我们都知道，在海量数据时代，深度学习为人工智能带来了新的机会。这些机会集中在三个地方：文本、图片和语音识别。

  吴恩达提到，人工智能有一个正循环链条。有了好的产品，能吸引更多的用户，然后会生成海量的数据，接着数据又能带来更优秀的产品。但是，如果采用传统的AI算法，数据增长到一定体量，算法效果会遇到瓶颈。但如果运用新的深度学习算法，随着数据的增长，算法的效果能持续提升。

  7年前，我让学生利用当时最好的算法完成一项简单任务——在一张放了很多餐具的图片中判断哪个是杯子，结果没做到。基本上柱状的工具都被识别成了杯子。

  虽然在人的眼里，看到的是这些物品的外形，但是在计算机的眼里，他们得到的信息只是照片上每一个像素点上代表色彩的数字，利用数字谱与其他的图像对比。再举一个语音识别的例子，过去我们将声音分解为不同的音调、音素等等，希望能够通过数据解码来识别一段对话，但得到的结果还是与自然语音本身不同。

  人脑是怎么学习的呢？这里要声明，虽然叫做神经网络模型，但并不是真的让算法模仿人的大脑工作，因为我们并不确定大脑到底如何工作的，只是希望接近这种机制。以上面的杯子为例，我们只是提供大量的杯子图片，让计算机来发现这些样本具有怎样的特征，然后它就能够直接进行判断了，和我们平时学习的方式很相似。

  这件事过去做不了，所以要依赖传统的数据解码算法，但现在对数据的存储和计算都达到巨量级，可以在一定程度上完成海量样本对照。

  越来越多的人正在使用语音识别，深度学习语音识别系统的准确率比传统方式提升了很多。

  在移动端应用场景下，语音交互与手指输入相比，是一种更自然的人机交互方式。我们可能不再需要在手机上安装那么多的Apps，你只需要跟手机进行语言交互，告诉它你要说明，他就能为你连接服务。我相信语音将会推动手机的革命。想象一下，未来我们将围绕语音界面来重新设计移动产品，重新定义人与手机的交互界面。

  人工智能技术任旧存在挑战。比如，有的国家使用AI技术威胁到了人的权利（脑补疑犯追踪），这是很严肃的道德议题。但即使不存在AI，这样的情况也是存在的。至于说AI达到了比人更聪明的程度，甚至可能会控制我们的世界。我认为这并不是目前急需关心的问题。机器统治世界不会很快发生，或许100年后我们才需要担心这个问题。

  即使我们说深度学习算法具有自我学习的能力，但也不需要为此担心。大量的神经网络算法中的模型训练，即机器学习的过程，都是有监督的训练。这种训练方式应用在语音识别、图像识别中时，效果是非常好的。但如果站在机器可能统治人的角度，这是完全不同的事情。