lǐng)域“率先”使用了“深度學(xué)習(xí)”的名稱而否認(rèn)“深度學(xué)習(xí)”首先發(fā)生于人的學(xué)習(xí)這一事實(shí)。同時(shí)，就其概念本身而言，人工智能（包括機(jī)器學(xué)習(xí)這一子領(lǐng)域）也始于對(duì)人腦的模仿。

（二）大數(shù)據(jù)時(shí)代深度學(xué)習(xí)的雙重迫切性

二十一世紀(jì)最顯著的時(shí)代特征之一便是信息過(guò)載。以往人們獲取信息的方式相對(duì)單一，主要來(lái)自于紙媒、電視、廣播等傳統(tǒng)媒體。如今人人都可以是一個(gè)自媒體，人的社會(huì)屬性中增添了網(wǎng)絡(luò)用戶的身份。人們每天都在主動(dòng)獲取或被動(dòng)接收大量信息，與此同時(shí)，又有意或無(wú)意地產(chǎn)生著大量數(shù)據(jù)?，F(xiàn)代觀念認(rèn)為，信息不等于知識(shí)。信息不僅數(shù)量龐大，而且有時(shí)還真?zhèn)坞y辨，即便對(duì)同一事件的描述和報(bào)道都難以做到一致，甚至?xí)霈F(xiàn)媒體觀點(diǎn)截然相反的情況。在上述形勢(shì)之下，如何去偽存真便成為當(dāng)今人們認(rèn)知世界的必備素養(yǎng)，這就需要對(duì)信息進(jìn)行邏輯加工和深入分析。人們不能依賴機(jī)器告知自己哪條消息屬實(shí)乃至哪個(gè)觀點(diǎn)正確，畢竟企業(yè)的本質(zhì)是以盈利為目的的，它們往往更在乎用戶的關(guān)注度和訪問(wèn)量。因此，內(nèi)容投放算法通常會(huì)按用戶興趣投其所好，推送的內(nèi)容自然傾向于單一化、片面化。由此可見(jiàn)，信息接受者若想從中去偽存真，就需要借助深度學(xué)習(xí)。換言之，只有全方位獲取信息并綜合分析，才能避免自己的觀點(diǎn)被算法塑造的局面。因此，在人機(jī)交互加劇的時(shí)代，人們比以往更需具備深度學(xué)習(xí)的能力。

另一方面，從企業(yè)發(fā)展角度來(lái)看，在大數(shù)據(jù)時(shí)代，誰(shuí)能夠率先準(zhǔn)確地把握用戶的數(shù)據(jù)規(guī)律和興趣愛(ài)好，誰(shuí)就可以率先完成定制化服務(wù)，也就能率先占領(lǐng)市場(chǎng)。中國(guó)是世界上網(wǎng)民數(shù)量最多的國(guó)家，擁有全球最龐大的用戶數(shù)據(jù)，這無(wú)疑是一大優(yōu)勢(shì)。就目前而言，中國(guó)的電子商務(wù)平臺(tái)、電子支付和云計(jì)算等已領(lǐng)先于世界其他國(guó)家。如何進(jìn)一步利用好大數(shù)據(jù)，無(wú)疑是技術(shù)領(lǐng)域迫切需要關(guān)注的課題，從促進(jìn)國(guó)家經(jīng)濟(jì)發(fā)展的角度是如此，從服務(wù)世界的角度亦是如此。簡(jiǎn)言之，在大數(shù)據(jù)時(shí)代背景下，機(jī)器的深度學(xué)習(xí)目標(biāo)是在于發(fā)現(xiàn)用戶偏好，發(fā)現(xiàn)用戶共性;而人的深度學(xué)習(xí)目標(biāo)則是在于去偽存真，發(fā)展個(gè)性。

