圖片來源：Daniel Hertzberg
你如何教導機器？
Facebook的人工智能研究總監Yann LeCun：如何為機器制定教學計劃。
人工智能的傳統定義是，機器以通常我們認為屬于人類的方式，來執行任務和解決問題。有一些任務我們覺得很簡單——識別照片中的物體、駕駛汽車——可是這些任務對于AI來說特別困難。機器可以在棋盤上超越人類，可是那些機器的程序從本質上來說是體力活，機器受到程序的限制。一個30美元的設備就能在棋類游戲上超越我們，可是它沒法做——也沒法學會做——其他所有事情。
這就是為什么我們需要機器學習。給機器展示幾百張貓的照片，機器就會訓練自己的算法，學會更好地識別照片中的貓。機器學習是所有大型互聯網公司的基礎，讓公司可以進行搜索結果排名，為特定用戶選擇最相關的內容和建議。
深度學習是以人類大腦為基礎，要復雜得多。與機器學習不同的是，深度學習可以教會機器忽略聲音或圖像中所有不重要的信息——呈現一種能夠反映無限多樣性的層級性世界觀。正是深度學習為我們帶來了無人車、語音識別、以及有時候比放射學專家更擅長識別腫瘤的醫療分析系統。
雖然有了這些值得贊嘆的進步，我們距離與人類同樣智能的機器還很遠——我們的機器甚至與老鼠的智能相比都差得很遠，我們大約只見證了AI實力的5%。
是時候重新思考就業嗎？
百度首席科學家吳恩達：AI將如何改變未來的就業。
如今在美國，駕駛貨車是最常見的職業之一。幾百萬人在東西海岸之間運輸著貨物，以此維持生計。然而，很快所有這些就業機會都將消失。無人車將替代人類司機在路面行駛，并且更快、更安全、更高效。有這么好的事，還有哪家公司會選擇更昂貴、更容易犯錯的人類司機呢？
類似的勞動力變革在歷史上也有先例。在工業革命前，90%的美國人在農場工作。蒸汽技術和制造業的興起讓許多人失業了，但是也創造了很多新的工作機會——還創造了很多當時人們無法想象得到的新領域。這個排山倒海般的巨變是在兩個世紀的過程中慢慢展開的，當時，美國有足夠時間來適應變化。農民們直到退休都在種田，而他們的下一代去上學，成為了電工、工廠領班、房地產商和食品化學家。
