Sutton 教授提到了经验学习法，比如人类和动物会通过生活经验来学习知识。在最近的深度学习方法种借鉴了这种经验法，我们用经验构建起巨大的训练集。能像人类那样学习是件非常重要的事情。不过在机器学习中，这种经验学习的方法还关涉到训练集的可扩展性和限制。这就是为什么现在的系统只能「被动学习（learned）」无法「主动学习（learning）」的原因。一个被动学习的系统建立在训练数据之上，而在主动学习系统中，系统能随时能通过新的经验不断提高。对于未来一年机器学习领域的发展，Sutton 总结道：了解世界的运行规律、可扩展的深度学习方法、用于长期预测的深度强化学习以及无监督学习。

在 Sutton 教授看来，学习应该源自与世界交互的过程，而不需要使用有标签的数据集进行训练。它应该是一种更加自然的方式，就像人类小孩与动物的方式一样。它应该有关世界的运行规律和因果规律。Sutton 教授认为他和 Bengio 是在用不同的术语和方法讨论同一个问题。他在用强化学习的方法，而 Bengio 则用的是无监督学习。

他最后说，人工智能目前还有很长一段路要走，我们还仅仅出于旅程的起点，我们将会找到一个稳定的方式赶上甚至超越摩尔定律。

当 Steve 问到这和人类与大脑连接的类比时，Sutton 只是微笑着把问题让给了 Bengio 教授。Bengio 提到 logistic 单位模型受神经元科学假说的影响很大。我们还需要探索更多，才能消除神经科学与机器学习之间的差距。

　　Ruslan Salakhutdinov

Ruslan Salakhutdinov 教授是卡耐基梅隆大学计算机科学院机器学习系的副教授，之前是多伦多大学的教授，也是 Hinton 的博士生。

。他说他们正在组建一个顶级科学家团队。有很多棘手的项目和研究要做。他的工作是确保他们能开发出新的优秀算法。因为机器学习正在被应用到苹果内部的每个角落。他很高兴能够兼顾到所有的地方。

Salakhutdinov 教授说，人工智能与机器学习在未来一到三年内存在四大挑战：

　　1. 无监督学习/一次性学习（One-Shot Learning）/迁移学习

Salakhutdinov 教授表示他在卡内基梅隆大学的实验室里已经利用数据进行了大量研究，已经可以使用监督学习从数据中提取结构，这是一个新进展，但计算机距离无监督学习还很远。他还提到了一次性学习，Bengio 和 Hinton 也提到过这种方法。只是目前的机器还不能像人类一样从少数例子中学到新的知识与概念。

　　2. 推理、注意和记忆

Salakhutdinov 教授没有深入探讨这一部分，但他提出了一个问题：如何让系统具有内建记忆，帮助我们进行决策。

3. 自然语言理解/对话与提问/自动应答系统

即使我们在自然语言的推理中取得了很大的进展，但我们距离人机自然交互仍然有很长的一段距离。Salakhutdinov 在被问及建立嵌入记忆是否是让自然语言理解语境和长对话的关键时回答说：需要有正式的记忆网络，能在神经网络中进行读取和存储。建立和设计新的神经网络架构是我们要探索的问题。

Steve 还问到了人机交互自然对话界面建立的时间表，Salakhutdinov 则说，我们仍需在有限的环境中做很多工作，而不是在通用人工智能上。Bengio 则开了个玩笑：「严肃的科学家从不给出时间表。」

4. 深度增强学习

Salakhutdinov 推荐对这一话题感兴趣的人们阅读 Sutton 的著作。他认为认真总结上个世纪 80 到 90 年代增强学习的成就之后，人们将会取得更伟大的进步。

讨论花絮