深度學習的未來在哪里？聽聽這些專家怎么說

我們應該會看到更深度的模型，可以從比今天更少的訓練中學習，無監督式學習也會有可觀的進步。我們還期待看見更精確、更有用的語音和視覺識別系統。

我希望深度學習可以有更多的結構化數據，應用于更多的多重復雜的問題。這將會打開深度學習的新應用范圍，例如機器人、數據挖掘和知識探索。

現在的深度學習算法和神經網絡距離理論中的應用還差的很遠。今天我們可以設計出比一年前要便宜五到十倍并采用減少了十五倍參數的視覺網絡，還可以比過去它們的同類更加好用，而僅僅通過提升網絡結構和訓練方法就可以做到這點。我深信，這僅僅是個開始，深度學習算法會更加有效，能夠在普通的移動設備端工作，甚至不需要多余的硬件支持或抑制內存開銷。

與其關注數個同時進行的進展，我更加關注一個主要細節。我所看到的未來的一個趨勢是結構將會變得愈發巨大和復雜。我們正在向著大型神經系統的方向發展，我們會在其中交換許多神經組分，提前針對網絡的某個部分在不同的數據庫中展開訓練，添加新模塊，組合調整整體結構等等。

例如，卷積神經網絡曾經是最大最深層的神經網絡中的一個，但是在今天它則是最新的結構中的一個小盒子中的內容而已。因此，許多結構會趨向于變成下一代結構中的一部分。我們像正在學習樂高積木一樣，了解如何去連接并放置它們以建出更大的城堡。

許多垂直行業都基于現在的監督式深度學習科技，甚至小到視頻，找出如何讓深度學習比現行的方法能夠更有效地進行自然語言處理，以及監督式深度學習和深度加強學習的顯著進步。

在過去的兩年間我們一直在觀察深度學習在所應用的領域內所取得的成功。即便在接下來的五年內我們還并不能幫助深度學習達到人類認知水平的水平（但是這很有可能在我們的有生之年實現），但是在許多其他領域我們也可以看到深度學習的巨大進步。具體而言，我認為最有前景的領域將會是非監督式學習，因為世界上的大多數數據是未標記的，而且我們自己的大腦皮層就是一個很好的非監督式學習的區域。

盡管Deep Instinct是第一家將深度學習用于網絡安全的公司，但是我希望在接下來的時間中有更多的公司能夠使用深度學習。然而，深度學習的準入門檻仍然非常高，尤其對于通常并不使用人工智能（只有很少情況下會使用經典機器學習）的網絡安全公司而言更是如此，因此機器學習要想成為網絡安全領域廣泛使用的一項商用技術還需要花費數年的時間。

深度學習有望成為計算機視覺、語音分析和許多其他領域內機器學習的主要形式。我希望建立準確識別系統的能力（這種系統的計算能力可以通過一至兩個GPU供應）將會使得研究人員可以在現實世界中開發和部署新型軟件。由于數據的總量還會繼續增加，因此我期待接下來將有更多的研究將注意力集中到無監督訓練或者半監督訓練算法上。

預測未來總不是一件易事。我期待無監督學習方法、半監督學習方法和增強型學習方法在未來變得越來越重要。當我們將機器學習視為大型系統（例如機器控制系統）的一部分，或者視為可引導和集中大型系統的計算資源的部分時，單純的監督式學習方法由于局限性太大，因此不能正確地解決問題。

我期待五年之內我們將會擁有可以總結視頻片段內容，并且生成短視頻的神經網絡。神經網絡已經是視頻任務的標準解決方案，我希望神經網絡也可以成為自然語言處理和機器人任務的標準解決方案。同時我也預測神經網絡也會成為其他科學領域的重要工具。例如，神經網絡可以用于對基因、藥物和蛋白質行為進行建模，然后可用于設計新型藥物。

迄今為止大數據生態系統專注于大量數據的收集、管理和集展（收集展示）。很明顯，該領域也有很多關于分析和預測的工作。不過，從根本上來講，企業用戶對此并不關心。企業用戶僅僅關心產出，例如「這種數據可以改變我的行為方式嗎？它會改變我們的決定嗎？」。我們相信這些問題是接下來五年需要重點解決的問題。我們相信人工智能將會是數據和更優決定之間的橋梁。

很明顯，深度學習在這個進化過程中將會扮演非常重要的角色，但是這需要深度學習與其他人工智能方法相結合才能完成。經過接下來五年后，我們將會看見越來越多的混合系統，其中深度學習可用于處理一些棘手的感性任務，而其他的人工智能和機器學習技術可用于解決問題的其他部分，例如推理等。

接下來的五年將會發生很多事情。我們希望非監督式學習和增強型學習變得越來越重要。我們也期望多模式學習的增加，以及更加注重堅持非個體數據集的學習。

深度學習算法將會逐漸被用于處理更多的任務，也會解決更多的問題。例如，5年前，算法的面部識別精度比人類的表現要糟糕；但是，五年后的今天，人臉識別數據集（LFW）和標準圖像分類數據集（Imagenet）中算法的面部識別表現已經超越人類的。在接下來的五年中，越來越難的問題將會被深度學習算法成功解決，例如視頻識別、醫學影像或文字處理等。我們也非常期待深度學習算法可應用于商業產品中，就像過去10年中人臉識別器被整合到消費級相機中那樣。