语音也在里面学，文字也在里面学，图像也在里面学，会不会互相干扰呢，其实不仅不会互相干扰，在一定程度上还略微有帮助。北美已在引领这些发展，如果中国只低头用深度学习去解决应用问题，不去研究一个目的背后需要解决的问题，要做到“引领”则是不可能的。
为什么机器下围棋能超过人类;为什么在图像识别的某些方面会超过人类，成功的因素是什么?我认为有三大法宝：数据、计算资源和算法。这就是深度学习成功的三大法宝。大家对于前两个方面比较注意、有体会，很多人还没有体会到算法的重要性
我主要是谈人工智能和大数据的关系，以及中国在人工智能领域如何赶上和超过世界的先进水平。
深度学习有三大法宝
首先认识一下基于大数据的深度学习。深度学习的提出，在人工智能领域中是一个重大突破。 以往，人工智能只能用来解决人们对它非常了解，而且能够清楚地将它表达出来的问题。但深度学习拓展了人工智能所能解决问题的边界。
其次，深度学习具有一定的通用性。比如，人们用深度学习做图像识别，不一定要具备非常 丰富、专业的图像知识。即使你不是这个领域的专家，也能把深度学习应用到这个领域。所以，深度学习是一种大众化的工具，它把解决问题的领域大大延展了。
对大众而言，这些奇迹引发人 们认识到了深度学习的威力。就是在图像识别领域，在某一个图像库里，机器识别准确度略微超过人类，或者机器的误识率低于人类，微软做的工作、百度在语音识别上的工作，识别错误率略 低于人类，在两个领域的识别上机器都超过了人类。
现在要分析两个问题：
一，大家都希望把深度学习的方法用到其他领域可能会产生新的奇 迹，这些奇迹会不会发生，在什么样的情况下会发生;第
二，如何推动深度学习继续向前发展。
这些奇迹来自何处?为什么机器下围棋能超过人类，为什么在图像识别的某些方面会超过人类，成功的因素是什么?我认为有三大法宝：数据、计算资源和算法。这就是深度学习成功的三大法宝。大家对于前两个方面比较注意、有体会，很多人还没有体会到算法的重要性。我用阿尔法棋作为例子，具体谈谈它怎么来使用这三个法宝。
阿尔法棋用了两个多星期的时间，学了七千万局棋局。机器还自己跟自己下，跟李世石下之 前也下了千万局的棋局。也就是说比所有的棋手多下了几千万局的棋，最后的结果是 4 比 1 战胜 李世石。最好的棋手一生中所下的棋局是百万级，而阿尔法棋下过的棋局是几十亿级的，这两项 数据非常不对称，人类绝对会输。这里可以看到数据的力量和计算资源的力量，大家没有看到背 后算法的力量。但阿尔法棋能够在两三周里学到几千万个棋局，靠的是什么，其实是靠学习算法， 它自己跟自己下棋，靠的是什么，靠的是强化学习算法，没有这些，它是做不到的。
人工智能目前做不到举一反三
是不是所有问题，只要有数据，就能够做到这么好呢?不是!这要受四个条件限制：首先是需 要有大量的数据，第二是完全信息，第三是确定性，第四是单领域和单任务。只有这四个限定条 件达成后才有可能做到刚才说的，达到或者超过人类的水平。有很多问题(同时)符合这些条件， 比如说医疗数据，可以做大数据处理，像某些疾病的医疗诊断、医疗图像的识别、医学图像识别 等等，只要(问题领域)符合这四个条件，都可以做，而且经过努力，依靠那三大法宝是可以达到或者超过人类的水平。
但是，大量的工作并不符合以上四个条件，不符合中间一条两条或者四 条都不符合，如果一旦不符合这四个条件中的任何一个，现在的人工智能技术就有困难。对此，大家以往一直感到困惑，语音也在里面学，文字也在里面学，图像也在里面学，会不 会互相干扰呢，过去我们怕装不同东西的时候它会乱了，会互相干扰，其实不仅不会互相干扰， 在一定程度上还略微有帮助。
北美已在引领这些发展，如果中国只低头用深度学习去解决应用问 题，不去研究一个目的背后需要解决的问题，要达到引领是不可能的。深度学习也不是完美的。很多人以为用深度学习去做产业或者应用不会有问题，但是这里要 强调，深度学习有大量的隐患，这些隐患在很多应用场合下是绝对不允许的。
首先，它需要大量的样本，有些问题很难获取很多样本，比如特殊疾病，罕见疾病，根本没有那么多样本。最重要的是，不可理解性，现在看到深度学习建立的系统，实际上跟人的思路很不一样。因此，说机器 识别能力超过了人，这只是在非常特定的环境下说，其实很多方面它不如人。比如它识别率比人 高，只是说它区别马和牛的能力比人高，就是在一定的数据库下它识别能力比人高，但是它根本 上不认识马和牛。将来如果做一个人机决策系统，机器做出来的决策，人都不知道它怎么做出来 的，那怎么用呢，谁敢用呢?
机器和人如何相互理解
现在实际要解决的问题就是人和机器能够合作的问题。大家都在强调，今后的方向肯定是人和机器合作，要各展所长，这里面有一个问题就是机器如何理解人，人如何理解机器。过去的重点是放在机器如何理解人上面，比如说人类的语音命令，用自然语言发的命令它能够听懂，这是所谓自然语言对话。
这其实忽视了一个非常重要的另外一个点，就是人如何理解机器，这是由深度学习引起的，因为深度学习出来以后，它做出来的事情人非常不理解，这就给人机共同合作带 来了巨大的困难，所以现在很多的重点除了做自然语言理解，理解用户的意图等等这些工作外， 还要集中在人如何理解机器这方面。为什么会发生这种情况，为什么机器的思路跟人不一样，因为机器处理的方式要用专业的语言。
机器怎么识别猫呢?它只是从一些局部的特征，局部的纹理来识别它，它根本不是从猫的整体来识别，因为机器要取得整体的特性是非常困难的，它只取得局部的特性，所以它都是在利用局部特性，在一个特征空间里去认识猫，跟人认识猫的角度完全不一样，人认识猫是从所谓语义空间里，是通过它的各种各样的属性来识别它。
目前，这些研究不仅只是大学或者科研机构的事情了，企业也都在纷纷参与。我有个团队也是围绕上面的问题，重点是如何突破将来人工智能要解决的基础和关键问题，而不仅只是低头跟随性地应用深度学习，只有从这点上着手，我们才有可能实现在人工智能领域追赶、超过或引领 的目标。
