2017年最期待的一件事是对深度学习底层数学理论的理解。这里引用下AI大神田渊栋的一段话 ，“目前为止，我们还没有对深度学习有深层次的本质理解，大量的研究思路都是简单粗暴的，在计算资源极大丰富的今天，对于它们质量的主观判断，经常远不及写代码上机实验来得快与准。很多想法不论对错，不论它看起来有多离谱荒谬，先试一下再说，往往蒙得比想得快，atv，动手比动脑快。和我们每天刷手机类似，思维方式的这种转变是好是坏，目前还无从评判。这样的做法，完全可以归入浮躁和急功近利之流，与传统学术做法背道而驰”。

我当时看到后颇有感触。人类能够自由飞翔，不是因为发明出了类似鸟的翅膀，或者模拟了鸟的骨骼结构，而是因为我们发现了空气动力学本质原理（感谢欧拉，感谢伯努利）。超越进化的本质是对普适性科学原理的发现、理解与传播，当调参的工作变得又如种田般枯燥，刷各类benchmark已经刷出了《五年高考三年模拟》的既视感后，理解深度学习的底层数学原理来的格外重要，不然只会让深度学习和多层神经网络这个好东西，在仿生泥潭里越走越远。

如果还有一个期待的话，那就是NLP作为第三座AI大山，期待早日被深度学习攻克。

2016年最重要的一项AI技术进展，个人觉得是GAN(Generative Adversarial Networks) 的全面开花。2014年NIPS上Goodfellow和Bengio提出了GAN的概念，之后GAN以及其衍生版本在ICLR和NIPS被反复提及，LeCun更是在今年NIPS的keynote上将GAN称为深度学习近20年来最令人兴奋的主题。GAN的设计也非常巧妙，将博弈论和机器学习理论完美结合起来。让generative model和discriminative model互相竞争，力求达到纳什均衡，从而不再需要一个假设的数据分布，并可以极大程度上逼近真实样本。GAN未来在各种视觉类模拟（图像理解、文字转图像、图像合成、图像还原）有着极大的潜力和应用场景 甩一个2016 NIPS GAN大神GoodFellow的入门级slide。

2016年AI行业应用方面，首先AI已经普及20几年了，传统意义上的机器学习早就深入我们生活的点点滴滴了，你用个邮箱打个车背后都是各种AI和算法的的支撑，离开AI估计阿里收入得砍大半（什么购买推荐，反欺诈，违禁商品过滤，哪个不是靠AI)。如果要说深度学习消费级应用，实在没有特别多。如果真的要选一个，估计是新版本逆天的Google翻译吧，虽然在算法上没有太大的创新，但是架构和工程上的功力也是多年积累后的大爆发，是一个非常好的实用主义产品。在2017年希望看到嵌入式AI不依赖特殊硬件的全面普及（恩我说的是Pilot.ai)，以及真正意义Level3以上无人车的真实可行性方案的出现(恩我说的是AutoX）。