在 9 月召开的中国人工智能大会（CCAI 2016）上，邓力博士接受新智元专访，谈了他对深度学习最新突破及近来开源趋势等问题的见解。邓力同意 Hinton 等学者的看法，认为十年內机器能够拥有常识，对研发通用人工智能（AGI）也表示乐观，相信在他的“有生之年”应该能够看见 AGI 实现。

　　当时，邓力博士特别提到了他对 AI WORLD 2016 世界人工智能大会的期望：更深入了解人工智能在全球尤其是在中国的发展，同时分享他对人工智能和深度学习更多的思考。

　　新智元专访：深度增强学习是了不起的进展，深度学习需要借鉴脑科学的知识

　　新智元：过去一年深度学习最大的突破是什么？

　　邓力：深度增强学习是一个很了不起的进展。AlphaGo 影响很大，也让很多做深度学习的研究者意识到，深度学习应用不但可以在有大量直接标注的数据上成功（比如语音识别、图像识别），还可以在其他更多的方面成功。这个成功不像以前那样一定要把每项训练数据都做一一标记，因为增强学习大部分数据都不是直接标注，而是要等到最后结果得出来，再指导前面的机器学习过程。深度学习和增强学习的概念以前都有，但谷歌 DeepMind 将深度学习和增强学习结合在一起，提出了深度增强学习，并且给出了应用场景，做了很多好的工程工作，向大家展示了它能够解决以前深度学习解决不了的问题。就在前几周，新闻报道谷歌 DeepMind 采用深度增强学习的方法，让数据中心的能量消耗减少了 40%，这个影响是非常大的。省电不但有经济效益，对环境的好处也是巨大的。以前一般人想不到可以将增强学习用在这个上面，我看了这项应用的报道后立即深受启发。

　　新智元：LeCun 前不久表示，他非常看好对抗生成网络模型。

　　邓力：对抗生成网络是很好的方法，它有助于无监督学习，如何把数据输入输出的关系弄清楚。

　　新智元：您最近主要在做无监督学习？

　　邓力：思考了这方面的很多问题。一是无监督学习不需要使用标注数据，二来也是更重要的一点，从思想模型上讲，无监督学习更像人脑的学习。当然，直接的效应还是标注量——大 5 倍、10 倍可以，但大 100 倍、1000 倍、1 万倍呢？现在不少人在做深度无监督学习，我也在这方面提出一些高层的解决方案。例如看图说话，给定一幅图像，让机器用自然语言句子描述内容。微软前年还专门标注了好几十万个这样的数据给大家，整个深度学习领域的研究员都能应用，影响很大。但不可能标几千万甚至几亿的这种图像，尽管大家都知道，这会进一步提高看图说话的效果。其实我和团队之所以要研究无监督学习，更重要的一点是，我们目前的深度学习方法离真正的人脑学习差得太远了。深度学习需要借鉴脑科学的知识，虽然一两年内暂时还用不上，但我相信不远的将来，三到五年之内，大家都肯定会往这方面思考。我们现在也在往这方面想。我昨天讲的深度学习，有一部分也是受脑科学的影响。只是我们更重视计算——脑科学计算不了也没实用价值。但是，人工智能和脑科学将来都会慢慢结合。

　　新智元：Hinton 在之前接受采访时表示，他认为十年内机器能够拥有常识，您怎么看？

　　邓力：我同意他的看法。我们要是能够把人脑关于常识的机制加到算法里面，直播，人工智能会有新的大进展。关于常识的知识库会越来越大，方法也会越来越强。计算能力、计算机硬件、数据……这些都在不断发展扩大。到了一定阶段，我想十年之内，差不多就会得到这样一个好的解决方案吧。当然，到时候肯定不会像现在这样采用监督学习的方式，而是整合了多种方法，监督学习、无监督学习、增强学习……而且现在发展速度这么快，工业界和学术界都大力投入人工智能和深度学习。十年算蛮长时间了。这么长时间，应该可以实现。