深度学习与人工智能技术趋势
深度学习的现状
看一下AI系统，今天所有的应用，不管是影像、声音或者是图像的识别，或者一种语言翻译到另外一种语言，以及测试等，这些都是AI的一些特点。AI要实现这些特点都需要去学习，这涉及到深度学习，通过深度学习,我们可以训练机器。比如，向它展示一个车的图像，它就会知道这是一辆车，下次再向机器展示同一个图像时，你就会得到你想要的答案。这种指导下的学习对于计算机学习来说是非常重要的。
深度学习，比如科学培训，对机器进行端到端的培训，可以让它完成某一项任务，它会告诉你最后的输出是什么。通过运用端到端的学习方式，计算机会更好地了解我们的世界，它可以识别图像，同时还可以用于很多其他的应用，比如语言处理和语言识别等。这就是我们每天都在发布的一些新的应用，特别是涉及到神经元网络。
关于人工神经智能方面，我们知道，神经网络是非常大的，只有在非常强大的计算机上才可以运用，需要有CPU加以辅助。随着深度学习的革命，越来越多的人相信深度学习是可以奏效并可以发挥作用的。因为有了这样的一些应用，机器的失误错误率不断下降，故障率也在不断下降，有的时候表现得甚至比人还要好。它的性能非常好，已经成为了一种标杆。另外，人工神经智能实际上比CPU识别图像或对象更加复杂一些，它不仅仅能够识别对象，同时能够进行本地化处理，比如给我们的Mask RCNN系统展示一幅图像，它不仅仅可以识别出每一个对象，同时还会为每个对象加一个标注，如电脑、酒杯、人、桌子等，它都可以识别出来,而且还可以数出来到底有多少。如果五年之前问系统这些问题的话，我们当时可能认为需要10~20年时间才能达到今天呈现的效果。
在Facebook，还有许多其他项目利用这样的技术，我们现在有一个系统能够实时地运行并预测人类的行为，它可以跟踪很多人的行为，生成视频，而且非常地准确，可以实时地生成一些相应的数据和信息，相应的代码也是可以用的。这样的技术不仅仅可以进行图像识别、面部识别，也可以识别人的行动，也可以使用计算机序列，也可以用来翻译。Facebook经常使用我们系统进行翻译的工作，可以把一些文字从一种语言翻译成另外一种语言。
对于行业来说，进行这样的开发研究将会是一个非常有用的过程。对于我们研究团队来说，不仅仅要开发对公司非常有用的技术，同时我们也希望所开发的技术能够引领整个行业，能够解决我们感兴趣的问题。我们认为AI不仅仅会帮助我们解决问题，同时还会帮助应对很多人类自身无法解决的挑战。我们的科学团队会一起朝这方向努力。
在过去的几年里，IFRR所发布的一些开源项目，包括深度学习网络，还有深度学习框架，以及深度学习的应用。我们每天都会有一些新的应用发布，也可以进行语言的翻译甚至过滤，安全或者诊断，以及面部识别等等。另外，在科学方面，我们也可以看到深度学习被广泛地应用，进一步推动科学方面的研究。我们在未来几年里会看到深度学习将会发生更大的革命。
比如，训练车自己去进行驾驶，而且可以调整车轮的方向。这样的话可以让车自己去进行驾驶，而不需要有人去进行校正。
还有编程可以用人工神经网络解释，一共有三个指数，它会根据所展示的数据有所不同。另外根据数据的变化，系统也会有所变化。所以现在的问题是，我们是否有一种方法可以自动地生成一个自己的程序，同时可以对其进行培训，去完成某一项具体的任务，通过研究可以实现这样一种编程，利用这样的培训系统，来完成某一个具体的任务。在自然语言处理过程中，也可以看到人工神经网络是动态的，是在不断变化的，因为它会决定人们将来采用什么样的工具。
另外一个例子，也是关于动态的对抗和计算，比如你要建立一个系统能够回答复杂问题。这个理念就在于我们在这里输入了一个问题，而且这个问题可能也有一些不同的代码，它之后被解码，然后用于我们的编程当中，就可以让系统回答。这样，我们可以建立起一个端到端的解答的途径，而且也允许你提出更多新的问题。这些图像都是动态的，根据你输入的数据不同，它会有所变化，之后你可以加以操作。
深度学习的未来
在机器学习方面，我们要在深度学习上进行深入的挖掘，对于机器本身它会有不同的解决方案，有些核心的功能我们现在确实还没有触及到。这些机器是能够做到我们人类所不能做的事情的，只是我们现在还没有挖掘出来。我们也可以对机器本身进行更深入的培训，比如说，我们要对系统进行成千上万次的培训，之后它们才能够进行学习。有些学习是力学方面的，但是在实际的生活当中不可能实时的来进行这些操作，所以我们只能够进行模拟，它也需要我们进行很多的尝试才能够让机器学到。
婴儿怎么去学习呢？如果我们向婴儿展示一幅图像，对于六个月以下的婴儿他可能毫无反馈，因为他们不太了解比如物理方面的运动，可当他们满了八个月之后，他们已经知道了自由落体的作用了。我的一位朋友给我们展示出了婴儿怎么学会一些概念，最终了解到一些物理最基本的原理。他们在生活当中最初学到的一些概念，也是通过一些常识获取的，婴儿们能够了解到背景的知识，他们所学会的是一些常识。
我们在向动物展示某种情景，比如说大猩猩，在幼年时由培训员给它们进行一些展示，大猩猩面对魔术会笑出来，会把它们当作世界最起初的原型来看待。
我们希望机器能够建立一些样本，能够使得我们系统进行运行，最终机器会得到学习，之后再来进行一些预测，什么是可行的，什么是会发生的，然后我们就可以使得机器像人一样有效地运行。我们有这样的监督或者学习，就能够使机器得到培训，它们能够进行规划、反应，我们需要建立起的一个系统，由机器进行规划，根据它们的尝试进行预测。它的核心理念在于运用一些人工智能的元素，对民众社会的行为参与进行预测。
人工智能的技术趋势
不管下次的变革在哪个点，我觉得最重要的应该是自我监督或者无监督的学习，而且也会在这样的变革当中出现一些常识性的学习。未来最新的趋势应该是关于监督学习方面的，它是不能够被替代的，不管是无监督的学习还是其他的学习方式都不能够替代它。这点已经引起了很多人的兴趣，今后几年还会持续发展，我们也会进行更多的尝试。还有我们要使得机器能够推理，看一下深度学习能给我们什么样的推理能力，回顾一下AI时代机器的推理能力有多高，以及它的逻辑性有多强。
随着技术的不断演变，接下来我们也要朝着可差异化的智能学习方向持续发展，这需要我们来进行更多对抗性的训练与研究。这个过程中还会出现更多的有关深度学习的变革，比如说，包括了一些多渠道的发展或者是复杂的架构，而且在这个领域会有更多的理论不断出现。
很显然，在技术发展趋势方面，监督会不断的弱化，甚至监督会消失，这就会催生一些新的理论，比如新的语言，或者是出现了一些并行的文本。我相信，应该有多维度的可能性，你会发现出现了一些新的框架，包括了一些动态的影像或者是更多的幻象。人类诠释的能力也会不断的提升，我们和微软、亚马逊会进行更多的合作，我们也会不断地进行开源研究。随着移动工具和其他工具变得越来越流行，Facebook的用户每天能够推出大概20亿个不同的影像，大家可能会出于不同的目的去参与其中，我们希望能够充分发挥这方面的力量，这可能是一种很强的驱动能力。另外，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。