过去一年的时间里，深度学习正在改变越来越多的人工智能领域。google deepmind 工程师 jack ra  预测说，过去被视为对于中型到大型数据集来说蕞佳的预测算法的那些模型（比如说提升决策树（boosted decision trees）和随机森林）将会变得无人问津。你的课人工智能班，为你定制的互联网课程。
那么还有哪些我们还不了解的深度学习的新技术呢，下面就带领大家一起了解一下较为先进的人工智能新技术。
你的课-深度学习十大技术展望
iiya sutskever：openai 的研究部负责人
我们期待看到更深度的模型（deeper models），相比今天的模型，它们可以从更少的数据中学习，尤其是在非监督学习方面，会有显著的进步。我们还可以期待，在语音识别和图像识别领域，我们能看到更加精准而且有用的结果。
sven behnke：波恩大学全职教授，智能系统小组主任
我期待深度学习技术，会在那些日益增多的多结构数据问题中得到应用。这会给深度学习带来新的应用领域，包括机器人，数据挖掘和知识发现。
christian szegedy：google 高级工程师
现在的深度学习算法和神经网络，距离理论上可能的表现还很远。相比一年以前，我们现在的视觉神经网络模型，它的价格便宜了 5 到 10 倍，处理的参数少了 15 倍，但表现的还更好。这背后是更好的网络结构和更好的训练方法。我相信这仅仅是开始，深度学习算法会如此便宜，它能运行在便宜的手机设备中，而且不用更多的硬件设备支撑，也不需要额外的存储器。
andrej karpathy：斯坦福大学计算机科学博士，openai 的研究工程师
我看到了一个趋势，结构会趋于更大，更复杂。我们会建造一个超大型的神经网络，能够交换神经网络组件，提前训练部分网络，增加新的模块，连带调整所有组件。例如，卷积神经网络曾经是蕞大的深度神经网络，但是今天它们被分离出来，作为新的大型神经网络一部分。相似的，现在的这些神经网络，也会是新一年更大型神经网络的一部分。我们在学习乐高玩具的拼法，学会如何把它们高效拼接在一起。
pieter abbeel：uc 伯克利大学助理教授，gradescope 联合创始人
依赖于监督技术的深度学习垂直领域，需要用新的方法（nlp）超过现有的技术表现。我们会看到深度学习在非监督学习和增强学习方面的突出表现。你的课人工智能班，为你定制的互联网课程。
eli david：deep instinct cto
在过去两年，我们看到了深度学习在各个领域获得很大突破。但即便如此，5 年之内并不会达到人类水平的圣杯（但我认为，终其一生这会出现）。我们在各大领域看到极大的突破。特别的，我认为蕞具有希望的领域，来自于非监督学习，这个世界的大部分数据是没有标签的，而且我们大脑本身，也是非常好的非监督学习盒子。
当 deep instinct 成为第1个在安全领域使用深度学习的公司时，可以预计有更多的公司也会使用深度学习来部署。但是深度学习的门槛还是非常高，尤其对于互联网安全公司来说，他们其实并不使用人工智能工具（只有很少的解决方案使用了传统的机器学习技术）。所以深度学习要在安全领域得到大规模应用，还会经过很多年的时间。
daniel mcduff：affectiva 研究主管
在计算机视觉、语音分析以及其他领域，深度学习已成为机器学习中的支配形式。我希望使用 1 到 2 个 gpus 就能部署的准确识别系统，能够让开发者们把新的软件部署到真实世界。我希望更多的焦点会放在非监督训练，或者半监督训练的算法上。
j?rg bornschein：google 学者，在加拿大前沿技术研究院（cifar）
预测未来总是很难的。当我们在大规模系统里考虑机器学习，在机器人控制的系统领域，或者在大规模系统里的大脑系统，非监督、半监督和强化学习会扮演愈发重要的角色。很明显的是，单纯的监督学习方法在理论上受到太多限制，很难解决实际问题。你的课人工智能班，为你定制的互联网课程。
ian goodfellow：google 高级研究工程师
我预测在未来5年的时间里，我们的神经网络可以概括视频里发生了什么，而且有能力生成短视频。神经网络已经成为视觉任务的标准解决方案。我预测神经网络会成为 nlp 和机器人任务的标准解决方案。我还预测神经网络会在其他科学领域扮演重要工具，例如在基因行为预测，yao物，蛋白质，新的医疗方案等。
koray kavukcuoglu & alex graves：google deepmind 研究工程师
很多事情会在未来 5 年发生。我们预测非监督学习和增强学习越发重要。我们也预测多方式学习（multimodal learning）的兴起，而且会超越个体数据集进行学习。你的课人工智能班，为你定制的互联网课程。

---