深度学习（Deep Learning）的挑战与局限有四项：训练需海量数据与算力（GPT-3耗资上千万美元）、决策过程难以解释、训练数据有偏会削弱泛化（2018年亚马逊招聘AI）、易被对抗样本欺骗，解决让使用者看清适用条件与风险的问题，并不解决训练成本高、解释性差与安全脆弱。
- 资源消耗巨大
训练一个深度模型需要海量数据和算力。小公司或个人很难负担。比如，OpenAI训练GPT-3据说用了上千万美元，普通实验室根本玩不起。数据方面，如果没有足够多样化的样本，模型就可能“偏科”。 - 黑箱问题
深度学习是个“黑箱”，我们知道它管用，但很难解释具体决策过程。比如，AI说“这张X光片有癌变”，但为什么这么说，可能连专家都搞不清。这在医疗、法律等领域是个大问题，因为信任和责任需要透明。 - 泛化能力有限
如果训练数据有偏见，模型也会出错。比如，一个只见过白猫的模型，可能认不出黑猫。2018年，亚马逊的招聘AI就因为训练数据偏向男性，自动淘汰了女性简历，引发争议。 - 对抗样本风险
深度学习容易被“骗”。比如，在一张猫的图片上加点人类看不见的噪声，模型可能就认成狗了。这种“对抗样本”在安全领域（像自动驾驶）是个隐患。
科学家们正在努力解决这些问题。比如，“轻量化模型”减少算力需求，“可解释AI”试图揭开黑箱，“迁移学习”让模型用少量数据也能适应新任务。这些方向都很有前景。
