关于Automated Science，把所有的物理科学材料用机器看一遍能不能得出牛顿定律？像以前伽利略用望远镜看到星星的运动，经过科学的研究，总结出来一些星球运行的定理，牛顿根据这些材料总结出牛顿定理，能不能用人工智能做出来？这是很多人想的问题。

从研究和技术方面来讲，为了让大家看到将来的趋向或者将来有影响的研究和技术，我们要先看现在的深度学习和AI的方法有些什么样的局限性？要把局限性看懂以后，你们就可以知道用什么方法来克服它们。很大的一个局限性是，现在几乎所有成功的方法都需要有非常大量的数据，这种数据一定要输入输出全部匹配好，不匹配好的话，没有任何方法能够做得非常成功。下面还有一大串的局限，比如黑箱（black box），很多研究在破这个黑箱，走出现有神经网络的框架，要能够把以前大家所做的深度贝叶斯的方法加上一大串其它的方法整合到一起，就有望解决黑箱的问题。黑箱问题对我很重要，虽然有的研究人员觉得黑箱问题不是那么重要。同样重要的一点是，神经网络现在非常难把知识自动扩大，就像小孩长大，他的知识会一步步扩大，但现在的人工智能对这个能力几乎还没往这方面想。我跟很多研究人员交流，关于怎么才能把基于神经计算的深度学习跟符号逻辑连在一起，你把逻辑关系搞清楚就能解释所有的东西。

下面用一张图解释最近的想法和工作，怎么才能把逻辑推理、70年代的人工智能跟现在的深度学习、自动学习能力非常强的神经网络结合到一起。现在这里有两个结构，下面一个是输入句子的句法树状结构。上面的树状结构是语义结构。用人工智能的传统方法来做，要写很多规则，但是要用神经网络方法来做的话就可以学习。用于统一两者的一个方法是建立一个等价关系，图状结构可以进入到神经网络，学习完了之后反向回到新的图状结构，能够把树状结构（或者图状结构）还原出来，这过程中的推理逻辑就可以自动等价与在神经网络上面实现。

谢谢大家！

怎么样，是不是干货满满而又深入浅出？如果还有更多问题想提问专家，欢迎大家踊跃留言，欢迎提出更多想看的好选题，一起打造愉快的学习平台。

　　你也许还想看：

　　微软研究院AI头条期待你的评论与投稿。

　　微软小冰进驻微软研究院微信啦！快去主页和她聊聊天吧。