每天都在和导师探讨 AI未来发展的道路，我就来写两笔吧。在此期间，我认为急需解决的问题如下：

随机存储器的样本复杂性问题。从13岁的 Atari，到16岁的 AlphaGo，到今年的Dota5v5和星际争霸，每一款游戏都要经历 N次以上的测试(如果回到人类时间是几百年以上的话)，才能学会优秀的 policy。假如普遍智能出现了，那它一定不在游戏中，而是在真实世界中。在真实的世界里，你无法有机会尝试这么多次——生命是宝贵的，人只活一次。无论是 imitation learning、 meta learning，还是最近 OpenAI推出的 ADR，距离问题仍然存在着距离。也许我们还需要挑战增强学习 RL的学习框架本身。受到 Yann的影响过深——没有监督的学习。而我更相信，人们可以从观看世界中学习。但如何学习，学到了什么，又如何使用 eval，现在我们甚至还没有明确无监督学习究竟是什么(我的博士毕业论文就写了这个题目，真丢脸)。从宏观角度看，从微观角度看，我做 GAN的时候只有15年，到现在已经快20年了，我还没有看到一个令人满意的衡量图片生成质量的方法(堆人来看看吧！尤尔？韦尔科姆(Amazon)。更重要的是， GAN为我们提供了一个 approximate数据分布的生成机制，我们如何将问题 formulate引入无监督学习？分层次学习。"我要下楼去吃碗拉面。"这是 RL问题么？好的，你成功地来到了面馆，我会给你一个 reward，否则就不会了。但是实际情况并非如此， policy在这方面具有很好的结构性。首先，我要做的一件事就是，从我的房子出来，走上电梯，下楼，下楼，然后去面馆。所以每一步都可以再细一点：比如，我如何走出房间？第一次我是蹬地，站起来，直起身子，收起臀部，然后转到门口。对这个问题的定义是什么？图片分类问题需要重新评估 A.当你看到一个东西是苹果时，你会如何判断呢？您不需要一个角度(无论是2 D还是3D)来绘制图形，然后就可以进行判断。您可以通过走过去，环顾四周，甚至是触摸来进行判断，然后作出决定。所有人都说多模式多模式，我们现在 CV还没有走出单模式的阴影。图片分类问题需要重新评估 B.你看到的是一张桌子，而实际上它是一张桌子。要是我坐上去怎么办？将其归类为一张椅子，而非一张桌子。如果把图像分类算法看作 policy，那么 policy的 state是非常单一的(仅仅是一幅图)，但实际上它的 state需要更丰富才能实现。可控文本生成。每个人都觉得很热闹啊这一年多了， ELMO, BERT, XLNET,GPT-2, Roberta,T5等等。而GPT-2所能生成的文本太多了，这句话实在是太难了。但你要如何控制它呢？比如我想制作一个新闻稿，我要求每个字都和主题紧密联系，责任编辑的名字不能乱叫，这个问题到今天还没有解决哦。事实上，我们并不知道 RNN语言模型是如何工作的，特别是使用 condition的时候，以及什么时候生成 unconditional (unconditional)，它是基于语言本身的流利度而产生的，目前我们还没有办法开发出一种合适的 gating来区分它。NLG想要真正落地，这个问题不能解决的话，就没有一点希望(Forgiveme创业者)。象征主义加里·马库斯一直在死咬着这一点。目前我的观点是中性的：我们也许应该融合符号主义，而不应该将其全部 ditch掉。我很高兴地看到，最简单的是，一些工作实际上需要在 NLP问题上使用知识图谱或语法信息，并且效果确实有所提高。但是与此同时，我们真的需要知识图谱吗？BERT训练方法能否作为知识图谱使用？学生们，拿出你们的 BERT模型，在 The CEO of Baidu is< mask>中输入一个句子。查看它返回的内容？意思是：简单的知识图谱，比如三元组，四元组，已经不再适用了。在这个行业混迹一段时间后，我发现现实世界中的数据维度太多了，三四个还远远不够，我们要的是Variable-number元祖。也许 BERT给了我们一个新的出路。

大家快来加油吧！在 AI的研究上面确实有太多的痛点需要解决。以上任何一个问题解决方案我都觉得很好，可以避免接下来的寒冬。别再死死盯着 benchmark不放去刷分了啊年轻人！不管是拍摄场景，还是解决问题。最有趣的是， Research将一个问题从开始到结束的定义得明明白白，有目共睹。