深度学习的典型应用和挑战及未来

1.计算机视觉。在计算机视觉领域，深度神经网络最令人瞩目的成绩就是ImageNet竞赛。

包括人脸识别，目标检测等具体的图形图像处理

2.语音识别和合成。在语音识别领域，包括智能家居，语音助手等识别软件。

3.自然语言处理NLP。深度学习主要用于语义分析等任务，主要基于统计的模型。

4.机器翻译。

5.自动驾驶。

6.医学。在医学领域，深度学习是一项最新引入的研究方法，它作为一种成熟的图像处理技术主要用于医学影像识别任务。

7.游戏领域。著名的就是DeepMind公司创造的人工智能围棋冠军AlphaGo。

深度学习当前面临的问题和挑战：

• 需要大量数据
• 概念表达能力不足，不能迁移
• 没有自然方式来处理层级架构
• 无法开发推理
• 不够透明
• 没和先验知识结合
• 无法区分因果关系和相关关系
• 假设是稳定的环境
• 是近似，不能完全相信
• 很难工程化

未来：

本质上来讲，深度学习是一种统计技术，有优势和局限。不是一个普遍的解决方案，它是众多人工智能工具中的一个。

1. 应用于无监督学习
2. 符号处理和混合模型
3. 认知和心理学启发
4. 更强大的理解力
5. 物理化测试机器人，不是不断的试错

自然智能是多维度复杂的，通用人工智能也必须是多维度的。通过推进超越感知分类，进入推理和知识更宽泛的整合，使得人工智能有更巨大的进步。