从物质世界到精神世界有一个过渡。但是低谷过后，会有新的开始。未来五年，城市会缺乏新鲜的活力，但农村会成为新的契机。未来五年，恐怕地球灾害频发，亚太地区可能发生8.5级以上地震。【原文】，谢谢邀请。我认为未来的世界还是一个繁荣和谐的世界。因为有毛主席、毛泽东思想旗帜的指引，一切反动派都是纸老虎，所以才繁荣和谐。我觉得未来的世界还是一个爱国、敬业、诚信的世界，因为它全心全意为人民服务，繁荣富强，人民安居乐业。在毛主席和毛泽东思想的旗帜下，我们的生活充满阳光。因此，我认为未来的世界仍然是一个友好、民主、文明的世界。我认为未来的世界，即消除战争和永久和平，是在毛泽东主席思想的旗帜指引下进行的。我相信我一定相信，就像我们在国际歌里唱的那样，Interna Xiongnai一定会实现的。
你觉得通往未来的AI世界，人类需要面临哪些挑战？
机器学习研究不是关于 AI 应该具备哪些知识的研究，而是提出优秀的学习算法的研究。11 月 7 日，Yoshua Bengio 受邀来到北京参加第二十届二十一世纪的计算国际学术研讨会。会上以及随后受邀前往清华时，他给出了题为深度学习通往人类水平 AI 的挑战Challenges for Deep Learning towards Human-Level AI的演讲。
演讲中，Bengio 以去年发布在 arXiv 的研究计划论文有意识先验The consciousness prior为主旨，重申了他与 Yann Lecun 十年前提出的解纠缠disentangle观念我们应该以关键要素需要彼此解纠缠为约束，学习用于描述整个世界的高维表征unconscious state用于推理的低维特征conscious state，以及从高维到低维的注意力机制——这正是深度学习通往人类水平 AI 的挑战。
虽然主题看起来比较广大，但实际上，Bengio 讨论了非常多的技术细节内容。图Bengio在清华。Bengio 认为，直观上而言，目前的深度神经网络非常擅长于从文字图像等原始数据抽取高层语义信息，它们会直接在隐藏空间做预测，这就类似于在无意识空间做预测。但是实际上每一次预测所需要的具体信息都非常精简，因此实际上我们可以使用注意力机制挑选具体的信息，并在这种有意识空间进行预测，这种模型和建模方法才能真正理解最初的输入样本。
演讲 今天我将介绍我与合作者共同探讨的一些问题，关于深度学习研究的下一步发展以及如何通向真正人工智能。在此之前，我想先纠正一个目前看来非常普遍的误解，即深度学习没有理论依据，我们不知道深度学习是如何工作的。我的很多工作都围绕深度学习理论展开。这也是为什么我在大约 12 年前开始研究深度学习的原因。
虽然深度学习仍然有诸多未解之谜，但现在我们已经对它的很多重要方面有了更好的理解。我们更好地理解了为什么优化问题并不像人们想象中那样棘手，或者说局部极小值问题并不像 90 年代的研究者认为的那样是一个巨大障碍。我们更好地理解了为什么像随机梯度下降这样看起来非常脑残的方法实际上在优化和泛化方面都非常高效。
这只是我们在过去十年中学到的一小部分，而它们有助于我们理解为什么深度学习真正好用。数学家和理论研究者仍然对此展现出了极大的兴趣，因为深度学习开始在诸多领域变得极为重要。从人类的两种认知类型解释经典 AI 与神经网络的失败我今天演讲的主题是通往人类水平的 AI我们试图让计算机能够进行人与动物所擅长的决策，为此，计算机需要掌握知识——这是几乎全体 AI 研究者都同意的观点。
他们持有不同意见的部分是，我们应当如何把知识传授给计算机。经典 AI符号主义试图将我们能够用语言表达的那部分知识放入计算机中。但是除此之外，我们还有大量直观的intuitive 无法用语言描述的不能通过意识获得的知识，它们很难应用于计算机中，而这就是机器学习的用武之地——我们可以训练机器去获取那些我们无法以编程形式给予它们的知识。
在深度学习和AI领域取得了长足的进步，并取得了大量的产业应用。但它们都使用监督学习，即计算机并不真正需要发现数据中的底层概念、高层表示和因果关系。事实上，如果你以不同的方式攻击这些模型，正如许多对策所做的那样，仅仅微调输入就会使模型变得非常愚蠢。例如，我们改变纸张中图像的傅立叶光谱。经过变换后，图像的类别对人类来说仍然是明显的，但是在自然图像上训练的卷积网络的识别率变得很差。
