6月6日，由上海国家会计学院与中兴新云、元年科技、浪潮集团、用友集团、金蝶集团等联合主办的“信息技术驱动行业财务变革”高峰论坛暨2021年影响中国会计人的十大信息技术评选结果发布会在上海国家会计学院顺利举行。

针对本次由188位专家评选出的潜在影响中国会计从业人员的五大信息技术，本次论坛邀请五位嘉宾从信息技术的内涵、发展趋势、可能出现的产品、可能的应用场景、学习建议等维度进行深入分析，通过前瞻性的探讨，展望对会计从业人员产生的影响方式和范围。对此，本次评选专家、中国会计学会会计信息化专业委员会委员、山西财经大学副教授续慧泓对深度学习与智能决策进行了全面介绍。

概念释义

理解深度学习需要从人工智能、机器学习的概念入手。上世纪四五十年代，图灵赋予人工智能一个非常简单的判断条件：当与机器对话时，无法分辨对面是机器还是人，这就是人工智能。人工智能的核心是如何让计算机像人一样思考。

和人工智能密切相关的概念是机器学习，机器学习是一种实现人工智能的方法，让计算机理解人类的行为，理解人类的数据，并且产生它的结果。深度学习，是机器学习的子集，是一种实现机器学习的技术。

从相关概念的发展演进来看，20世纪60年代进入了人工智能的推理时期，推理时期是指将程序语言形成计算机代码，让机器具备逻辑推理能力，从而使计算机拥有智能，帮助人类进行有关的逻辑推理。

20世纪70年代进入知识时期，知识时期是指把人类获得知识转化成规则，通过规则应用让计算机具有智能。典型的应用包括专家系统、决策支持系统等。

20世纪80年代末真正进入机器学习时期，神经网络的出现标志了机器学习概念的诞生，通过各神经元连接模拟人类各节点的思维过程进行相应决策。由于当时计算机的计算能力、存储能力、网络能力都不足以支持这么复杂的运算，神经网络的概念兴起后并没有得到广泛的应用，90年代更多集中在统计学习，包括各类描述性统计、分析指标。2006年深度学习的概念又在机器学习的概念之上引申一步，机器不仅能够从海量的数据当中发现规则，而且能够自己推导出规则。

随着数据量暴涨和计算能力大幅提升，深度学习应用日趋成熟。

人工智能、机器学习、深度学习三者之间的关系也逐渐清晰。人工智能通过各类专家系统、机器学习、进化计算等方式，达到让计算机代替人进行思考分析的目标。机器学习是一类方法，用于支持人工智能目标的实现，包括监督学习、半监督学习、无监督学习。监督学习是根据已有的数据集，知道输入和输出结果之间的关系。无监督学习是不知道数据集中数据、特征之间的关系，需要根据聚类或一定的模型得到数据之间的关系。深度学习更多的是解决无监督学习的问题。深度学习中应用到的技术在神经网络的基础上进一步发展，如卷积神经网络、深度置信网络等。

机器学习与一般程序存在一定区别。一般程序的处理是根据提供的规则和数据推导答案。基于一般的程序处理，能够实现的目标是清晰规则环境下的自动化。机器学习的逻辑思路是基于海量数据的输入与已观测到的结果或者是行为进行比对，发现的数据如何支持得到的结果，推导出规则。机器学习核心问题是发现问题数据内在的规律，找到其中的规则。如果使用了高阶神经网络算法，则称为深度学习。因此，机器学习解决的问题是实现智能化。

机器学习有三个要素，数据、预期结果、学习。

数据来自于外部输入的海量数据，包括结构化数据、非结构化数据。预期产生的结果往往是一种可观测、可记录的行为结果，形式可以是标签、模式、行为、结果等。学习本质上是衡量算法效果好坏的方法。这一衡量方法是为了计算算法的当前输出与预期输出的差距。衡量结果是一种反馈信号，用于调节算法的工作方式，输入和输出不断地接近目标意味着越接近规则。

深度学习的原理实际上模拟了人脑对生物识别的过程。例如模拟人类看见图片的过程。首先是视觉捕获，捕捉一些特征，如发现边缘和方向。其次识别形状，将识别到的形状进行组合，每进行一次组合就与结果进行比对，经过多次比对完成图像识别。从系统的角度，识别就是通过对不同特征的层层捕获，根据捕获到的数据抽象特征，给特征富余权重，特征和权重的乘积代表判断事物发展的方向，然后进行不同的组合，得到最优化的结果。这就是深度学习的基本原理。

深度学习的基本原理可以概括成五个步骤。

首先是低层次的感知，对应到场景中，可能运用视觉识别、声音识别、文字识别等技术。通过识别捕获全量、海量信息，进行数据预处理，剔除无用的信息，降低计算量。处理完成后进行特征提取，判断基本特征值，再进行特征选择，将特征进行组合排列，最后抽象出规则，用于后期的推理和预测。

相关问题

深度学习能解决不确定、模糊、动态、复杂、海量数据的决策支持。其中有一些需要注意的情况，第一，深度学习解决的是复杂问题的决策。动态、模糊、不确定、规则不清晰、简单问题用其他方法可能更好的解决。第二，深度学习需要海量数据作为输入数据参与训练，样本量越大，越有利于得到好的结果。第三，财务领域决策与管理的不确定性，需要深度学习的支持完成决策。深度学习应用场景目前主要集中在语音识别、图像识别、模式识别、智能搜索、个性化推荐、机器翻译、自然语言处理等，相关应用的准确性取决于特征捕获的明显性、算法的准确性等因素。

深度学习发展至今也产生了一些值得思考的问题。

一是算法黑箱，复杂的计算过程，海量的数据，计算过程不被人类识别，并不能帮助人类完全识别内在的规律，可以发现规律，但是解释不了规律。

二是算法强制，过度的依赖算法，算法不断产生正向激励，带来算法强制，进入认知或执行的误区。

三是人机协同，如何处理好人机关系，让人与智能设备、智能算法和谐相处，以及由此产生的激励机制。

四是算法伦理以及如何处理相关道德问题。

未来展望，系统一定会从弱人工智能阶段过渡到强人工智能阶段，所谓强人工智能就是让系统具备了感知、识别和情感的能力。

（本文系根据“信息技术驱动行业财务变革”高峰论坛演讲录音整理）

编辑：葛格