深度学习+大数据俨然是当前AI的标配，但像我这样的有志之士（嘿嘿，假装一下大牛感觉还不错）一直在呼吁AI研究要回到更接近人本真智能的方式上来，小数据学习就是人类学习的一个重要方式。去年已经有文章在小数据学习上做了一些尝试，但还有很长的路要走。笔者认为，小数据学习要成功，一种目前比较靠谱途径是借助大数据学习的红利。简单来说，就是要用大数据辅助小数据学习，大家熟悉的无监督、半监督、迁移学习等等本质上都是这种思路。但这还不够，因为这些模式无法利用差异比较大的数据，一种理想的方式会是数据变成领域知识，领域知识变成通用知识，然后用通用知识+领域知识来辅助小数据的学习。

　　7.深度学习在NLP上的进一步突破

　　在前两年，人们谈论深度学习时还经常说只在语音、图像上有效果，在文本上还有待突破。这一突破很多学者认为至少在机器翻译领域已经发生：科学研究上看NLP相关的主流会议和期刊上，深度学习的占比持续走高；而实际应用中则以Google翻译上线基于深度学习的全新版本线上系统（对应论文Google`s Neural Machine Translation System: Bridging the Gap between Human and Machine Translation）为重大突破标志。但NLP领域其他子方向上深度学习还未取得如此瞩目的进展，一方面有学者理性分析深度学习应用于文本数据的一些根本问题，一方面还有更多积极的尝试在发生。相信随着两派持续对文本场景的更深理解，更适合NLP的神经网络会呼之欲出，让我们保持期待。

　　8.AI产品创新

　　AI技术在持续进步，AI产品上大的变化却稍显滞后。全球视角上，大家都看好的医疗，去年其实没有太惊喜的AI应用问世，反倒是英美科技人员研发出来的人工智能法官（使用AI技术预测审判结果）令人耳目一新。而传统的自动驾驶、下棋、知识竞赛、机器人、问答之类的应用更多也只是停留在demo阶段，离人们预期的真实产品还有一段距离。中国视角上，近一年国内比较红火的是共享单车，但严格意义上来讲，这和AI其实没太大关系，更多是上一个浪潮移动互联网下的产品创新。综合国内外，人工智能应用并没有人们预期的进展那么快，这其中有很多问题，比如技术问题、政策法规问题等等。这里着重提一个产品上的问题：基于固有的产品形态直接套用AI技术，可能会出现兼容问题。AI产业需要更多懂AI、也懂产品的同学来一起努力，把人们对AI的美好憧憬变成真正能落地的产品。

　　9.媒体主义AI何去何从

　　微博上看到有人发明“媒体主义AI”这个词，个人甚是喜欢。媒体眼里的AI，其实就是大众眼里的AI，而所谓圈内人眼里的AI，此时反而相对小众了。从朋友圈里各大专家对AI媒体的评价里能听到好声音的不多，但这并不代表AI媒体就真的做得很差。对一个科技媒体是否有价值的评判标准可能还是更多地看市场，特别是资本市场对其的评价。资本市场投不投你，就看你有没有价值，这是真金白银的点评，cost很大，更有参考意义。

　　个人层面，我平常也看AI媒体获取信息，甚至还在某大号的选题会里偶尔纠正个翻译。个人感觉媒体人做AI报道有他们自身的优势，知道什么大众会喜欢，什么容易引起共鸣，怎么样组织文章普通读者能看得更有意思。这类媒体对AI的宣传和普及是几篇专业论文难以比拟的。但媒体人也有自己的缺点，一篇报道专业层面的价值和作用是他们不擅长的，所以你会发现太多的报道比较雷同，深度也不够。至于现在大家一直诟病的国内科技报道多是翻译国外的，这可不能怪媒体人了，国内这方面的内容确实太少。在这里也呼吁大家别光埋头憋英语论文，可以多写点中文的文章啊，特别是给“我爱计算机”和“新智元”这样的良心媒体。

　　10.AI泡沫会破么

　　回答这个问题，要先搞明白什么是泡沫。关于泡沫论，近两年我观测了一些现象，发现泡沫论大多是这个领域的技术人员最先抛出来的。看待这个现象有两个方面：1）技术人员懂行，一般也比较理性，所以比较客观；2）技术人员懂得太窄，不了解市场，所以比较主观。其实，一个方向是否有泡沫，泡沫有多大往往不是技术人员能说了算的，更应该从市场供求这个基本点出发分析。远了不敢讲，我目前认为2017年应该还好，大家可以老老实实继续干活了。