2012年，谷歌神秘機構X實驗室里的一項令人驚奇的項目被世界所知曉。這些擁有三百萬個神經元的模擬神經網絡在沒有人工幫助的情況下，只依靠從YouTube里獲得的圖片就識別出了圖片中的貓和人物。

　　項目的成員組建了一個新的研究小組，這就是公司搜索部門下面的“谷歌大腦”( Google Brain)。他們和其他的研究者一起很快向世界證明了一個擁有幾十年歷史的發明——人工神經網絡將圖像識別和語音識別的精確度提升到了一個前所未有的新高度。深度學習的成功促使谷歌和其他公司開始大舉投資人工智能，甚至使一些專家開始宣稱“我們應該為出現比人類更加聰明的軟件做好準備。”

　　然而，谷歌這個“貓檢測器”在某種程度上是一條死胡同。近期深度學習的成功是建立在那些需要人工幫助其學習的軟件之上的，這極大限制了人工智能的上升空間。

　　谷歌的實驗使用了一種非監督式學習的方法，軟件被輸入未經加工的原始數據，然后必須在沒有人工幫助的情況下計算出結果。盡管它可以學會識別貓、 人臉和其他物體，但它的精確度還沒有達到可以使用的水平。深度學習研究和基于此的產品開發的爆發都是基于監督式學習，數據需要人工打好標簽之后再提供給軟 件——例如，我們要給圖片中的各個物體都標上名稱。

　　事實證明，這對于解決一些問題非常有效，比如說識別圖片中的物體、過濾垃圾郵件，甚至是為用戶回復短信提供建議(這是谷歌去年上線的一項功 能)。但如果需要軟件更好地去理解世界，那可能就需要非監督式學習了，Jeff Dean如是說，他現在領導著谷歌大腦項目，也曾經在Google X 的“貓檢測器”項目中工作過。

　　“我非常確信我們需要它，”Dean 說，“當你有正確的數據集時，監督式學習會表現得很好，但終極的非監督式學習會成為構建真正的智能系統中重要的一環——如果你觀察人類的學習方式，你就會發現全部都是非監督式的。”

　　一個絕好的例子就是，嬰兒的學習方式為成年時期的智能打下了基礎。比如說我們知道，當一個物體移到視線之外時依然存在，或者沒有支撐就會掉到地 上，這些事情是我們通過觀察世界而學習到的，并不需要明確的指引。和動物一樣，如果機器人想要探索真實世界，那它們就需要這種常識。這也能鞏固更加抽象的 任務，例如對語言的理解。

　　Facebook人工智能研究組主管Yann LeCun說，如果人工智能要滿足人們更大的野心，就必須弄清楚軟件如何才能完成那些對人類嬰兒來說十分容易的事情。他說：“我們都知道，最終的答案就是非監督式學習。解決了非監督式學習的問題，將把我們帶向更高的級別。”

　　盡管他們還沒有得到最終的答案，但Facebook、Google等公司以及學術界的研究者正在對某些有限的非監督式學習進行實驗。

　　其中一個研究分支的目的是創造出一個人工神經網絡，讓它消化吸收視頻和圖像，并用它們獲得的關于世界的知識產生出新的圖像——這意味著它們已經形成了關于世界是如何運行的內部表征。對世界作出精準的預測是人類智能中一個非常重要的基本特征。

　　Facebook的研究者建造了一個稱為 EyeScream的軟件。這個軟件可以根據提示(例如“教堂”或“飛機”)生成可識別的圖像。他們也在研究對視頻做出預測的軟件。Google旗下 DeepMind的研究者已經開發了一種軟件，給它一些部分遮掩的圖片，它能用十分真實的圖像來進行填補。

　　DeepMind還在研究一種完全的非監督式學習，叫做強化學習(reinforcement learning)。在強化學習中，軟件被訓練來接收關于自我表現的自動反饋——比如說，這些反饋會來自電腦游戲的得分系統。還有一些不使用深度學習的研 究者則證明，軟件可以從單個例子中學會識別手寫字體(見《人工智能終于能像人類一樣學習》)。

　　但是迄今為止，這些嘗試都尚未揭示出一條能讓非監督式學習達到人類水平的路徑，或者說，軟件尚不能僅通過經歷或實驗就學會與真實世界有關的復雜東西。百度硅谷AI實驗室主任Adam Coates說：“目前，我們似乎缺失了某個關鍵的思想。”

　　Coates說，隨著搜尋的繼續，監督式學習依然還能帶給我們很多東西：互聯網公司可以獲得大量數據，包括人們做了什么事和關心什么事，可以用 這些原料來建造比今天的產品更加有用的語音交互和個人助理等產品。他說：“在不遠的未來，你還可以用標記數據來做很多事。”大公司在這方面花了許多金錢， 讓合約商為他們的機器學習系統標記數據。

　　Facebook的LeCun相信，研究者不會永遠依靠標記數據。但是，他拒絕評價軟件還需要多久才能到達人類智能的水平。他說：“我們知道原材料，但卻不知道菜譜。這可能還需要花費一些時間。”