在过去的一年中，我们有幸通过RE•WORK节目与从事人工智能和计算机科学方面的许多大牛进行交流，我们期待在2016年会晤更多的专家，并向他们学习。
作为Q&A系列的一部分，我们邀请了一些深度学习方面最为资深的人士，来预测深度学习领域未来5年的可能发展情况。
未来5年我们可能看到深度学习会有怎样的发展？
Ilya Sutskever，OpenAI研究总监：我们应该会看到更为深层的模型，与如今的模型相比，这些模型可以从更少的训练样例中学习，在非监督学习方面也会取得实质性进展。我们应该会看到更精准有用的语音和视觉识别系统。
Sven Behnke，波恩大学全职教授、自主智能系统小组负责人：我期望深度学习能够越来越多地被用于多模（multi-modal）问题上，在数据上更结构化。这将为深度学习开创新的应用领域，比如机器人技术，数据挖掘和知识发现。
Christian Szegedy，谷歌高级研究员：目前深度学习算法和神经网络的性能与理论性能相去甚远。如今，我们可以用五到十分之一的成本，以及十五分之一的参数来设计视觉网络，而性能比一年前花费昂贵成本设计出的网络更优，这完全凭借改善的网络架构和更好的训练方法。我坚信，这仅仅只是个开始：深度学习算法将会更高效，能够在廉价的移动设备上运行，即使没有额外的硬件支持或是过高的内存开销。
Pieter Abbeel，加州大学伯克利分校计算机科学副教授、Gradescope联合创始人：有很多技术都基于深度监督式学习技术，视频技术也是一样，搞清楚如何让深度学习在自然语言处理方面超越现在的方法，在深度无监督学习和深度强化学习方面也会取得显著进步。
Eli David，Deep Instinct CTO：在过去的两年中，我们观察到，在大多数使用了深度学习的领域中，深度学习取得了极大的成功。即使未来5年深度学习无法达到人类水平的认知（尽管这很可能在我们有生之年发生），我们也将会看到在许多其他领域里深度学习会有巨大的改进。具体而言，我认为最有前途的领域将是无监督学习，因为世界上大多数数据都是未标记的，而且我们大脑的新皮层是一个很好的无监督学习区域。
Deep Instinct是第一家使用深度学习进行网络安全研究的公司，在今后几年，我希望有更多的公司使用深度学习进行网络安全研究。然而，使用深度学习的门槛还是相当高的，尤其是对那些通常不使用人工智能方法（例如，只有少数几个解决方案采用经典机器学习方法）的网络安全公司，所以在深度学习成为网络安全领域广泛运用的日常技术之前，这还将需要数年时间。
Jörg Bornschein，加拿大高级研究所（CIFAR）全球学者：预测未来总是很难。我希望无监督、半监督和强化学习方法将会扮演比今天更突出的角色。当我们考虑将机器学习作为大型系统的一部分，比如，在机器人控制系统或部件中，掌控大型系统计算资源，似乎很明显地可以看出，纯监督式方法在概念上很难妥善解决这些问题。
Ian Goodfellow，谷歌高级研究科学家：我希望在五年之内，我们将可以让神经网络总结视频片段的内容，并能够生成视频短片。神经网络已经是视觉任务的标准解决方案了。我希望它也能成为NLP和机器人任务的标准解决方案。我还预测，神经网络将成为其他科学学科的重要工具。比如，神经网络可以被训练来对基因、药物和蛋白质行为进行建模，然后用于设计新药物。
Nigel Duffy，Sentient Technologies CTO：目前大数据生态系统一直专注于收集，管理，策展大量数据。很明显，在分析和预测方面也有很多工作。从根本上说，企业用户不关心那些。企业用户只关心结果，即“这些数据将会改变我的行为方式吗？将会改变我做出的抉择吗？”我们认为，这些问题是未来5年需要解决的关键问题。我们相信，人工智能将会是数据和更好的决策之间的桥梁。
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。
Charlie Tang，多伦多大学机器学习小组博士生：深度学习算法将逐步用于更多的任务并且将“解决”更多的问题。例如，5年前，人脸识别算法的准确率仍然比人类表现略差。然而，目前在主要人脸识别数据集（LFW）和标准图像分类数据集（Imagenet）上算法的表现已经超过了人类。在未来5年，越来越难的问题，如视频识别，医学影像或文字处理将顺利由深度学习算法解决。我们还可以看到深度学习算法被移植到商业产品中，就像10年前人脸检测如何被纳入相机中一样。
原文：Deep learning experts discuss the next 5 years
译者/刘翔宇
更多阅读：
