深度学习的下一站在哪里( 六 ) 近日

“尤尔等指出的组合模型训练及用组合数据测试，实质上应该认为是个分解过程，但难点就在于分解。就像计算机视觉里最难的问题是图像或物体分割一样，这本身可能需要更多高层次上的语义理解。更具颠覆性的方法是赋予AI引擎一些推理功能，即使没有见过的数据，也能通过推理进行解决。 ”李世鹏指出。

李世鹏进一步说，脑科学和认知科学的发展给我们很

多启示， MIT等一些大学院所的科学家正沿着这条路径探索。其实，上世纪90年代盛行的专家系统很多时候就是给机器一些规则（推理法制），让机器按规则去推理从而解决一些问题。但专家系统的问题是规则制定本身是件很麻烦的事，远不及今天数据标注来得简单。将来的思路可能是需要深度学习从大数据中归纳出一些可以解释的规则，然后，将它们应用到新的数据中去解决问题。知识图谱和深度学习的结合也许是这条路线的一个实用分支。