尽管猫脸识别技术的实用性很低，”吴恩达说道，“但是我认为这项技术代表是深度学习未来发展的一个方向。”

　　语言的挑战

　　“深度学习”技术需要面临的另一个挑战是对自然语言的识别。人类的语言中包含大量的微妙信息，迄今为止科学界还未能找到识别这些微妙信息的方法。比如一个相同的词汇，在不同的语境或语气下都会有不同的意思，目前大部分人工智能系统都无法区分这些信息。“机器非常善于处理数据，但是却无法应付语言符号，”Quoc Le介绍说，“因为语言是一种具备高度象征意义的东西。”

　　对语言进行识别的关键是找到将符号转译成数字的方式。“目前我们还没有找到将语言概念转变成机器能够处理的数学结构的方法，”Quoc Le说道，“不过在与Word2Vec工具的帮助下，我们在这方面也取得了一定进展。希望未来我们的机器能够自动识别发布在网络上的海量信息。”

　　“人们未来是不可能随时随地监督机器的学习的，”与Quoc Le一起在斯坦福大学攻读博士学位的理查德索切(Richard Socher)说道，“我们希望未来能够将监督学习和非监督学习结合起来，这样机器就能实现许多目前难以想象的事情。”

　　Quoc Le最近联合谷歌的几位同事发表了一篇关于在深度神经网络研究中使用机器翻译的文章，其中谈到了对“回归神经网络”的利用，据了解这可能是目前语言识别领域最为先进的技术。

　　更强大的“谷歌大脑”

　　Quoc Le在文章中表示，他们所发现的新方法要优于其它机器翻译算法，不过这也仅仅是“深度学习”的一个应用而已，未来“深度学习”技术还将会用于网络上的问题答疑、自动说明以及情感分析等等。

　　为了充分利用这些先进的算法，谷歌将不得扩充自己的“机器神经网络”规模，而不是局限在图像和语音的识别领域。“深度学习”概念的奠基人、目前供职于谷歌的杰夫·韩丁(Geoff Hinton)曾在介绍“谷歌大脑”项目时表示：“就像是鸽子的大脑一样，虽然它拥有良好的视力，但是任何人都不会与一只鸽子进行对话。”

　　实际上，即便是脑容量相当小的鸽子，其大脑的计算能力也能够轻松超越目前世界上最为先进的“机器神经网络”(包括“谷歌大脑”)，而在韩丁加盟谷歌之后，更是宣称未来要帮助谷歌打造全球最大的“机器神经网络”来对“深度学习”进行更加全面的研究。译者：小凯

【更多热点请手机下载《爱济南》客户端 山东大小事尽在掌握】