四、概念譯名的相關(guān)思考

從某種意義上來(lái)說(shuō)，對(duì)“深度學(xué)習(xí)”進(jìn)行深入剖析，也是反思人類自身學(xué)習(xí)與訓(xùn)練機(jī)器學(xué)習(xí)的過(guò)程。深度學(xué)習(xí)（deep learning）這一概念同時(shí)存在于教育教學(xué)和計(jì)算機(jī)科學(xué)領(lǐng)域，并非如某些研究者所說(shuō)的那樣是由盲目求新而導(dǎo)致的概念混用。我們認(rèn)為，兩個(gè)領(lǐng)域同時(shí)存在“深度學(xué)習(xí)”的根本原因是在于：技術(shù)革新讓機(jī)器更加智能化，讓人工智能逐漸接近人類智能，包括對(duì)信息的分析和加工。盡管如此，機(jī)器學(xué)習(xí)畢竟不同于人的學(xué)習(xí)，機(jī)器處理數(shù)據(jù)的過(guò)程嚴(yán)格遵照編程邏輯，沒(méi)有情感因素和環(huán)境變量，但人腦對(duì)信息進(jìn)行加工的每一個(gè)環(huán)節(jié)都是綜合因素共同作用的結(jié)果，因此，在翻譯時(shí)仍然有必要對(duì)其加以區(qū)分?；蛘咄硕笃浯?，同名概念詞義擴(kuò)充后有必要區(qū)分各個(gè)義項(xiàng)。

為了探求恰切的譯名，基于前文論述，可進(jìn)一步歸納出機(jī)器深度學(xué)習(xí)與人的深度學(xué)習(xí)具有以下聯(lián)系與區(qū)別：1.人的學(xué)習(xí)先于機(jī)器學(xué)習(xí)，機(jī)器學(xué)習(xí)的本質(zhì)是對(duì)人腦學(xué)習(xí)的模仿，機(jī)器學(xué)習(xí)是帶有修辭性的說(shuō)法，是將機(jī)器運(yùn)算比作人腦思考的隱喻。2.機(jī)器學(xué)習(xí)是計(jì)算機(jī)程序的數(shù)據(jù)運(yùn)算過(guò)程，具有穩(wěn)定性，可準(zhǔn)確預(yù)測(cè)運(yùn)算結(jié)果;人的學(xué)習(xí)則是蘊(yùn)含心智和情感變化的綜合信息加工過(guò)程，受多重因素影響，具有偶然性和不確定性。3.所謂機(jī)器的深度學(xué)習(xí)實(shí)際上是深層次遞推的數(shù)據(jù)處理過(guò)程，可以拆解為具體的層次，且每個(gè)層級(jí)運(yùn)算中的變量是確知的;人的深度學(xué)習(xí)則是指基于學(xué)習(xí)者現(xiàn)有知識(shí)獲取新知識(shí)的邏輯性思維過(guò)程，無(wú)法絕對(duì)區(qū)分深淺層次，只能以“度”來(lái)模糊化描述。

進(jìn)一步分析，機(jī)器學(xué)習(xí)中的深度學(xué)習(xí)可以由具體的算法模型來(lái)呈現(xiàn)，其“深度”集中體現(xiàn)在機(jī)器通過(guò)訓(xùn)練達(dá)成了中間過(guò)程可以不受人干預(yù)而完成運(yùn)算。也就是說(shuō)，原始數(shù)據(jù)經(jīng)過(guò)多個(gè)層次的處理，最終以直觀的方式表示出規(guī)律來(lái)，縱使層次再多，各層次間也有清晰的邊界?；趯?duì)Web of Science數(shù)據(jù)庫(kù)該主題下高引文獻(xiàn)的分析，可以看出，Hinton[13]、LeCun[8]、Young[14]等代表性學(xué)者均將機(jī)器學(xué)習(xí)模型稱為“Multilayer generative models（多層的生成模型）”，而將機(jī)器的多個(gè)處理層表述為“Multiple Processing Layers”，這是因?yàn)椤癓ayer”更能揭示其原理與本質(zhì)。至于這些學(xué)術(shù)論文標(biāo)題中出現(xiàn)的“Deep Learning”，則是為了讓標(biāo)題更為簡(jiǎn)潔以及起到隱喻的修辭效果。換言之，機(jī)器學(xué)習(xí)中的深度實(shí)際上是“深層”。因此，我們建議，將計(jì)算機(jī)科學(xué)領(lǐng)域的“深度學(xué)習(xí)”更改為“深層學(xué)習(xí)”，對(duì)應(yīng)的英文亦更改為“Deep-layered Learning”。實(shí)際上，與其說(shuō)“更改”這個(gè)術(shù)語(yǔ)的名稱，倒不如說(shuō)只是將它的表達(dá)還原為完整的形式。相應(yīng)的，正如Mnih等學(xué)者所言，人腦對(duì)信息的處理是綜合感知“High-dimensional Sensory Inputs”和高層級(jí)運(yùn)算“Hierarchical Sensory Processing Systems”[15]。也就是說(shuō)，對(duì)于人的深入學(xué)習(xí)，我們既無(wú)法將之層級(jí)化，也無(wú)法嚴(yán)格地量化描述其過(guò)程。因此，就人的學(xué)習(xí)而言，繼續(xù)沿用“深度學(xué)習(xí)”這一概念無(wú)疑是貼切妥當(dāng)?shù)?，它也與英文“Deep Learning”完全對(duì)應(yīng)。上述建議或許能為學(xué)界提供一定參考，以避免概念誤讀與混同。

