本文講的是[譯] 深度學習的未來，
譯文出自：掘金翻譯計畫
譯者：changkun ou
校對者：moutainone, sunshine940326
允許模型擺脫（每一步之間的）可微變換 (differentiable transformation) 限制的新學習模式使得實現上述模型成為可能（譯者注：神經網路的每一步傳播本質上是乙個可微的線性變換，借助神經元的啟用函式產生了非線性）。
不需要人工調參的模型 —— 你的工作不應該是無休止地測試不同的引數。
更好地、系統地復用學過的特徵和架構；基於可復用和模組化子程式的元學習（meta-learning）系統（譯者注：元學習的動機是自動理解並應用什麼型別演算法適合什麼樣型別的問題）。
特別地，模型將混合提供正式推理、搜尋和抽象能力的演算法模組，和提供非正式的直覺和模式識別功能的幾何模組。alphago（乙個需要大量手動軟體工程和人造設計決策的系統）提供了乙個早期的範例，說明了符號與幾何 ai 之間進行混合可能的樣子。
它們將不再由人類工程師手工打造，自動成長並使用儲存在可復用子程式的全域性庫中的模組化部件（通過在數千個前有任務和資料集上學習過的高效能模型而演變出現的庫）。由於常見的問題解決模式是通過元學習系統來識別的，它們將變成可復用的子程式並被新增到全域性庫中，像極了當代軟體工程中的函式和類，進而實現了抽象的能力。
這個全域性庫和相關的模式增長系統將能夠實現某種形式的人類「極端泛化」：給定乙個新的任務、乙個新的情況，該系統將能夠使用非常少的資料組裝適合於任務的新的有效模型。這歸功於：第一，可以像原語一樣使用，豐富且泛化良好的程式（包）；第二，豐富的類似任務的經驗。同樣地，人類也可以用很少的遊戲時間來學習複雜的新遊戲，因為他們有許多以前的遊戲的經驗，並且從以前的經驗得出的模型是抽象的和類似程式的，而不是刺激和行動之間的基本對映。
就此來看，這種永恆學習的模型成長系統可以被解釋為人造通用智慧型（agi, artificial general intelligence）。但請不要指望任何奇點主義的（singularitarian）機械人災難發生：那是純粹的幻想，是來自一系列長期對智慧型和技術的深刻誤解。然而，這個批評不在本文討論的範圍之內（譯者注：奇點主義是指採取有益於人類、避免導致超越人類智慧型的人造智慧型出現的行動）。
原文發布時間為：2023年7月26日
譯 話音的未來
from 電信話音通訊是否已經停止？亦或智慧型手機和lte為語音映用提供乙個更廣闊的空間。客席作家dean bubley將語音在我們有限的 telephony 創新後面可有若干不同領域的發展。電信運營商面臨乙個巨大的問題 在發達的電信市場中，已經接近了話音峰點 或者已經過了這個峰點，過了這個峰點，意...
機器學習之深度學習的未來
作者 francois chollet 編譯 cda資料分析師 鑑於我們對深網的工作原理，侷限性以及研究現狀的了解，我們能否 中期的發展方向？這是一些純粹的個人想法。請注意，我沒有水晶球，所以我預期的很多事情都可能無法實現。這是乙個完全投機的職位。我之所以分享這些 並不是因為我希望它們將來能被證明是...
機器學習的未來 深度特徵融合
摘要 深度特徵融合是一項能夠克服機器學習不足，為機器學習開啟通往未來大門的新技術。新技術要不要了解一下？即使是最敏銳的技術布道師也無法 大資料對數字革命的影響。因為他們最初的關注點都聚焦在了擴大基礎設施以構建現有服務上。在提高對現有資料的處理能力時，許多的新技術被提出。關於機器學習的概念最早誕生於科...