深度學習最令人驚訝之處就在於它十分簡單。十年前，沒有人指望由梯度下降方法訓練的簡單參數模型就可以在機器感知問題上獲得驚人的結果。現在，事實證明，你只需要一個有足夠多參數的模型，並且在足夠大的數據集上使用梯度下降進行訓練。
深度學習和強化學習的交叉在繼續
在這個領域一些令人興奮的工作正在發生，如端對端機器人，使用深度學習和強化學習來完成原始傳感器數據到實際動作執行器的直接過度。我們正從過去的只是分類一步步發展到試圖理解如何在方程中加入計劃和行動。還有更多的工作要做，但是早期工作很令人興奮。
目前深度學習大多數採用CPU+GPU集群並行計算方式，這需要巨大的計算耗能。拿谷歌旗下的深度學習系統AlphaGo來說，它的功率為每小時280000瓦特，與李世石對弈時耗能為每小時225千卡。而類腦智能的優勢在於，它是一種面向人工神經網絡對低功耗、弱監督等學習需求將生物機制與數學原理融合的新型網絡模型和學習方法。受大腦多尺度信息處理機制啟發的計算模型及軟硬件實現，使機器實現人類具有的多種認知能力並高度協同，逐漸逼近具有學習和進化能力的通用智能。
洞見未來
通過使用存儲在可複用子程序全局庫(這是一個通過在數以萬計的以前的任務和數據集上學習的高性能模型演變而來的庫)中的模塊部件，它們將實現自動成長，而不是由人類工程師手工設定。由於元學習系統確定了常見的問題解決模式，它們將變成一個可複用的子程序——就像當代軟件工程中的函數和類一樣——並添加到全局庫中，從而實現了抽象能力。
很明顯，深度學習將會在演變中起到顯著的作用，但需要與其他人工智能方法結合。在接下來的5年裡，我們會看到越來越多的混合系統中，深度學習用於處理一些難以感知的任務，而其他人工智能和機器學習（ML）技術用於處理其他部分的問題，如推理。
尚學堂立志解決中國教育不公平和低效率問題，幫助千千萬萬被傳統教育方式耽誤的人，傳授實用、前沿的知識，成就學員個人理想，為愛你的人和你愛的人創造美好的生活。尚學堂12大精英團隊+各類實戰項目，真正實現1+1>10的目標效果。幫助學員迅速成長，持久騰飛，成就學員“高富帥”人生。
閱讀更多 AI和ai 的文章
