对于一个正在学习深度学习的人， 今天看到Hinton的上面言论， 心中无疑是五味杂陈的。
Hinton最近提出了“深度学习要另起炉灶，彻底抛弃反向传播”， 一时激起千层浪， 李飞飞等人标识赞同.
Hinton针对人工智能的瓶颈， 提出了capsule的概念。Hinton大神认为其提出的反向传递算法， 在生物学上很难成立， 生物神经网络也不可能存在人工神经网络那么多层级， 需要那么多层的时候， 生物神经网络的速度也跟不上， 借鉴大脑皮层中普遍存在的 Cortical minicolumn 的柱状结构内部含有上百个神经元，并存在分层, Hinton 模仿 mini-column 提出了对应的人工神经网络结构。 对应论文为 Transforming Auto-encoders
Hinton指出CNN中池化层的很多缺点，提出Capsules。
这是 Hinton 最近被 NIPS 接受的关于 **Capsules **论文 Dynamic Routing between Capsules （未发表） 。其在 MNIST 上非常成功，识别率达到了新高，同时解决了CNN难以识别重叠图像等问题。
机器学习不是仿生， 但是确实现在大脑做得比深度学习好， 度量的标准不只是静态的识别率， 还包括普适性， 学习的难度（人脑学习使用的样本数量比较少）， 所以先看看Cortical minicolumn是个什么东东。
查了下， 能找到的解释相当少。
关于人工智能的未来和方向的思考， 也提到了周志华老师的学件：
周志华：关于人工智能的探讨
周志华老师关于学件的思考， 更多的思考了当前人工智能的瓶颈， 数据分享困难、模型适应性差、黑盒模型导致解释性很差， 提出了学件的概念， 通过分享数据训练出来的学件， 而不是分享数据本身来让大家不用重复造轮子；学件是可解释的， 整个模型的解释性更强；学件可演进；
同时提出了一个学件市场的概念。
人工智能的发展， 将来模块化的可能性还是非常的大的， 所以做个人工智能模块市场的可能性也非常大。说不定是个不错的创业方向:)
从机器学习的优化方向上来说， 现在模拟大脑是个重要的方向，按照KK的理论， 整个科技都算一个超生物体， 是不是当计算量充足或者算法和思想突破的时候， 模拟整个社会或者整个文明， 也是一个方向呢？
关于人工智能未来的可能性， 是否存在于一种算法， 类似于大自然的演进一样， 让我们能够使用算法本身来演进算法， 最后不停的得到一个优化的算法， 不过估计这种演进需要的计算量不是一般的大， 因为搜索空间实在太大。那么我们是不是目标就是， 设定一种相对廉价的方法， 在巨大的搜索空间中找到局部最优甚至全局最优点呢？
说不定整个地球就是一个算法演进试验场， 外星人不时来收割一下算法， 当有一天外星人觉得文明跑歪了的时候（恐龙文明）， 就重新设定一下就好了。
扯远了， 无论如何深度学习还是有其优势的， 至少在推荐算法， 处理大数据方向（当然这个可能是计算机的速度决定的）， 还是非常先进的。
继续坚定的学习， 才是王道。
