1樓：張介宇
個人愚見
從model-centric向data-centric發展強調interpretability robustness復興符號主義(?)
2樓：
我認為下一步是基建
基建包括
演算法基建，視覺化/可解釋基建，偵錯程式/程式設計基建，資料資訊理論基建（encoding）
生態，復現，實驗資料庫基建
然後提公升資料集質量，提公升資料集基建
深度學習框架，統一得太早了，僅僅6年左右
當年的處理器之路，OS核心演化，都沒你演化這麼快大家只改架構，只改那些好改的，不好改的地方，就沒人搞就是不知道誰提出弄得乙個超簡單實現，結果瓶頸在這沒有那樣的乙個基礎底層框架，就並沒有很多自定義選項供研究。
然後甩鍋，你不搞我又搞不了，甩鍋死迴圈
或許我們一直都在逃避這個問題
不是沒有地方做了
是自由度太低
相關問題
深度學習領域有哪些瓶頸？
3樓：星辰大海
經典訊號分析方法是人類智慧型的結晶，不應該被廢棄，應該和深度學習結合起來。
比如，將ResNet、attention model和軟閾值化結合起來，就得到了深度殘差收縮網路。在軟閾值化的加持下，深度殘差收縮網路更適於處理強噪資料。
4樓：find goo
下一步硬體化。
低功耗的AI晶元的未來比CPU,GPU都要火。
現在用GPU訓練太耗電了，位元幣一開始也是用GPU挖礦，後來搞ASIC晶元挖礦，乙個挖礦機算力可比一台超級計算機還厲害。
AI的方向也是這個，晶元化後功耗降低了，隨著晶元降低至10nm以下時，功耗會越來越低。
你看最近發布的華為麒麟970處理器，就是把ai晶元化，使用7nm技術後ai晶元還有很大的發展空間。
英偉達的gpu只能開發時訓練用，聽說某無人駕駛汽車用顯示卡運算開乙個小時需要休息半個小時，因為熱量太大需要靜下來散熱，布置到客戶端成本和功耗很高，肯定不行，也是現在制約AI程式不能普及的原因。如siri需要聯網才能用，如鐵皮房子的車間或電梯中或海上根本沒有訊號，這叫什麼人工智慧？
只有功耗降下來，深度學習才有可能普及，未來有更多的深度學習演算法用於移動網際網路，物聯網。
原始版的Alphago單機版和人下棋要用48塊cpu,8塊gpu，分布式版本用1200塊cpu,176塊gpu，這個需要巨大財力做支撐，一天電費最少（0.2kw*24h=4.8kw*0.
6rmb=2.8元，1376*2.8元）=3852元，一年電費最少=140萬。
後來通過晶元化計算大大減少了成本。
全球位元幣算力從2023年到2023年增長了300億倍，目前還在增長。
位元幣這種直接把晶元算力生成金錢，對晶元算力的發展有很大刺激作用，這些成果對AI晶元有很大帶動作用，如顯示卡算力的巨大提公升可以實現原來不可能的演算法。看來金錢對算力的提公升遠勝諾貝爾獎。
未來隨著AI的普及，AI晶元處理神經網路的能力會不斷提高，似位元幣ASIC晶元一樣，是個超級賺錢行業，算力會有驚人發展。
只要算力足夠強什麼都有可能發生，甚至可能出現AI晶元利用並行能力模擬CPU指令集淘汰CPU的可能（你的程式執行在AI虛擬機器上）。
據區塊鏈資料公司Blockchain確認，目前位元幣網路算力已經達到了52EH/秒（EH=quintillion hashes），這是歷史上位元幣首次突破這一閾值。 52EH是乙個龐大的數字。更直觀地來看，地球上的沙子一共有7E（1*10^18），整個地球的水量約為326E加侖。
位元幣算力的不斷突破預示著這一加密貨幣在今年的快速發展。 Blockchain的資料顯示，僅在過去3個月位元幣算力就增長了60%。上月中旬位元幣算力還只有43EH/秒。
比地球上的沙子還多？位元幣算力再創新高
在深度殘差ResNet50訓練速度，可見硬體競賽的恐怖，但顯示卡是真的買不起。
索尼訓練最快的224秒中使用了 2176 塊 V100顯示卡，總價高達 1300 萬美元。
未來AI硬體肯定會晶元化，只有晶元化才能真正降低成本。
沒有最快，只有更快！富士通74.7秒在ImageNet上訓練完ResNet-50_ITPUB部落格
5樓：軒轅
感覺你關注的不是深度學習下一步如何發展，而是你自己未來往哪個方向發展…如果去工業界，主要工作可能就是調調引數，這樣的話深度學習往哪個方向發展不是你該考慮的問題，你只要緊緊跟著大方向把握該領域熱點就可以了。如果想搞學術，那就關注理論創新，這個是很難的，目前從事這個領域的不算少，但是能在理論層面做研究的就很難了。這個問題很難，我不能給出確切答案，我也確信你不能在這找到滿意的答案，通常都是一家之言吧，如果真的感興趣可以自己研究探索，可能有一天對這個問題你會有自己的答案…
6樓：Defu Li
據了解，目前人工智慧的機器學習方向遭遇到了瓶頸。
首先機器學習其實就是統計學在計算機中的應用，既然是統計學，就需要大資料。我們從大資料中尋找規律，這種方式的準確率是不可能達到100%，並且每天資料都在增多，準確率只能接近相對準確。
還有乙個瓶頸是調參問題。引數的一點點變化，可能會導致模型的成敗。之前川大計算機學院院長在學術匯報中講到，目前的調參很大程度上是有一點運氣成分。
我們人類如何去解決理論上的問題，我認為遠比應用層面重要。應用層面只是理論上乙個體現，就像華為創始人任正非曾講到：目前通訊頻寬快要接近夏農理論的極限了，我們企業不知道下一步該如何以及朝哪個方向發展了。
引人深思。
7樓：微光
據我來看，機器學習的下一部必將和安全掛鉤，比如，機器學習要用到醫療方面，軍事方面，所以必須保證演算法的萬無一失，因此，機器學習更應該追求準確，安全，正如應用到更需要的地方去！
8樓：乎於之求
正好看見類似的問題，大家參考一下大佬們的看法https://www.
