Neil Zhu，简书ID Not_GOD，University AI 创始人 & Chief Scientist，致力于推进世界人工智能化进程。制定并实施 UAI 中长期增长战略和目标，带领团队快速成长为人工智能领域最专业的力量。
作为行业领导者，他和UAI一起在2014年创建了TASA（中国最早的人工智能社团）, DL Center（深度学习知识中心全球价值网络），AI growth（行业智库培训）等，为中国的人工智能人才建设输送了大量的血液和养分。此外，他还参与或者举办过各类国际性的人工智能峰会和活动，产生了巨大的影响力，书写了60万字的人工智能精品技术内容，生产翻译了全球第一本深度学习入门书《神经网络与深度学习》，生产的内容被大量的专业垂直公众号和媒体转载与连载。曾经受邀为国内顶尖大学制定人工智能学习规划和教授人工智能前沿课程，均受学生和老师好评。

原文链接
机器学习在文档处理的领域所扮演的角色正进一步增强，最终类似于Google的计算机和搜索算法将具备“与人类一样思考”的能力，从文本中获得含义、想法和思想。
这个论断来自 Geoffrey Hinton，多伦多大学计算机科学教授，同时也是 Google 的机器学习及人工智能专家。Hinton 教授在由英国皇家学会 主办的机器学习会议上做出了上述描述。
亚马逊、微软和 Google 是众多开发机器学习工具来提升数据驱动的决策制定的技术公司中的代表。
Hinton 教授的演讲聚焦在人工神经网络上，这是一个模仿生物神经结构进行计算的模型，尽管他也强调机器学习并不曾真正模仿人类的思维。
但是，现在已经有大量的机器从统计模型中进行学习，如报告中提到的 Netflix，这家公司在几乎所有的决策中使用了大数据相关算法。
内嵌在很多的移动电话中得语音识别软件同样也有了显著地提升，依靠着机器学习方法使得错误率降低到了5%以下，实际上这就是人类对于语音判断的一个错误区间，而机器的准确率仍然在提升。
所以，Hinton 解释道，如果这些模型可以被转换到其他的任务上，例如从文本中产生含义，从而用在搜索引擎上，这样就可以让机器有效地完成指定的任务，并如同人一样开始进行思考。
“这个结果对于文本处理产生的推动是非常重要的。如果我们将句子转化成一个刻画并保持了句子含义的向量，那么 Google 就可以做更加好的搜索；他们可以基于文档中已经表达出来的意义进行搜索，” Hinton 教授如是告诉讲台下的听众。
“并且，如果你可以转化每个句子成为一个向量，那么你可以获得这些向量的序列并可以尝试进行自然推理。这是‘旧时代’的人工智能无法做到的。” 他继续阐释机器可能能够教会自己像人类那样进行思考。

目前人类如同是 matrix，在孕化一种可能不同于人类本身的思维方式，所做工作是想看看大脑究竟怎么工作的。但如果没有找到最终的答案，得到一个副产品，也是不错的。想想 Turing 当年做计算模型的时候，就只是为了证明了定理。哪知道一不小心创造了计算，有了今天的计算世界（computational world）。

“如果我们可以阅读在网上的每篇英文文档，并转化每个句子成为一个思想向量，你就获得了大量的数据来训练一个可以如同人类那样思考的系统。” Hinton 教授这么说。
“现在，你可能不大想让机器像人类那样进行思考，但至少我们可以看到他们可以思考什么。
“我推测在接下来几年里面可能要出现的就是，转化句子成为思维向量的能力将快速地改变我们可以理解文本的层次。” Hinton 教授论断道。
“为了在人类的层次来理解，我们可能需要人类层次的资源，比如说人类的大脑中10万亿的链接，但是目前最大的网络也就是10亿数量级的链接。所以我们现在还差几个数量级，不过我相信在硬件伙伴们会解决这个问题。” 他又说道。
Hinton 相信机器学习的进程将会被高度聚焦和好奇地研究者们驱动，而不是由那些都有一个具体的结题目标政府资助的研究项目。
“对于深度学习，很明显，政府资助鼓励了翻译工作的研究。重要的是好奇心的驱动力，比如 David Sainsbury，不是他身处科学部部长，而是在私人基金，对那些项目进行了资助。”他说。
“这样的话，能够持久发挥优势来自你不曾预料到得科研突破……而最擅长这些工作的都是好奇心驱使的科学家，” Hinton 教授给出了自己的总结。
就在 Hinton 教授和其他的机器学习专家对目前获得的生产率的巨大成就感到激动的同时，也有不少对人工智能将要成为劳动力的未来感到恐惧，因为那会带来大量的失业。