我覺得下次變革應該是無監(jiān)督的學習，是自我監(jiān)督或者無監(jiān)督的一種學習。

我們最近做的一些非常有意義的事情，這是對于一些預測性的模型，由機器進行規(guī)劃，根據(jù)它們的嘗試進行預測。所以這里的理念在于我們關于人工智能的元素，它會對民眾社會進行預測，在它們實際參與，之前它們會預測有一些什么樣的反映。所以大家會看到在整個的過程當中，它并不太多涉及到機器學習。我們認為在一個民眾社會當中我們希望機器應該基于自己的行動進行預測，之后得到一些模型，來進行設計。

關于具體的細節(jié)，有的人已經(jīng)就這方面的培訓進行了工作，他們接受教育，比如機器在一些簡單情景當中怎么來做。比如說我們對機器，有哪些物體有可能會跌落下來，有什么樣的預測性，它的大概概率有多少，都可以使得機器做出一些預測。

最近幾年我們找到了一個理念，對于這個問題的確定性要進行預測，根據(jù)我們的輸入進行概率的培訓和預測。通過對機器進行一些深入的學習，可以使得它預測一些結(jié)果。而且它可能會根據(jù)不同的場景，可能跌落，有可能不跌落等等，能夠?qū)σ恍┛赡苄越Y(jié)果進行預測。這里的結(jié)果不僅僅是唯一正確的，還可能有多種的結(jié)果。

大家看一下這個教授在進行培訓，其實我們進行了對抗性的培訓，比如說我們可以培訓每個分項是看起來不錯的，更可能的，或者在實際的生活當中會發(fā)生什么樣的結(jié)果。而且對于培訓者他也會告訴機器，在實際的社會當中又有什么樣的結(jié)果。對于發(fā)生性它也會做出預測，可能有的時候有的結(jié)果是虛假的，不是真實的。通過這么做我們就能夠得到不同機器產(chǎn)生的結(jié)果，之后得到了更多的影像和圖片。

我們再回顧幾年之前，大家看到這是Facebook，在這幅圖上大家可能也相信，通過機器學習確實是奏效的。但是這里有一些是虛假的圖像，之后大家由機器所得出來的這樣的圖像，它們看起來是真實的，但是其實只是一些虛像，一些幻景，所以我們現(xiàn)在也對系統(tǒng)進行了培訓之后，產(chǎn)生出了一系列的人臉。大家看到這是一些名人他們的面孔�？傊�，我們希望把這個工具之后能夠融入到我們機器學習當中。

下面我給大家舉幾個例子，如何來幫助我們進行預測。這樣的預測是由我們機器深入學習展示的，有幾幀的視頻給大家展示一下，因為針對不同的情境我們給大家展示出如何來進行預測。比如說這里是一個人行道，我們看到人們在穿過這樣的人行道，而且關于其中的預測是由人工智能所展示的，我們可以進行監(jiān)督的學習，看一下這個機器在今后幾年是不是能夠得到很好的進展。

最后做一下總結(jié)，我覺得接下來最新的趨勢是關于監(jiān)督學習，它可能是不能夠被替代的。不管是無監(jiān)督的學習還是其他的學習方式都不能夠替代。所以這點已經(jīng)引起了很多人的興趣，就是接下來幾年還會持續(xù)的發(fā)展。還有一點我也不斷的重復給大家，就是說我們要使得機器能夠推理，來看一下深入學習能給我們什么樣的推理能力，也要來回顧一下在AI的時代機器它的推理能力有多高，它的邏輯性有多強。

接下來我相信我們會不斷的進行演變，而且我們也要朝著可差異化的智能學習的方向持續(xù)發(fā)展，這就需要我們來進行對抗性訓練研究。當然了，還會出現(xiàn)更多的有關深度學習的變革，比如說包括了一些多渠道的發(fā)展或者是復雜的架構(gòu)，而且會出現(xiàn)更多的理論，在這個領域會不斷的出現(xiàn)。

關于技術的趨勢是這樣的，很顯然接下來的監(jiān)督會不斷的弱化，甚至會消失，這就使得我們出現(xiàn)一些新的理論，比如新的語言，或者是出現(xiàn)并行的文本，我相信之后應該有多維度的可能性。我們會發(fā)現(xiàn)出現(xiàn)一些新的框架，包括些動態(tài)的影像或者是更多的幻象。

我們和微軟、亞馬遜會進行更多的合作，也會不斷開源。當然了，現(xiàn)在我們的工作量很大，但是關于我們的移動工具和其他工具變得越來越流行了，F(xiàn)acebook的用戶每天能夠推出大概20億個不同的影像，所以我覺得之后可能大家出于不同的目的去參與，我們希望能夠充分發(fā)揮這方面的力量，它是很強的驅(qū)動能力。另外，我們要不斷的強化硬件，以便用戶的需求能夠得到專業(yè)化的處理。感謝各位的傾聽。