在这里大家可以看到在网络当中使用的几个层，比如说有100层或者180层的一些人工神经网络，在Facebook当中我们会广泛使用。因为有了这样的一些应用，可以看到识别错误率在不断下降，有的时候表现甚至比人还要好。它的性能非常好，已经成为一种标杆。另外它实际上比CPU识别图像或者对象要更加复杂一些。它不仅仅能够识别对象，同时能够进行本地化处理。
这个是在Facebook人工智能部门我们所做的研究，叫做Marsk RCNN，可以看到它的结果，它可以标记这样的图像，就像我刚才给大家展示的例子非常像的，展示出非常好的性能。如果能够展示这种效果的话，它不仅仅可以识别出每个人，同时它会为每个人加一个Marsk，所以可以很容易区分出是一个人还是一只狗，在这里大家可以看到它可以识别电脑、酒杯、人、桌子，都可以识别出来。如果五年之前问系统这些问题的话，我们当时认为需要10-20年时间才能达到今天呈现的效果。
这也是Facebook所做的一些研究，叫做Techaround。大家可以下载上面的代码，它可以探测200多种不同的类别，这也是Facebook在AI方面的一些研究，我们不仅仅发布了一些论文，同时连代码也都发布出来了，世界各地都可以更好的熟知这种技术。
对于我们研究团队来说，不仅仅要开发对我们公司非常有用的技术，同时我们也希望所开发的技术能够引导整个社区，能够解决我们所感兴趣的问题。我们认为AI不仅仅会帮助我们解决问题，同时还会帮助我们解决很多人类自己无法解决的挑战，所以我们会与我们的科学团队一起朝这方面努力。这里是在过去的几年里，IFRR所发布的一些开源项目，包括像深度学习网络、深度学习框架，这是关于深度学习的应用。
我刚才讲到每天都会有一些新的应用发布，也可以进行语言的翻译甚至过滤，安全诊断，以及面部识别等等。另外，可以看到深度学习也被广泛应用来进一步推动科学方面的研究。我们会看到在接下来几年里深度学习会发生更大的革命。
接下来我们再来看一下差异化编程，我们可以从另外一个角度来学习深度学习。实际上它是一个固定架构，涉及到编程，可以用人工神经网络解释。这个编程一共有三个指数，它实际上和人工神经网络非常类似，它会根据所展示的数据有所不同。
另外，根据数据系统也会有所变化。所以现在的问题是，我们是否有一种方法可以自动地生成一个自己的程序。同时可以对其进行培训完成某个具体任务，这也就是我们所说关于编程的想法。现在人们已经开始在做一些深度学习方面的研究。
大家看到这里是我们最近深度学习的成就，之后我们来看一下关于AI有没有我们触及到的。对于新技术，我们可以进入到更多的领域中，大家看到这里我们可以进行更多的影像分析。关于医学方面，我们还可以进行更多翻译，或者是有更多的其他的领域。在这个方面我们觉得对于机器确实可以拥有一定的人工智能，但是关于机器人分辨出它有些功能，比如我们还需要更多的功能，比如像洗碗机之类这样的功能我们都要探讨。
在机器学习方面，我们在这儿可以看到有一些具体的图像，我们有些新的方法。在实际的生活当中其实这种方式不太成功，因为关于深度学习方面我们要进行深入的挖掘，因为对于机器本身它会有不同的解决方案，比如在实际生活中是不能够去实施的。
有时候让机器学习很长时间才能玩游戏，比如100个小时。所以，确实核心功能方面我们现在还没有触及到。尽管这些机器是能够做到的，但是我们还没有挖掘出来。我们也可以对机器本身进行更深入的培训。比如说我们要让系统进行成千上万次的培训，之后它们才能进行学习。
有些学习是力学方面的，但是在实际生活中不可能实时进行，所以我们只够进行模拟，但是它也需要我们进行很多的尝试才能够让机器学到。对于婴儿他们怎么去学习呢？如果我们让婴儿展示的话，比如说就好像左下角的这幅图像展示的，六个月以下的婴儿，他们可能不太了解比如物理方面的运动，可是他们在满了八个月之后，他们的能力就变得非常惊奇，已经知道自由落体的作用。我的一位朋友，她在巴黎工作，给我们展示了婴儿怎么学会一些概念，而且他们也能够了解到一些物理基本的原理。
对于婴儿，他们能够了解到背景知识，学会常识。另外我们在向动物展示这样的情景，比如大猩猩，它们在幼年的时候由培训员给它们一些展示，大猩猩会觉得很有意思，面对这样的魔术会笑出来，所以大家会把它们当做世界最起初的原型来看待。但是我们希望机器能够建立一些样本，最终机器学会学习，进行一些预测，什么是可行的，我们就可以使得机器像人一样有效运行。我们有这样的监督或者学习，就能够使得机器得到培训，它们能够进行规划，进行反映，这是我们需要它们建立起的一个系统。
