这项工作还告诉我们，在 Syntaxt 和 Inference 方面，人工智能其实还任重道远，CLEVR 这个 Benchmark，直播，就给我们指出了一些比较明确的方向。

　　最后一点，我们怎么把 language、Syntax 和 Semantics 一块融合进来？这是最近我们做的一系列关于看图说话的工作。看图说话就是，一个图片进来，我希望这个计算机讲出一个故事，比如一句话「两个男人在玩飞盘」。这个模型，我们是用了一个图片的模型，再加上一个语言的模型。

　　图片的模型用的是卷机神经网络，语言的模型用的是一个 LSTM。

　　刚开始，这个计算机在还没有足够学习能力的时候，给出的语句是非常傻的，慢慢的它就开始学习这个图片的内容了。到了最后，它可以说出其中的内容。

　　在我结束之前，跟大家分享一下，我们认为下一步计算机视觉和人工智能，包括自然语言处理，还要往下怎么走。

　　Terry 和 Turing 给我们指出了这个结合 Syntaxt，Inference 和 Semantics 的路径，我们远远还没有完成这个愿景。比如说这幅图，现在计算机视觉可以告诉我们，这个图里有一些人，甚至这幅图的三维结构是什么，或者给我们一句话或者给我们几句话、N 句话，就像刚才我们看的。

　　但是，我们人看到的远远不止这些，我们人看到的是一个非常有意思的故事，我们知道这里面的人是谁，我们知道他们的关系是什么，我们知道他们的情绪是什么，我们知道这幅图的幽默点在哪里。它可以给我们带来很多很多信息，这是计算机现在远远没有达到的。

　　谢谢！（完）

　　*点击「阅读原文」查看更多 GIF2017 最新现场报道。

　　▽

　　1.13-1.15，我们正在北京 751D·PARK 聆听、、、、李彦宏等科技大佬演讲，体验最酷、最好玩的科技产品，享受今年最值得期待的科技盛宴。

　　GIF2017，成为「次世代」，创造新可能。