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，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。

　　至于通用人工智能，应该会长一点，在十年以外。常识只是一部分，而通用人工智能，就是要用同一个人工智能解决很多的问题，这就需要在常识之外，还有很多其他的人类认知能力。把这些认知能力都考虑到一起，我想用的时间……至少在十年以外吧。但解决的机会是会有的，有生之年我也应该能看到，我还是比较乐观的。

　　新智元：深度学习是最终的答案吗？

　　邓力：最终的答案应该有很多方法整合在一起，深度学习是其中主要的一个。不过，深度学习本身范围也很广。什么是深度学习呢？有些人说深度学习就是神经网络，我认为这不全面。深度学习的基本概念，一是多层次的，多层次不一定要神经网络方法才能实现，可以用统计方法，也可以使用贝叶斯的方法。深度学习的另一个特点是端到端的学习，也不必局限于backprop。总之，深度学习不一定限定在神经网络，还要把常识——随便举个例子——结合进来，我是这样认为的。

　　去年，我们团队在 NIPS 发表了一篇论文探讨了这样的问题。你知道，现在使用神经网络，大部分都很难解释；我们的团队就采用概率模型的方法，把比较浅层的概率推理方法加层，每一步的方法从果推到因，把每个步骤都当做一个迭代的过程，每个计算的步骤作为神经网络的一个层次，然后把这个过程一层层循环上去，最后就形成了一个神经网络，再来做反向传播。学习完了以后，由于这个网络也很深层，预测的结果就很准，但同时我们没有把原来贝叶斯基本的架构破坏掉，所以用原先的模型就可以解释最终的结果，这就是把神经网络和其他方法结合起来的一个例子。

　　新智元：怎么看开源？

　　邓力：开源是好事。开源的结果是把整个业界的水平提高，给大家很多很多的选择。我很高兴见到很多公司开源，我认为开源的力度越大越好。举一个例子，以前实习生来了，有一个很长适应的时期，才能把公司内部的应用软件搞懂。开源以后，他们在入职之前就已经对相关的技术和产品比较熟悉了，来了之后马上就可以上手。微软已经开源了CNTK，今后也应该会开源更多。

　　新智元：微软研究院在深度学习上的特点是什么？

　　邓力：微软的优势是深度学习开始比较早，储备的人才和经验很多。不过前几年管理相对松散，做深度学习的人分散在很多不同的地方，但彼此之间都有合作。在深度学习和人工智能方面，我们会投资更多。

　　新智元：跟 Hinton 合作有什么印象比较深的地方吗？

　　邓力：当时我们一起做语音识别，神经网络和贝叶斯算法做了很多比较。发现贝叶斯算法不如神经网络那么有效，主要是因为神经网络能够利用大型并标准的矩阵计算。当时我们试了各种各样的方法，在2009年到2012年期间，Hinton 给了我很多实际的建议，比如早在2009年他就一直跟我说，“你一定要用好的 GPU”，用什么样的 GPU 我还是听他的，这个对我们影响很大。