[导读] 4月26日，GMIC大会在北京国家会议中心召开。本届大会主题为“AI”生万物，邀请政府官员、人工智能领域科学家、企业家、投资人等各界人士共同探讨最新趋势。全球人工智能领袖峰会作为GMIC大会的首场峰会，旨在探讨在基础硬件、大数据与开源平台、深度学习为代表的算法等人工智能领域的深度洞见。
4月26日，GMIC大会在北京国家会议中心召开。本届大会主题为“AI”生万物，邀请政府官员、人工智能领域科学家、企业家、投资人等各界人士共同探讨最新趋势。全球人工智能领袖峰会作为GMIC大会的首场峰会，旨在探讨在基础硬件、大数据与开源平台、深度学习为代表的算法等人工智能领域的深度洞见。
会上，Facebook人工智能团队首席AI科学家杨立昆进行了主题演讲。他提到，未来还会出现更多的有关深度学习的变革，比如说多渠道的发展或者是复杂的架构，同时也会出现更多的理论。这也使得我们要不断地强化硬件，以便使得用户的需求能够得到专业化的处理。
今天我想讲一下关于深度学习的一些情况，同时也会讲一下深度学习的未来，以及我们所面临的关于深度学习方面的挑战，比如如何让机器变得更加智能。
深度学习中，机器会学习整个过程，这是端到端的一个学习过程。通过这种方式，计算机会更好地了解我们的世界。比如像一个架构，可以看到实际上这个想法是可以回溯到上个世纪八十年代的时候。它可识别图像，同时也有很多其他的应用，比如说可以用于语言处理和语言识别和其他很多方面。
在这里大家可以看到在网络当中使用的几个层，像在Facebook当中我们就会广泛使用。因为有了这样的一些应用，可以看到事物错误率是在不断下降。这上面大家可以看到这方面的故障率是在不断下降的。有的时候表现的甚至要比人还要好。它的性能非常好，已经成为了一种标杆。
另外，它实际上比CPU识别图像或者对象要更加复杂一些。它不仅仅能够识别对象，同时能够进行本地化处理。这个是在Facebook人工智能部门我们所做的研究。在Facebook我们利用这样的技术，可以预测人类的行为。
对于行业来说，进行这样的开发研究将是会是一个非常有用的过程。对于我们研究团队来说，不仅仅要开发对我们公司来说非常有用的技术，同时我们也希望所开发的技术能够引导整个社区，能够解决我们所感兴趣的应用。我们认为AI不仅仅会帮助我们解决问题，同时还会帮助我们解决很多人类自己无法解决的挑战，所以我们会与我们的科学团队一起朝这方面努力。这里是在过去的几年里，IFRR所发布的一些开源项目，包括像深度学习网络，还有深度学习框架，这是关于深度学习的应用。
我刚才讲到每天都会一些新的应用发布，也可以进行语言的翻译、诊断，以及面部识别等等。另外在科学方面可以看到深度学习也广泛的应用来进一步推动科学方面的研究。我们会看到在接下来几年里深度学习会发生更大的革命。
不管下次的变革在哪个点，我觉得它们应该是无监督的学习，我觉得这样的一个变革，它应该是自我监督或者无监督的一种学习。而且也会在这样的变革当中出现一些常识性的学习。
这是我们最近做的一些非常有意义的事情，这是对于一些预测性的模型，来由机器进行规划，根据它们的尝试进行预测。所以这里的理念在于我们有一些人工智能的元素，它会对一个民众社会进行预测，在它们实际参与，之前它们会预测有一些什么样的反应。所以大家会看到在整个的过程当中，它并不太多涉及到机器学习。我们认为在一个民众社会当中我们希望机器应该基于自己的行动进行预测，之后得到一些模型，来进行设计。
关于具体的细节，有的人他们已经就这方面的培训进行了工作，他们接受教育，比如机器在一些简单情景当中怎么来做。比如说我们对机器来看一下，有哪些物体有可能会跌落下来，有什么样的预测性，它的大概概率有多少，都可以使得机器做出一些预测。在最近的几年当中大家非常的兴奋，因为我们找到了一个的理念，现在我们对于问题要就它的确定性进行预测，我们要根据我们的输入进行概率的培训和预测。我们通过对机器进行一些深入的学习，可以使得它预测一些结果。而且它可能会根据不同的场景，可能跌落，有可能不跌落等等，能够对一些可能性结果进行预测。这里的结果不仅仅是唯一正确的，海可能有多种的结果。
大家看一下这个教授在进行培训，其实我们进行了对抗性的培训，比如说我们可以培训每个分项是看起来不错的，更可能的，或者在实际的生活当中会发生什么样的结果。而且对于培训者他也会告诉机器，在实际的社会当中又有什么样的结果。对于发生性它也会来做出预测，可能有的时候有的结果是虚假的，不是真实的。通过这么做我们就能够得到不同机器产生的结果，之后得到了很多的影像和图片。
我们再回顾几年之前，大家看到这是Facebook，在这幅图上大家可能也相信，通过机器学习确实是奏效的。但是这里有一些是虚假的图像，之后大家由机器所得出来的这样的图像，它们看起来是真实的，但是其实只是一些虚像，一些幻景，所以我们现在也以我们的系统进行了培训之后，产生出了一系列的人脸。大家看到这是一些名人他们的面孔，大家看到它逐一的排列出来，而且我们在下周会议上会向大家展示最新的结果，得到的成果非常的好。总之，我们希望把这个工具之后能够融入到我们机器学习当中。
最后我想做一下总结，我觉得在我们当中接下来最新的趋势应该是关于监督学习方面，我觉得它可能是不能够被替代的。不管是无监督的学习还是其他的学习方式都不能够替代。所以这点已经引起了很多人的兴趣，就是接下来几年还会持续的发展。我相信这也会使得我们进行不断的更多的实施。我们也要根据更多的尝试。还有一点我也不断的重复给大家，这就是说我们要使得机器能够推理，来看一下深入学习能给我们什么样的推理能力，也要来回顾一下在AI的时代机器它的推理能力有多高，它的逻辑性有多强。
接下来我相信未来我们会不断进行演变，而且也要来朝着可差异化的智能学习的方向持续发展，这就需要我们来进行对抗性训练及更多的研究。当然了，还会出现更多的有关深度学习的变革，比如说多渠道的发展或者是复杂的架构，而且会出现更多的理论。这也使得我们要不断地强化硬件，以便使得用户的需求能够得到专业化的处理。