五、結(jié)語(yǔ)

著名翻譯家嚴(yán)復(fù)曾對(duì)術(shù)語(yǔ)的翻譯大加感慨：“一名之立，旬月踟躕。”辜正坤先生亦指出：“一名誤立，可造成相當(dāng)嚴(yán)重的學(xué)術(shù)后果”[16]。特別是科技術(shù)語(yǔ)的翻譯，如果直接按照字面翻譯而不去仔細(xì)推敲其概念范疇，則很可能會(huì)放大或縮小其本義，甚至?xí)谏w詞匯的真正意義，從而導(dǎo)致讀者對(duì)這一概念的誤解、誤用。從這個(gè)角度來(lái)說(shuō)，如果將計(jì)算機(jī)科學(xué)領(lǐng)域的“deep learning”不假思索、不加限定地直譯為“深度學(xué)習(xí)”，就會(huì)在術(shù)語(yǔ)名稱的默許之下“拔高”機(jī)器的智能化程度。

厘清概念進(jìn)而確立譯名只是第一步，學(xué)界跨領(lǐng)域合作才是取得突破的必由之路。機(jī)器的智能化日益提升，科技的腳步不會(huì)就此停歇，那么，機(jī)器可以在何種程度上取代人類呢？當(dāng)下比較主流的觀點(diǎn)認(rèn)為，目前機(jī)器可以代替人們進(jìn)行具有重復(fù)性、規(guī)律性的工作。人區(qū)別于機(jī)器的根本特性是在于人類具有創(chuàng)造性，畢竟機(jī)器也是由人創(chuàng)造的。不過(guò)，這種觀點(diǎn)越來(lái)越受到挑戰(zhàn)，人工智能已經(jīng)能夠創(chuàng)作出美妙的音樂(lè)，繪制出美麗的風(fēng)景畫(huà)，甚至可以翻譯、作詩(shī)等。也正如此，有人已經(jīng)開(kāi)始考慮機(jī)器創(chuàng)作作品的產(chǎn)權(quán)歸屬問(wèn)題了，它應(yīng)該是屬于制造機(jī)器的人，還是屬于機(jī)器或機(jī)器賴以分析加工的大數(shù)據(jù)？既然機(jī)器可以把人們從重復(fù)、機(jī)械的勞動(dòng)中解脫出來(lái)，那么人們就更應(yīng)該投入更多的精力去關(guān)注審美和創(chuàng)造、和平與發(fā)展。從前文的論述可以看出，至少在現(xiàn)階段，所謂的“機(jī)器創(chuàng)作”，主要仍是基于對(duì)已有數(shù)據(jù)的拆解與重組，還不能算真正意義上的創(chuàng)造。如果有朝一日機(jī)器真的具備了感情，那大概要基于某種特定算法。即使如此，它仍具有規(guī)定性，可以預(yù)設(shè)、可以運(yùn)算、可以預(yù)測(cè)、可以反復(fù)驗(yàn)證，這樣一來(lái)，也就喪失了審美意味和自然偶發(fā)的特性。我們認(rèn)為，除非生物神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)的邊界進(jìn)一步模糊，人工智能才有可能實(shí)現(xiàn)真正意義上的“創(chuàng)造”，不過(guò)，這一假設(shè)尚待今后科學(xué)發(fā)展的驗(yàn)證。

