我觉得下次变革应该是无监督的学习，是自我监督或者无监督的一种学习。

我们最近做的一些非常有意义的事情，这是对于一些预测性的模型，由机器进行规划，根据它们的尝试进行预测。所以这里的理念在于我们关于人工智能的元素，它会对民众社会进行预测，在它们实际参与，之前它们会预测有一些什么样的反映。所以大家会看到在整个的过程当中，它并不太多涉及到机器学习。我们认为在一个民众社会当中我们希望机器应该基于自己的行动进行预测，之后得到一些模型，来进行设计。

关于具体的细节，有的人已经就这方面的培训进行了工作，他们接受教育，比如机器在一些简单情景当中怎么来做。比如说我们对机器，有哪些物体有可能会跌落下来，有什么样的预测性，它的大概概率有多少，都可以使得机器做出一些预测。

最近几年我们找到了一个理念，对于这个问题的确定性要进行预测，根据我们的输入进行概率的培训和预测。通过对机器进行一些深入的学习，可以使得它预测一些结果。而且它可能会根据不同的场景，可能跌落，有可能不跌落等等，能够对一些可能性结果进行预测。这里的结果不仅仅是唯一正确的，还可能有多种的结果。

大家看一下这个教授在进行培训，其实我们进行了对抗性的培训，比如说我们可以培训每个分项是看起来不错的，更可能的，或者在实际的生活当中会发生什么样的结果。而且对于培训者他也会告诉机器，在实际的社会当中又有什么样的结果。对于发生性它也会做出预测，可能有的时候有的结果是虚假的，不是真实的。通过这么做我们就能够得到不同机器产生的结果，之后得到了更多的影像和图片。

我们再回顾几年之前，大家看到这是Facebook，在这幅图上大家可能也相信，通过机器学习确实是奏效的。但是这里有一些是虚假的图像，之后大家由机器所得出来的这样的图像，它们看起来是真实的，但是其实只是一些虚像，一些幻景，所以我们现在也对系统进行了培训之后，产生出了一系列的人脸。大家看到这是一些名人他们的面孔。总之，我们希望把这个工具之后能够融入到我们机器学习当中。

下面我给大家举几个例子，如何来帮助我们进行预测。这样的预测是由我们机器深入学习展示的，有几帧的视频给大家展示一下，因为针对不同的情境我们给大家展示出如何来进行预测。比如说这里是一个人行道，我们看到人们在穿过这样的人行道，而且关于其中的预测是由人工智能所展示的，我们可以进行监督的学习，看一下这个机器在今后几年是不是能够得到很好的进展。

最后做一下总结，我觉得接下来最新的趋势是关于监督学习，它可能是不能够被替代的。不管是无监督的学习还是其他的学习方式都不能够替代。所以这点已经引起了很多人的兴趣，就是接下来几年还会持续的发展。还有一点我也不断的重复给大家，就是说我们要使得机器能够推理，来看一下深入学习能给我们什么样的推理能力，也要来回顾一下在AI的时代机器它的推理能力有多高，它的逻辑性有多强。

接下来我相信我们会不断的进行演变，而且我们也要朝着可差异化的智能学习的方向持续发展，这就需要我们来进行对抗性训练研究。当然了，还会出现更多的有关深度学习的变革，比如说包括了一些多渠道的发展或者是复杂的架构，而且会出现更多的理论，在这个领域会不断的出现。

关于技术的趋势是这样的，很显然接下来的监督会不断的弱化，甚至会消失，这就使得我们出现一些新的理论，比如新的语言，或者是出现并行的文本，我相信之后应该有多维度的可能性。我们会发现出现一些新的框架，包括些动态的影像或者是更多的幻象。

我们和微软、亚马逊会进行更多的合作，也会不断开源。当然了，现在我们的工作量很大，但是关于我们的移动工具和其他工具变得越来越流行了，Facebook的用户每天能够推出大概20亿个不同的影像，所以我觉得之后可能大家出于不同的目的去参与，我们希望能够充分发挥这方面的力量，它是很强的驱动能力。另外，我们要不断的强化硬件，以便用户的需求能够得到专业化的处理。感谢各位的倾听。