在過去的一年中，我們有幸通過RE•WORK節目與從事人工智慧和電腦科學方面的許多大牛進行交流，我們期待在2016年會晤更多的專家，並向他們學習。
作為Q&A系列的一部分，我們邀請了一些深度學習方面最為資深的人士，來預測深度學習領域未來5年的可能發展情況。
未來5年我們可能看到深度學習會有怎樣的發展？
Ilya Sutskever，OpenAI研究總監：我們應該會看到更為深層的模型，與如今的模型相比，這些模型可以從更少的訓練樣例中學習，在非監督學習方面也會取得實質性進展。我們應該會看到更精準有用的語音和視覺識別系統。
Sven Behnke，波恩大學全職教授、自主智慧系統小組負責人：我期望深度學習能夠越來越多地被用於多模（multi-modal）問題上，在資料上更結構化。這將為深度學習開創新的應用領域，比如機器人技術，資料探勘和知識發現。
Christian Szegedy，谷歌高階研究員：目前深度學習演算法和神經網路的效能與理論效能相去甚遠。如今，我們可以用五到十分之一的成本，以及十五分之一的引數來設計視覺網路，而效能比一年前花費昂貴成本設計出的網路更優，這完全憑藉改善的網路架構和更好的訓練方法。我堅信，這僅僅只是個開始：深度學習演算法將會更高效，能夠在廉價的移動裝置上執行，即使沒有額外的硬體支援或是過高的記憶體開銷。
Pieter Abbeel，加州大學伯克利分校電腦科學副教授、Gradescope聯合創始人：有很多技術都基於深度監督式學習技術，視訊技術也是一樣，搞清楚如何讓深度學習在自然語言處理方面超越現在的方法，在深度無監督學習和深度強化學習方面也會取得顯著進步。
Eli David，Deep Instinct CTO：在過去的兩年中，我們觀察到，在大多數使用了深度學習的領域中，深度學習取得了極大的成功。即使未來5年深度學習無法達到人類水平的認知（儘管這很可能在我們有生之年發生），我們也將會看到在許多其他領域裡深度學習會有巨大的改進。具體而言，我認為最有前途的領域將是無監督學習，因為世界上大多數資料都是未標記的，而且我們大腦的新皮層是一個很好的無監督學習區域。
Deep Instinct是第一家使用深度學習進行網路安全研究的公司，在今後幾年，我希望有更多的公司使用深度學習進行網路安全研究。然而，使用深度學習的門檻還是相當高的，尤其是對那些通常不使用人工智慧方法（例如，只有少數幾個解決方案採用經典機器學習方法）的網路安全公司，所以在深度學習成為網路安全領域廣泛運用的日常技術之前，這還將需要數年時間。
Jörg Bornschein，加拿大高階研究所（CIFAR）全球學者：預測未來總是很難。我希望無監督、半監督和強化學習方法將會扮演比今天更突出的角色。當我們考慮將機器學習作為大型系統的一部分，比如，在機器人控制系統或部件中，掌控大型系統計算資源，似乎很明顯地可以看出，純監督式方法在概念上很難妥善解決這些問題。
Ian Goodfellow，谷歌高階研究科學家：我希望在五年之內，我們將可以讓神經網路總結視訊片段的內容，並能夠生成視訊短片。神經網路已經是視覺任務的標準解決方案了。我希望它也能成為NLP和機器人任務的標準解決方案。我還預測，神經網路將成為其他科學學科的重要工具。比如，神經網路可以被訓練來對基因、藥物和蛋白質行為進行建模，然後用於設計新藥物。
Nigel Duffy，Sentient Technologies CTO：目前大資料生態系統一直專注於收集，管理，策展大量資料。很明顯，在分析和預測方面也有很多工作。從根本上說，企業使用者不關心那些。企業使用者只關心結果，即“這些資料將會改變我的行為方式嗎？將會改變我做出的抉擇嗎？”我們認為，這些問題是未來5年需要解決的關鍵問題。我們相信，人工智慧將會是資料和更好的決策之間的橋樑。
很明顯，深度學習將會在演變中起到顯著的作用，但需要與其他人工智慧方法結合。在接下來的5年裡，我們會看到越來越多的混合系統中，深度學習用於處理一些難以感知的任務，而其他人工智慧和機器學習（ML）技術用於處理其他部分的問題，如推理。
Charlie Tang，多倫多大學機器學習小組博士生：深度學習演算法將逐步用於更多的任務並且將“解決”更多的問題。例如，5年前，人臉識別演算法的準確率仍然比人類表現略差。然而，目前在主要人臉識別資料集（LFW）和標準影像分類資料集（Imagenet）上演算法的表現已經超過了人類。在未來5年，越來越難的問題，如視訊識別，醫學影像或文書處理將順利由深度學習演算法解決。我們還可以看到深度學習演算法被移植到商業產品中，就像10年前人臉檢測如何被納入相機中一樣。
原文：Deep learning experts discuss the next 5 years
譯者/劉翔宇