人工智能革命之下你会失业还是变得富有？

他和其他研究者们已经开始探寻一种叫做迁移学习（transfer learning）的新技术了。这种技术能让强化学习系统把基础建立在已习得的知识上，而不用每一次都从头开始训练。Hassabis 先生解释道，人类可以毫不费力地做到这一点。Giannandrea 先生回忆起他四岁的女儿已经能辨别出 penny-farthing（一种前轮大后轮小的脚踏车）就是一种自行车，即使她之前从没见过这样的东西。「但计算机无法做到，」他说。

一家最近被 Salesforce 收购的初创公司 MetaMind 也在研发一种相关的技术——多任务学习（multitask learning），这种系统用同样的 神经网络 架构解决多种不同的问题，在一件事情上获得的经验能用来更好地解决其它事情。跟 DeepMind 类似，它也在探寻模块化的架构；其中一个被称为「动态记忆网络（dynamic memory network）」的系统能消化一系列陈述，然后回答相关问题，并且推断出其中的逻辑联系（Kermit 是一只青蛙；青蛙是绿色的；所以 Kermit 是绿色的）。MetaMind 还把 自然语言 网络和图像识别网络融合到一个系统中，它可以回答有关图像的问题（「这里面的汽车是什么颜色的？」）。这种技术可以用到智能客服聊天 机器人 中，或者用于 Salesforce 的客户呼叫中心。

过去，很多有前景的 人工智能 技术发展都会逐渐疲软。但深度学习却不同。「这东西真的能起作用，」 MetaMind 的 Richard Socher 说。人们每天都会用到它，虽然他们并未意识到。Hassabis、Socher和其他人的长远目标是开发出「通用 人工智能 （AGI )」—一种能完成各种各样任务的系统，有了它就不必再为每个特定问题都专门开发出一个系统了。 人工智能 多年来的研究方向都集中在解决专业化的特定问题上，Socher先生说，但现在研究人员们「正努力用更先进的乐高积木块拼出不一样的东西」。即使他们中最乐观的人也认为还需至少十年才能做出人类智力水平的 AGI 。但 Hassabis 说，「我们认为我们已经知道实现接近 AGI 的系统所需的几十种关键元素了」。

同时 人工智能 已经在发挥作用了，而且很快会更有用。例如谷歌的智能回复系统，它通过两个 神经网络 推荐邮件回复，从研究项目到产品上线只用了四个月（虽然刚开始它因为对每条信息建议回复的有「我爱你」而令人失望）。「在科研期刊上发表文章刚一个月，就有某个公司正确使用你的系统了，」Socher 说。 人工智能 公司，不论规模大小都能都能定期发表学术文章； 人工智能 研究者即使在转行进入公司后也能继续在同行评议期刊上发表研究成果。很多人都是边为公司工作边发表科研文章。「如果你不允许他们发表，他们就不会为你工作了，」Andreessen Horowitz 的 Chris Dixon 解释说。