在地球上，有很多动物的视觉超越人类，但是，能使用语言进行沟通却只有人类，人类的自然语言被称为人工智能王冠上明珠，至今尚未被完全攻克。

　　短时记忆位于大脑前额叶的部分，也称工作记忆，而长期记忆则存储在脑后的位置，当我们理解了一个概念后，就会从工作记忆转存到长期记忆。

　　深度学习在处理自然语言和其他时序相关的数据时，经常使用一种名为长短时记忆(LSTM)的算法。

　　这两年我们看到各种机器翻译、个人助手和智能音箱等各种AI商业化应用层出不穷，其主要原因是因为深度学习在语音识别领域取得了突破，使得AI开始可以理解我们在说什么，从而打开了自然语言处理的大门，LSTM被广泛应用于自然语言处理和其他时序相关的场景。

　　和辛顿一起获得图灵奖的卷积神经网络(CNN)之父杨力昆(Yann LeCun)曾说过，在过去的十年中，人工智能领域最有趣的想法要数生成对抗网络(GANs)了。

　　GANs使AI具有“想象力”，上图中GANs把川普与尼古拉斯·凯奇的照片进行合成，类似用GANs来生成图片的应用层出不穷，甚至，LinkedIn上已经出现了虚拟的间谍，通过GANs“想象”出来的可以乱真的但实际并不存在的脸，真人间谍操控这个虚拟的美女，在社交媒体上与美国的一些高官攀关系并窃取有价值的情报。

　　最近也有一些关于GANs负面消息，比如Deepnude等。 GANs的核心思想是引入了博弈论，让用两个神经网络互相博弈，一个网络负责造假，另一个负责鉴定真假，两个网络互相对抗博弈，造假和鉴定真假的水平都不断上升，最终达到纳什均衡，然后就可以把判定真假的网络扔掉，因为造假的网络已经完全可以以假乱真了。

　　GANs的成功表明：“对抗”是实现智能的一个途径，AlphaGo也利用是对抗博弈使其达到很高的水准。

　　人工智能一直在吃20年前的老本么?

　　不论是卷积神经网络，还是LSTM等循环神经网络，都是在上世纪90年代就已经提出。由于受当时的算力和数据量的限制，在当时都没有走红，而是在20年之后才爆发。

　　现在的人工智能产业看上去非常的繁荣，但理论层面缺乏创新的思想突破，还在吃20年前的老本。

　　未来五年到十年，深度学习、人工智能领域出现重大的突破的概率并不太高，但这并不妨碍工业界大量AI应用落地。

　　算力是本轮AI繁荣的三个要素之一，具有多核并行处理能力的GPU已成为深度。随着量子计算的发展，量子计算机未来也可能对AI产生深远的影响。

　　我们目前使用的计算机被称为经典计算机，也称冯诺依曼机，内部以0和1来表达世界。

　　深度学习另外一个局限性就是需要大量的人工的标签，无人驾驶公司雇佣的打标签的人工成本，甚至超过了数据科学家的成本。从这个角度，目前监督式机器学习的情况可以说是：“有多少人工，就有多少智能”。

　　如果我们把机器学习中主要的方法和大脑做一个对比的话，监督式学习，依靠人类打标签的，也就是说有标准答案的，对应为人类小脑的机制。对这种机器学习，我们已经研究的比较成熟了。 但问题在于，互联网上大量的数据是没有标签的，依靠人去打标签的成本太高而不现实。

　　这类非监督的机器学习方法可以很好的去发现数据本身的特征与结构，与监督式学习一起工作，可以得到更好的效果。大脑皮层的功能对应的就是非监督机器学习。

　　AlphaGo对应的强化学习介于上述两者之间，强化学习是没有一个明确的，打标签的这样一个动作，但是它会得到一个环境的反馈。

　　这种学习方式比监督式学习通用性强很多，它不需要标签数据，只通过一个回报的数值来改进模型，通用性强，也是未来实现通用人工智能(AGI)的重要路径。

　　未来的机器的发展可能是以强化学习和非监督学习为主，而一些深度学习模型中已经融入了非监督机器学习，而AlphaGo则是强化学习和深度学习相结合的产物。