參考文獻(xiàn)：

[1][美]洛林·W.安德森等.布盧姆教育目標(biāo)分類學(xué)：分類學(xué)視野下的學(xué)與教及其測(cè)評(píng)（修訂本）[M].蔣小平，張琴美，羅晶晶譯.北京：外語(yǔ)教學(xué)與研究出版社，2009.

[2]安富海.促進(jìn)深度學(xué)習(xí)的課堂教學(xué)策略研究[J].課程·教材·教法，2014，（11）.

[3][美]Jensen，E. & Nickelsen，L.深度學(xué)習(xí)的7種有力策略[M].溫暖譯.上海：華東師范大學(xué)出版社，2010.

[4]郭華.深度學(xué)習(xí)及其意義[J].課程·教材·教法， 2016，（11）.

[5]張浩，吳秀娟.深度學(xué)習(xí)的內(nèi)涵及認(rèn)知理論基礎(chǔ)探析[J].中國(guó)電化教育，2012，（10）.

[6]Marton，F(xiàn). & S?lji?，R.On Qualitative Difference in Learning：Ⅰ——Outcome and Process[J].British Journal of Educational Psychology，1976，（1）.

[7]嚴(yán)燕.人工智能時(shí)代英語(yǔ)教學(xué)促進(jìn)學(xué)生深度學(xué)習(xí)路徑探究[J].教學(xué)與管理，2019，（27）.

[8]LeCun，Y.，Bengio，Y. & Hinton，G.Deep learning[J].Nature，2015，（521）.

[9]Hinton，G.E. & Salakhutdinov，R.R.Reducing the dimensionality of data with neural networks[J].Science，2006，（313）.

[10]王連柱.機(jī)器學(xué)習(xí)應(yīng)用于語(yǔ)言智能的研究綜述[J].現(xiàn)代教育技術(shù)，2018，（9）.

[11]黃立威，江碧濤，呂守業(yè)，劉艷博，李德毅.基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J].計(jì)算機(jī)學(xué)報(bào)，2018，（7）.

[12]李小濤，陳川，吳新全，王海文.關(guān)于深度學(xué)習(xí)的誤解與澄清[J].電化教育研究，2019，（10）.

[13]Hinton，G.E.Learning multiple layers of representation[J].Trends in Cognitive Sciences，2007，（10）.

[14]Young，T.，Hazarika，D.，Poria，S. & Cambria，E.Recent Trends in Deep Learning Based Natural Language Processing[J].Ieee Computational Intelligence Magazine，2018，（3）.

[15]Mnih，V.，Kavukcuoglu，K.，Silver，D.，et al.Human-level control through deep reinforcement learning[J].Nature，2015，（518）.

[16]辜正坤.外來(lái)術(shù)語(yǔ)翻譯與中國(guó)學(xué)術(shù)問(wèn)題[J].中國(guó)翻譯， 1998，（6）.

On “Deep Learning” and Its Translation

Li Jingping

（School of English and International Studies， Beijing Foreign Studies University， Beijing 100089， China）

Abstract：Starting from the phenomenon that “deep learning” is frequently confused in the fields of education and computer science， this paper first traces the concept of “deep learning” in these two fields respectively， and points out that machine learning derives its name from human learning， and is a conceptual metaphor. The article then compares the similarities and differences of the two concepts and concludes that human deep learning involves complex factors such as emotional and environmental factors and is a complex mental activity with many variables， thus its results vary from person to person. Machine deep learning， however， is an operation process based on multi-layered algorithm， in other words， it is controllable and predictable. Finally， the paper puts forward new translated names for this term in order to avoid further confusion between the two concepts.

Key words：deep learning;deep-layered learning;machine learning;term translation