今年的图灵奖选择了“深度学习三巨头”——Yoshua Bengio、Yann LeCun、Geoffrey Hinton，但这一事件并未减弱人们对深度学习“寒冬已至”的担忧。
随着越来越多的深度学习应用走向日常生活，该技术的局限性也开始受到大量关注，例如对大数据的强依赖、缺少泛化能力、不可解释性等，这些因素都阻碍着基于深度学习实现真正的人工智能。
此前人工智能领域经历过的“寒冬”现象，最主要的特质在于，大量的人力物力投入到 AI 的研究中却几乎一无所获，机构和政府面临“人工智能”研究失败和沉没成本，已经看不到任何发展前景，也由此导致人工智能研究停滞了数十年。
那么，在 2019 年即将翻页的这一节点，深度学习的发展显现出“寒冬”征兆了吗？
图｜Yoshua Bengio、Yann LeCun，以及 Geoffrey Hinton
在今日上午 CNCC2019 中的一场讨论中，包括中国工程院院士高文、中科院计算所研究员陈云霁、北大教授黄铁军、依图 CTO 颜水成、北交大教授于剑、腾讯 AI Lab 主任张正友、清华大学教授朱军在内的诸位 AI 学者，深度讨论了这项技术的现状乃至整个 AI 发展未来的可能走向。
现场互动中，中国科学院梅宏院士认为，深度学习作为机器学习的一个分支，获得图灵奖已经足够证明其价值所在。正如计算机从最初的军用走向民用，人类将其变成一个通用化的工具，计算机同样能够继续得到发展，深度学习也将是类似的情况。
根据讨论，正如其他的科学技术一样，深度学习有实用部分，也有不实用的部分。曾经，云计算、大数据亦是热度不亚于今天的 AI 的技术，但今日它们同样在持续发展，只不过已经从“明星技术”的状态走向“润物细无声”的阶段。
长远来看，深度学习也将有相似的未来：它不会迎来彻底丧失价值、宣告“死亡”的终点，而是仍在某些特定的方向上发挥作用，特别是需要从大量的数据中寻求规律以执行特定任务的场景。
“深度学习会不会有冬天，要看是不是有更多更实用的深度学习应用出现，能够很好地服务于我们的生活，这样的应用越多，寒冬到来的可能性越小。”中科院计算所研究员、寒武纪创始人陈云霁如此表示。
中国工程院院士高文也提到，深度学习低谷到来的可能性，将在于需要深度学习、强调大数据的任务被完成得差不多了，“低谷”之后谁接棒，将取决于目前各种各样的可能性当中，谁能率先解决最重要的问题、取得最显著的突破。正如 AI 发展过程中，深度学习率先在 2012 年实现了机器图像分类超越人眼的里程碑，由此走出“冬天”，带来应用的大爆发。
诚然，深度学习中亟待解决的问题还有很多，为深度学习添砖加瓦有其必要，但现场讨论中更关键的一个共识在于，学术界不应持有仅靠深度学习“一招鲜吃遍天下”，有用的锤子发明后只着力于一点的心态。即从学术研究能够继续往前发展的角度来看，应该推动 AI 领域多元化的研究方向。
由此，几位 AI 学者也给出了非常具体的潜力研究方向，这些研究方向将有可能拿下深度学习的接力棒，孕育出新的“春日之芽”。
清华大学教授朱军认为，贝叶斯推理将会是其中的一个选项。他和他的团队正关注于此。贝叶斯网络由 Judea Pearl 提出，凭借这项工作，Pearl 在 2011 年获得图灵奖，这一工作可帮助机器将潜在原因与一系列人们所观察到的现象联系起来。Pearl 也曾经批判过 AI 现状，他认为今天的人工智能只不过是上一代机器已有功能的增强版，即在大量数据中发现规律性：“几乎所有的深度学习突破性成果本质上来说都只是些曲线拟合罢了”。
作为 AI 领域坚定的类脑计算支持者黄铁军表示，要解答人工智能未来的路是怎么走的，需要回头看人的智能是如何演化而来。他认为，下一代人工智能的方向将在于类脑智能，但发展类脑智能需要我们抛弃原有的计算思维，转向以下三个层次的研究：硬件（如脉冲神经网络）、模型（即信息在神经中流转的动力学模型）、类脑智能机理。其中，脉冲神经网络硬件在国外已经得到了一定的发展，但目前还未有一个模型能够像 2012 年的视觉识别突破一样，彰显出巨大的潜力。
腾讯 AI Lab 主任张正友提到，如何将先验知识引入到现有的数据驱动型的 AI 中将值得关注。以人类的婴儿为例，他们不需要太多的举例，只需小量训练样本（即先验知识），就能通过与真实世界交互从而进行学习，但现在的深度学习还远未与先验知识紧密结合。
除此之外，符号智能、多模态、软硬一体化等也在其他几位学者的名单中。期待在不久的将来，我们能够听到来自这些方向的重大突破。
