监督学习通过反向传播算法在大规模有监督数据上训练的深度卷积神经网络已经成为了大多数计算机视觉任务中的主导方法。

这也推动了深度学习在其它领域的成功应用，比如语音识别、自然语言处理和强化学习。但是，我们仍然还难以理解深度网络的行为以及它们表现出色的原因。这种困难的一大原因是网络的层中采用了端到端的学习方式。

监督式的端到端学习是神经网络优化的标准方法。

但是其也存在一些值得考虑的潜在问题。

首先，使用全局目标就意味着一个深度网络的单个中间层的最终函数行为只能以间接的方式确定这些层是如何协同工作以得到高准确度的预测结果的，这一点却完全不明晰。

有一些研究者认为并且通过实验表明n能够学习实现这样的机制将不变性逐渐诱导成复杂但不相关的可变性，同时增加数据的线性可分性。

通过求解浅度监督学习问题而实现的n层的序列学习是一种可替代端到端反向传播的方法。

这一策略可以直接指定每一层的目标，例如通过激励对表征的特定属性的精细化，比如渐进的线性可分性。然后，就可以根据对浅度子问题的理论理解来开发用于深度贪婪式方法的理论工具。

人工智能的前景是广阔的，但章杉觉得一味追求利用人的优势去改造机器，完全是倒行逆施。

真正合理的做法反而应该是利用人工智能去辅助人类更好的二次进化！

这才是真正的革命方向！

未来十年，人工智能将会出现哪些值得关注的新进展？

章杉记得一家全球性信息分析公司——爱思唯尔（elsevier）询问过一些人工智能研究领域的研究者，他们认为该领域最重要的进展是什么？

南汉普顿大学的温迪·霍尔教授:“人工智能进展的一个有趣之处是，试图解决‘通用人工智能’问题——这是一个更大的问题，即我们能否创造出像人类一样思考和行动的机器，创造了一些非常智能的工具。我们已经看到了很多进步，比如面部识别、语音翻译、服务自动化。机器比我们更擅长处理数据和从中学习。在过去的30年里，像人脸识别这样的事情已经有了很大的发展。这种深度学习应用程序的开发是一个惊人的发展。”

代尔夫特理工大学的弗吉尼亚·迪格纳穆教授说:“最大的进步可能是我们尚未取得的。目前，我们过于依赖人工智能的随机概率方法……“

纽约大学心理学和神经科学教授加里·马库斯“许多最好的进展都是在早期取得的，当时人们发现了一些基本的东西。例如，人们找到了进行符号操作的基本逻辑，这是进行搜索的基础。神经网络的东西在80年代就被发现了，但是它有着更长的历史，显然对分类这样的一大堆问题非常有用。”“但我们还没有取得大量进展。客观地说，这就像在1600年问我化学最大的进步是什么。我不知道——在人工智能的许多方面，我们仍在尝试炼金术。”

加州大学伯克利分校电气工程和计算机科学教授斯图尔特·拉塞尔教授说:“人工智能所做的最大贡献是这种基于知识的系统的概念，它具有内部表示的知识和基于这些知识进行推理的程序。”“我们需要一种更有机的感知和推理相结合的形式。人们在眼睛和大脑之间有一个反馈回路——大脑不仅仅对眼睛看到的东西做出反应，它还控制着我们所感知的东西，我们所认识到的刚刚发生和将要发生的事情，我们可以忽略的事情，我们特别关注的事情。在人工智能系统中，我们现在还没有这样的系统。“

爱思唯尔网络分析公司的伊丽莎白·林指出:“人工智能已经在社会的许多系统中使用。……它们只是看起来不像人们期望的那样。”

章杉也觉得虽然深度学习和ai