Neil Zhu，簡書ID Not_GOD，University AI 創始人 & Chief Scientist，致力于推進世界人工智能化進程。制定并實施 UAI 中長期增長戰略和目標，帶領團隊快速成長為人工智能領域最專業的力量。
作為行業領導者，他和UAI一起在2014年創建了TASA（中國最早的人工智能社團）, DL Center（深度學習知識中心全球價值網絡），AI growth（行業智庫培訓）等，為中國的人工智能人才建設輸送了大量的血液和養分。此外，他還參與或者舉辦過各類國際性的人工智能峰會和活動，產生了巨大的影響力，書寫了60萬字的人工智能精品技術內容，生產翻譯了全球第一本深度學習入門書《神經網絡與深度學習》，生產的內容被大量的專業垂直公眾號和媒體轉載與連載。曾經受邀為國內頂尖大學制定人工智能學習規劃和教授人工智能前沿課程，均受學生和老師好評。
原文鏈接
機器學習在文檔處理的領域所扮演的角色正進一步增強，最終類似于Google的計算機和搜索算法將具備“與人類一樣思考”的能力，從文本中獲得含義、想法和思想。
這個論斷來自 Geoffrey Hinton，多倫多大學計算機科學教授，同時也是 Google 的機器學習及人工智能專家。Hinton 教授在由英國皇家學會 主辦的機器學習會議上做出了上述描述。
亞馬遜、微軟和 Google 是眾多開發機器學習工具來提升數據驅動的決策制定的技術公司中的代表。
Hinton 教授的演講聚焦在人工神經網絡上，這是一個模仿生物神經結構進行計算的模型，盡管他也強調機器學習并不曾真正模仿人類的思維。
但是，現在已經有大量的機器從統計模型中進行學習，如報告中提到的 Netflix，這家公司在幾乎所有的決策中使用了大數據相關算法。
內嵌在很多的移動電話中得語音識別軟件同樣也有了顯著地提升，依靠著機器學習方法使得錯誤率降低到了5%以下，實際上這就是人類對于語音判斷的一個錯誤區間，而機器的準確率仍然在提升。
所以，Hinton 解釋道，如果這些模型可以被轉換到其他的任務上，例如從文本中產生含義，從而用在搜索引擎上，這樣就可以讓機器有效地完成指定的任務，并如同人一樣開始進行思考。
“這個結果對于文本處理產生的推動是非常重要的。如果我們將句子轉化成一個刻畫并保持了句子含義的向量，那么 Google 就可以做更加好的搜索；他們可以基于文檔中已經表達出來的意義進行搜索，” Hinton 教授如是告訴講臺下的聽眾。
“并且，如果你可以轉化每個句子成為一個向量，那么你可以獲得這些向量的序列并可以嘗試進行自然推理。這是‘舊時代’的人工智能無法做到的。” 他繼續闡釋機器可能能夠教會自己像人類那樣進行思考。
目前人類如同是 matrix，在孕化一種可能不同于人類本身的思維方式，所做工作是想看看大腦究竟怎么工作的。但如果沒有找到最終的答案，得到一個副產品，也是不錯的。想想 Turing 當年做計算模型的時候，就只是為了證明了定理。哪知道一不小心創造了計算，有了今天的計算世界（computational world）。
“如果我們可以閱讀在網上的每篇英文文檔，并轉化每個句子成為一個思想向量，你就獲得了大量的數據來訓練一個可以如同人類那樣思考的系統。” Hinton 教授這么說。
“現在，你可能不大想讓機器像人類那樣進行思考，但至少我們可以看到他們可以思考什么。
“我推測在接下來幾年里面可能要出現的就是，轉化句子成為思維向量的能力將快速地改變我們可以理解文本的層次。” Hinton 教授論斷道。
“為了在人類的層次來理解，我們可能需要人類層次的資源，比如說人類的大腦中10萬億的鏈接，但是目前最大的網絡也就是10億數量級的鏈接。所以我們現在還差幾個數量級，不過我相信在硬件伙伴們會解決這個問題。” 他又說道。
Hinton 相信機器學習的進程將會被高度聚焦和好奇地研究者們驅動，而不是由那些都有一個具體的結題目標政府資助的研究項目。
“對于深度學習，很明顯，政府資助鼓勵了翻譯工作的研究。重要的是好奇心的驅動力，比如 David Sainsbury，不是他身處科學部部長，而是在私人基金，對那些項目進行了資助。”他說。
“這樣的話，能夠持久發揮優勢來自你不曾預料到得科研突破……而最擅長這些工作的都是好奇心驅使的科學家，” Hinton 教授給出了自己的總結。
就在 Hinton 教授和其他的機器學習專家對目前獲得的生產率的巨大成就感到激動的同時，也有不少對人工智能將要成為勞動力的未來感到恐懼，因為那會帶來大量的失業。
