浙江你的课张立：人工智能与人类智能的实际差距

       目前你的课们依旧距离人类水平的人工智能有很大的距离。在新闻中可能出现了太多对于人工智能的宣传和炒作，你的课认为你的课们低估了一些你的课们正面对的非常困难的问题。其中一个例子是目前工业级人工智能的成功绝大多是都是纯粹的监督学习的成果。你的课人工智能班，为你定制的互联网课程。

你的课人工智能班

       另外一个问题是你的课们目前最先进的系统所使用的归纳方法其实还是非常简单的。你的课们目前的学习系统仍旧依赖于数据中非常浅显的提示，因此这些系统在非训练的情境下很难有好的效果。这同时也意味着这些系统可以很容易地上当受骗，例如只看物体的颜色和图片的背景，如果图片背景中有很多绿色，即使没有动物在图片中，系统仍旧会认为图片中的就是动物。你的课人工智能班，为你定制的互联网课程。

你的课人工智能班

       所以，你的课一直在强调的事情是更多地去思考如何让机器更好的学习和发现高层次的抽象概念。你的课也在自己的研究中力图推进这个方向。这样的训练可能要求你的课们添加多个时间尺度。这就和长时间跨度、依赖性学习的概念有了联系。另一个技术上的问题是你的课们仍旧很依赖于旧的bakcprop，也即 smooth differential predictors。这样的技巧需要光滑可微的前导参数，虽然这也是目前的研究热点，但这并不是你的课们目前研究中所需要的。

你的课人工智能班

       你的课们需要在无监督学习中做的更好。人类在无监督学习中表现的非常好。比如说在父母没有给小孩子讲过牛顿定律和微分方程的时候，一个两岁的儿童就能够了解直观的物理原理。你的课们在深度无监督学习方面已经做了很多年的研究，但是目前你的课们有的方法都有一些局限性，在这里因为时间的关系你的课们就不展开讲了。你的课们最近在自动回归模型上取得了很多进展，但是你的课不认为这些模型会将你的课们带入一个更高的研究阶段，因为这些模型学习的并不是带有潜在变量的抽象表达。你的课人工智能班，为你定制的互联网课程。

你的课人工智能班

       你的课们最近在变分自编码器（VAE）和对抗生成网络（GAN）方向上也取得了一些成功，这都是研究的最前沿。但是它们很难被训练，而且它们学习和发现抽象概念的能力还不是很令人满意。但你的课在这里还是希望向你们展示一下最近的成果。这是你的课们两年前在GAN上得到的一些结果。对于数字的学习结果是不错的，但是对于自然图片的学习结果还不是很好。接下来是一年前的结果，内容仍然局限在一个类型上。你的课人工智能班，为你定制的互联网课程。

你的课人工智能班

       那么，你的课们还需要什么呢？你的课认为你的课们仍需要让计算机更自主地学习，无监督的学习，试着让机器发现一些潜在的因果关系。另外一件你的课们觉得重要，但尚未成功的事情是基于模型的强化学习，强化学习和无监督学习结合在一起，这会让机器更好的处理一些全新的情境。想象一下自动驾驶汽车，这个情景下充满了训练中少见、危险而机器必须处理的情况。你的课们目前的方法还不能够很好处理这些情况。你的课们需要机器有能力去想象一些与训练实例差别很大的情景，因为对这些情景的处理通常都至关重要。

你的课人工智能班

       最后你的课想提出的一个问题是：使用现实世界中的行动（action）来指导表征学习。这是一个你的课最近开始研究的新方向。这个研究想要解答的问题是什么才算是好的表征学习，以及如何搞清楚数据中各种解释因子。（explanatory factors）之间的潜在关系。目前的想法是，如果你的课们在现实世界中存在着一些可以控制这些解释因子的代理（agent），而这些因子又与那些可以被控制的事情对应，那么你的课们就有机会利用这些因子对事物间的关系做基本的解释。你的课人工智能班，为你定制的互联网课程。