9樓：lens
記得深度學習這本書第一頁說，現在深度學習是在實現人能夠做好但不清楚其執行機制的事情，那麼下一步顯然是要去做人也做不好的事情。
當然上面的目標太遙遠，在人能做好的事情裡，其實我們也只能做好一部分，就是人做這個事情本身，而人是如何具備這種能力的，這種機制能否由人工智慧實現，會成為下一步的目標。
另外，很多事情並不是沒有思路，而是計算量不夠，那麼除了硬體突破最好在演算法上也能找到方法，讓零碎的計算資源能整合利用，讓花費計算資源達成的成果能夠通用，我覺得這也是乙個方向。
10樓：
Francois Chollet（Keras 的作者） 的新博文 The future of deep learning。
11樓：薈萃
如果下一步是指接下來的5-10年內，
對無監督學習和強人工智慧不太樂觀，
覺得還是會往人機融合的方向發展，
人和人工智慧各取所長，
人成為人工智慧中的一環，
Human-in-the-Loop
12樓：
當上一次人類進化級別的技術革命——煤鐵工業革命發生時，也有人在困惑於這個命題，
但這個革命改變了整個世界。
這一次人工智慧成為進化級別的技術革命，
該做什麼就去做什麼吧，
把困惑丟在腦後。
13樓：馬索萌
說說我自己的理解，主要是視覺這塊的
1. 幾何資訊的加入。之前深度學習主要都是用在分類、識別這些問題上面。
傳統視覺裡面很重要的跟幾何相關的工作相對來說比較少，比如depth estimation、flow等等。雖然少，但是flownet、posenet等工作也已經出現，接下來必然會有更多工作踏入這些領域。分類、識別問題跟幾何相比起來我個人覺得更虛一點，因為物體的labeling是人定的，很多時候就是個代號，沒什麼內在結構的含義。
幾何資訊不一樣，（至少在物理層面上）是場景和物體實在的結構資訊，還有很多先驗可以使用，必然可以催生很多有趣的網路結構。
2. unsupervised learning3. 跳出back-propagation的新學習模式
14樓：jiaxiaogang
基於記憶能力與理解分析能力的學習;無型別的動態知識;所有知識全部由後天學習;先天為空;參考專案:https://www.
15樓：Yan
1. unsupervised learning. 對於現實世界中大部分資料，仍然還是無標籤為主。
因此乙個好的非監督演算法的價值要遠大於監督演算法。如幾位樓主所說，針對特定問題的非監督學習會是乙個趨勢。針對問題本身設計的演算法，總要好過一些酷炫而通用演算法。
在我的專案經驗中，針對某些實際而又具體資料，BoW+SVM的表現有時候要超過CNN。
2.machine learning + computational neural science. 現下流行的各種神經網路模型如CNN，RNN，LSTM等都是對於大腦的粗略建模。
它們大行其道的原因也是在於在很多問題上work，而非真正實現大腦的功能。在計算神經的領域，科學家們會用動力學的方法深入研究神經訊號的傳遞, 一些衍生出來的演算法比如predictive coding, Hebbian learning什麼的，幾乎沒有在PAMI，IJCV，NIPS，CVPR，ICCV中出現過。這說明計算神經學和機器學習之間還有很高的壁壘。
再舉個例子, 大腦中訊號的傳遞是稀疏而又有深度的；然而 CNN有深度不稀疏，sparse coding稀疏但沒有深度。我個人認為在現有的模型和演算法下，兼顧稀疏和深度是做不到的。如果有，請不吝賜教！
3. neural morphological hardware. 也就是配合演算法的硬體。
現在IBM和Intel已經在搞了，未來不會只是Nvidia天下。另外，我們平時使用的光學元件也並非模擬生物眼的機理。利用一些新型感測器比如Event based camera也是乙個新的趨勢。
這樣的繪畫新人下一步要學習什麼？
1.要。多畫。2.人體。3.馬克筆，最好彩鉛。4.沒有必要，板子更沒有必要。如果你只想聽誇獎的話，大可不必放畫到知乎，多擴幾個空友自己有人吹你的彩虹屁。說得好像太刻薄了，就這樣了。放個表情包好了。 1.畫風是需要探索出來的，現在還不是談論畫風的時候。2.題主如果想將來從事繪畫行業，那麼就學結構。如果...
工作下一步如何走？
年齡30歲就不想太拼啦？年輕人，你想的太天真了。30歲以後的日子只會要求你越來越拼，你不拼試試，生活會給你colour 看的 馮發明 其實我也在面臨這樣的問題，但是我相對堅定一點，首先我覺得我能在程式猿這個道路上走到35歲，那個時候孩子才剛長大，而且做遊戲，雖然說是迭代更新很快，內容很多，其實你積累...
皈依了，下一步應該如何修佛？
修和 皈 是回頭，依 是信靠。皈依就是回心轉意，從信靠世間回頭信靠三寶。皈依也是換心，把假心換成真心 把人心換成佛心，就像醜陋的毛毛蟲化成莊嚴的蝴蝶一樣，去完成這整個蛻變的過程，就叫修行。修行的行，指心行，不論有事無事，從早到晚如秒針般一直走個不停的，是人心，也就是 妄想 佛門常說 放下屠刀，立地成...