深度学习最令人惊讶之处就在于它十分简单。十年前，没有人指望由梯度下降方法训练的简单参数模型就可以在机器感知问题上获得惊人的结果。现在，事实证明，你只需要一个有足够多参数的模型，并且在足够大的数据集上使用梯度下降进行训练。
深度学习和强化学习的交叉在继续
在这个领域一些令人兴奋的工作正在发生，如端对端机器人，使用深度学习和强化学习来完成原始传感器数据到实际动作执行器的直接过度。我们正从过去的只是分类一步步发展到试图理解如何在方程中加入计划和行动。还有更多的工作要做，但是早期工作很令人兴奋。
目前深度学习大多数采用CPU+GPU集群并行计算方式，这需要巨大的计算耗能。拿谷歌旗下的深度学习系统AlphaGo来说，它的功率为每小时280000瓦特，与李世石对弈时耗能为每小时225千卡。而类脑智能的优势在于，它是一种面向人工神经网络对低功耗、弱监督等学习需求将生物机制与数学原理融合的新型网络模型和学习方法。受大脑多尺度信息处理机制启发的计算模型及软硬件实现，使机器实现人类具有的多种认知能力并高度协同，逐渐逼近具有学习和进化能力的通用智能。
洞见未来
通过使用存储在可复用子程序全局库(这是一个通过在数以万计的以前的任务和数据集上学习的高性能模型演变而来的库)中的模块部件，它们将实现自动成长，而不是由人类工程师手工设定。由于元学习系统确定了常见的问题解决模式，它们将变成一个可复用的子程序——就像当代软件工程中的函数和类一样——并添加到全局库中，从而实现了抽象能力。
很明显，深度学习将会在演变中起到显著的作用，但需要与其他人工智能方法结合。在接下来的5年里，我们会看到越来越多的混合系统中，深度学习用于处理一些难以感知的任务，而其他人工智能和机器学习（ML）技术用于处理其他部分的问题，如推理。
尚学堂立志解决中国教育不公平和低效率问题，帮助千千万万被传统教育方式耽误的人，传授实用、前沿的知识，成就学员个人理想，为爱你的人和你爱的人创造美好的生活。尚学堂12大精英团队+各类实战项目，真正实现1+1>10的目标效果。帮助学员迅速成长，持久腾飞，成就学员“高富帅”人生。
閱讀更多 AI和ai 的文章
