今年的圖靈獎選擇了“深度學習三巨頭”——Yoshua Bengio、Yann LeCun、Geoffrey Hinton，但這一事件並未減弱人們對深度學習“寒冬已至”的擔憂。

隨著越來越多的深度學習應用走向日常生活，該技術的侷限性也開始受到大量關注，例如對大資料的強依賴、缺少泛化能力、不可解釋性等，這些因素都阻礙著基於深度學習實現真正的人工智慧。

此前人工智慧領域經歷過的“寒冬”現象，最主要的特質在於，大量的人力物力投入到 AI 的研究中卻幾乎一無所獲，機構和政府面臨“人工智慧”研究失敗和沉沒成本，已經看不到任何發展前景，也由此導致人工智慧研究停滯了數十年。

那麼，在 2019 年即將翻頁的這一節點，深度學習的發展顯現出“寒冬”徵兆了嗎？

圖｜Yoshua Bengio、Yann LeCun，以及 Geoffrey Hinton

在今日上午 CNCC2019 中的一場討論中，包括中國工程院院士高文、中科院計算所研究員陳雲霽、北大教授黃鐵軍、依圖 CTO 顏水成、北交大教授於劍、騰訊 AI Lab 主任張正友、清華大學教授朱軍在內的諸位 AI 學者，深度討論了這項技術的現狀乃至整個 AI 發展未來的可能走向。

現場互動中，中國科學院梅巨集院士認為，深度學習作為機器學習的一個分支，獲得圖靈獎已經足夠證明其價值所在。正如計算機從最初的軍用走向民用，人類將其變成一個通用化的工具，計算機同樣能夠繼續得到發展，深度學習也將是類似的情況。

根據討論，正如其他的科學技術一樣，深度學習有實用部分，也有不實用的部分。曾經，雲端計算、大資料亦是熱度不亞於今天的 AI 的技術，但今日它們同樣在持續發展，只不過已經從“明星技術”的狀態走向“潤物細無聲”的階段。

長遠來看，深度學習也將有相似的未來：它不會迎來徹底喪失價值、宣告“死亡”的終點，而是仍在某些特定的方向上發揮作用，特別是需要從大量的資料中尋求規律以執行特定任務的場景。

“深度學習會不會有冬天，要看是不是有更多更實用的深度學習應用出現，能夠很好地服務於我們的生活，這樣的應用越多，寒冬到來的可能性越小。”中科院計算所研究員、寒武紀創始人陳雲霽如此表示。

中國工程院院士高文也提到，深度學習低谷到來的可能性，將在於需要深度學習、強調大資料的任務被完成得差不多了，“低谷”之後誰接棒，將取決於目前各種各樣的可能性當中，誰能率先解決最重要的問題、取得最顯著的突破。正如 AI 發展過程中，深度學習率先在 2012 年實現了機器影象分類超越人眼的里程碑，由此走出“冬天”，帶來應用的大爆發。

誠然，深度學習中亟待解決的問題還有很多，為深度學習添磚加瓦有其必要，但現場討論中更關鍵的一個共識在於，學術界不應持有僅靠深度學習“一招鮮吃遍天下”，有用的錘子發明後只著力於一點的心態。即從學術研究能夠繼續往前發展的角度來看，應該推動 AI 領域多元化的研究方向。

由此，幾位 AI 學者也給出了非常具體的潛力研究方向，這些研究方向將有可能拿下深度學習的接力棒，孕育出新的“春日之芽”。

清華大學教授朱軍認為，貝葉斯推理將會是其中的一個選項。他和他的團隊正關注於此。貝葉斯網路由 Judea Pearl 提出，憑藉這項工作，Pearl 在 2011 年獲得圖靈獎，這一工作可幫助機器將潛在原因與一系列人們所觀察到的現象聯絡起來。Pearl 也曾經批判過 AI 現狀，他認為今天的人工智慧只不過是上一代機器已有功能的增強版，即在大量資料中發現規律性：“幾乎所有的深度學習突破性成果本質上來說都只是些曲線擬合罷了”。

作為 AI 領域堅定的類腦計算支持者黃鐵軍表示，要解答人工智慧未來的路是怎麼走的，需要回頭看人的智慧是如何演化而來。他認為，下一代人工智慧的方向將在於類腦智慧，但發展類腦智慧需要我們拋棄原有的計算思維，轉向以下三個層次的研究：硬體（如脈衝神經網路）、模型（即資訊在神經中流轉的動力學模型）、類腦智慧機理。其中，脈衝神經網路硬體在國外已經得到了一定的發展，但目前還未有一個模型能夠像 2012 年的視覺識別突破一樣，彰顯出巨大的潛力。

騰訊 AI Lab 主任張正友提到，如何將先驗知識引入到現有的資料驅動型的 AI 中將值得關注。以人類的嬰兒為例，他們不需要太多的舉例，只需小量訓練樣本（即先驗知識），就能通過與真實世界互動從而進行學習，但現在的深度學習還遠未與先驗知識緊密結合。

除此之外，符號智慧、多模態、軟硬一體化等也在其他幾位學者的名單中。期待在不久的將來，我們能夠聽到來自這些方向的重大突破。