还有一个很好的例子，就是 Google 可以进行图像的识别和翻译，比如把图像放到这里，图中的中文能够被自动翻译为英文。还有伯克利实验室做的一项研究，在椅子上有毛色黑白相间的猫，我们用手机摄像头可以看到这里有不同的图像，AI 可以在上面有一些英文的句子出来。

　　在之前的演讲中也说到了机器翻译，Skype 翻译就是一个例子，我们现在可以实现一个梦想，这个梦想已经有很多年了，那就是人们可以在全世界各个地方交流，不管说什么语言，只需要有 Skype 这样的软件就可以了。全世界主要使用的有 50 多种语言，不管我们说什么语言，通过 Skype 就可以同其他人正常的沟通。

　　Deep Learning 是一个很好的话题，但是人工智能在很多方面都有令人兴奋的进步和发展。在计算机科学方面有一些限制，比如 A 和 B 需要是真实的，这样的逻辑模型。要是给你很多的限制条件，每个变量都受约束，那还能够实现假设吗？在 1998 年的时候，大概有 1000 个限制条件，到了将近 20 年之后的现在，即使有 100 万个限制条件，计算机系统也能够解决这个问题。计算机科学里面，有各种各样的东西是需要获得进展的，现在没有具体的算法能够随着各种各样的限制条件增多的情况下同时获得进展。但是，我们在这里能够看到一个线性的进展，为什么会成功？这里有一些红色的线表示，它是不断通过发展算法来获得进展的。

　　在游戏方面，比如扑克方面的推理，计算机在扑克牌游戏里面要战胜人是非常非常难的。但是，在一些简单的扑克牌游戏里面，计算机做的比较好。在 2003 年，计算机只能够处理非常少的信息，比如扑克牌桌上有多少张牌这样的，后来又获得了一些进展，2014 年加拿大的 Michael Bowling 集团说，他们可以处理 13 个信息集，这在 11 年的时间里面，算是取得了极大的进步。

　　现在在人工智能方面也有一些经典的问题，比如围棋、比如 Deep Blue 项目。Deep Blue 当时是人尽皆知的。但很多年以来，计算机下围棋一直表现得不是特别好，人们有些灰心丧气，2008 年的时候，很多人当时是能够战胜计算机的。但是，随着时间的不断推移，出现了 Monte Carlo 树形研究，不像国际象棋，围棋需要有概率论，Monte Carlo 的树形研究对未来有一个研究和推理，表现在 AlphaGo 击败李世石上就是比较好的。

　　另外，Monte Carlo 树形研究在其他领域也有很多的造诣，比如在围棋方面有一些视觉上的研究，不光是对于未来的推理，我们也需要了解这样的围棋图形。

　　在个人助理方面，我们也取得了一些进步，比如 Siri 还有 Google 助理等等，可以回答一些简单的问题。例如我要去我哥哥家里，我想带一些便宜的酒，计算机要做什么，它怎么回答我的问题？我需要红酒。我在互联网上找一些菜谱吧，什么样的红酒和西红柿酱配合非常好，或者什么样的酒和什么样的菜能够配好？还会问，我哥哥住在哪儿，从我现在的地点到他家里面有怎么走是最合理的路径？这条路径上有什么最好的商店？有什么样的价格、什么样的酒？个人助理就能这样给你一个计划，带着你左转右转买一瓶酒，价格是 10 美金，买了之后可以继续驾车去哥哥家。

　　这是下一代的个人助理系统，对于各种各样知识的整合，关于菜单的搭配，关于酒的知识，关于我的联系人以及驾车的方式还有驾车的路径等等各个方面的整合。这也是下一代个人助理最大的挑战之一，因为它涉及到整合各种各样的信息，我们需要考虑一下，我们需要用覆盖整个行业的眼光和思维方式来考虑，也许我的助理它需要来做一些什么，才能了解周围的什么情况。