2017年终于来到，新的一年是个充满期待充满希望的一年：1）人工智能和机器学习再定位意义会愈发明显；2）人工智能和机器学习从云端加速迈向终端，云智能/云学习和终端智能/终端学习互补性愈发重要；3）比传统机器学习方法快几万倍的低功耗智能芯片也许进入批量生产和应用；4）机器学习和生物学习在某些方向继续延续收敛性；5）人工智能和机器学习的应用继续在广度和深度上展开。此外，在国内，人工智能和机器学习的某些子应用可能进入胶着竞争状态；
“深度学习”概念热度转折点已经到了，两年后将很少人再提深度学习术语：1）广泛意义上的“深度学习”（多层和/或多学习系统的组合）本身就是机器学习的必然，将来几乎每个人工智能机器学习系统都可以广泛说是“深度学习”；2）再提深度学习所能创造的效益有限，投资概念的将跟上最后一班车；3）开源将使得深度学习不再高深莫测，但会使强者更强，弱者相对更弱；4）开源也预示着新的技术和术语在蕴酿积累，等待爆发点；5）世界科技巨头有分化，有的巨头其实很少提“深度学习”概念，却在另起炉灶；6）比传统深度学习快几万倍的芯片硬件将走入市场。
深度学习本意的发展：最初的深度学习基本意思是聚焦于区别于BP（Backpropogation）那种打包式的黑箱（black-box）学习，使用多层网络的“庖丁解牛”的“深层次”的（white-box）学习，比如用CNN和auto-encoder组成多层结构。再后来发展到几个主要神经网络学习的组合也归纳为深度学习。
现在出现一种趋势：多种学习算法的组合即是深度学习，就会造成深度学习即是机器学习，机器学习即是深度学习的误解。这样反而有让深度学习失去聚焦点的可能，不禁让人有疑问：5年后还有没有叫深度学习的必要。多种机器学习算法的组合本是机器学习解决现实问题的基本思路和策略。为了一个技术保持长期生命力，最好外延不要无限扩大，掌握本质最重要。
深度学习，人工智能和机器学习的动态联系：深度学习作为人工神经网络的一个特例理所当然的可以说是机器学习的一个分支。人工智能强调更多的是根据人的经验规则衍生的智能，机器学习应该更注重于机器本身找寻数据背后的规律和模型。
随着人工智能和机器学习的飞速发展，机器（广义的讲包括包括各种sensors）也会自我学习，复制，推理，决策，有感情和认知，人类的经验规则在机器智能中的重要性长期看（10年，50年...）有下行的可能。因而随着人工智能和机器学习的发展，深度学习这种依赖于大量人力和人类先验知识（调参等）技术的人工智能性质会逐步强于它的机器学习性质。
因而随着人工智能和机器学习的发展，依赖于大量人力和人类先验知识的人工智能会逐步让位于依赖于数据和应用的自主的机器学习。从这个意义上讲人工智能在“疯癫”高峰过后，给人逐步消失的感觉。其实不是真正消失，而是人工智能的比重越来越小，机器的自主学习比重越来越大而已。
我们可以以历史为鉴，目前比较火爆的在人工智能邻域的投资，可能的发展路径是这样的。第一，小部分在人工智能硬件，算法，应用方面有独到之处的公司被收购兼并，早期投资者获得不错的回报，然后吸引更多风险投资进入这个邻域。这些公司融资时的高估值，将推动一个正反馈。我们目前在这个阶段。第二，这个正反馈持续的时间，强度很难预测，简单的视其为泡沫，过早做空的人可能会不断被逼空，损失惨重。会有一些出其不意的 AI的成功的应用，加速推高资本市场的正反馈。
第三，正反馈会吸引更多资本，技术人员和公司进入这个领域，一大群公司的估值完全脱离营收利润水平。这些公司大多没有真正的持久的商业竞争优势。借用许哲的话说，泡沫的崩溃取决于外界的硬约束。这个硬约束包括宏观经济影响营收的增速放缓甚至萎缩，行业巨头没有余粮进行高估值的收购，等等。
第四，对于人工智能而言，什么是持久的优势？durable advantage? 目前看是数据。高质量的，多维度的，大规模的，竞争者拿不到的数据。计算速度，大家都差不多，你有 GPU, 我有 fgpa, 他有 asic, 道高一尺，魔高一丈。唯有数据，高质量的大数据，是建立持久优势的源泉。要注意观察这个领域的领先者。比如三叶虫是动物世界最早进化出眼睛的，眼睛带来高质量的数据，知道哪里有吃的，敌人从哪里来，这样才可以指导行动，生存下来。
第五，微软所依赖的操作系统的商业模式，是八十年代之前没有的。谷歌所依赖的点击广告的商业模式，也是前所未有的。苹果的iPhone 和 appstore 的商业模式，更是史无前例的。在人工智能领域，很有可能因为技术进步，出现一种前所未有的新的商业模式，开始很多人不理解，但是具有巨大的很难逾越的 durable advantage. 这个需要对技术，和应用场景有比较深刻的理解，直接的和频繁的体验。
第六，伟大公司的一个特点，是创始人或者团队，不断在产品设计，或者商业模式上，给投资者巨大的惊喜。他们创造出来的东西，是投资者都想象不到了。连续几年，有三到四个以上的这样的惊喜，说明这个团队是可以依托的。这样级别的优秀创始人或者团队，全世界每十年大概也就出两三个。有这样的团队，再加上他们有竞争者难以替代的 durable advantage, 这样的公司要重仓并且长期持有。大部分人遇到这种公司，犯的错误是一不能重仓，二是赚一点就套利卖出了。
第七，人工智能邻域大部分其它公司，好一点的早早被收购套现，绝大多数没有持续的优势，最终将烟消云散而导致投资者严重亏损。十年后，所有的各行各业公司，都将或多或少的使用某种人工智能的技术应用，今天大家惊叹的语音识别，图像识别的应用创新，都会变得稀松平常，价值不高了。
人工智能“真空填补期”和“黎明前的黑暗”：机器学习和人工智能目前基本还是处于由于大数据和超高效运算环境带来的产业机会，实现以前由于数据匮乏和运算资源有限而不能实现的应用，基本属于快速的“真空填补期”。同时又处于黎明前的黑暗期，虽然表面看上去华丽多彩，背后却是大量资源的消耗，“血拼”，暗示着这种研发的局限性和不可持续性。
25年前面对BP普天下调参，15年前面对SVM普天下调参，基本都是10年一个波澜壮阔的“调参”周期，最近几年面对深度学习普天下又开始了新的“调参”周期。每次“痛苦”经历的背后也许预示着新的技术呼之欲出，纵观过去60多年的历史，机器学习和人工智能本身就遵循一个螺旋式上升的发展过程，2-5年后可能新的一波机器学习技术要兴起，突出表现为：
1）机器学习从云端走向各类本地智能终端/传感器/设备；2）机器学习算法本身不在依赖于GPU的支撑，但GPU等却可以实现众多智能系统在云端的同步协同；3）基于类神经元，FPGA和光技术的芯片开始在普适学习/普适智能中显现魅力；4）机器学习也许不需要特别“深度”，理论上讲5-8层神经网络具有普适学习能力；
5）无监督学习理论可能有突破性发展；6）机器学习不必依赖于大数据，小样本学习技术的吸引力不可小觑。到那时候机器学习和人工智能的春天也许才能真正到来，中国的机器学习和人工智能界朋友们是要“血拼”还是“智取”？
都说2016年是人工智能元年，所以如今人们谈论通用人工智能的频率和雷声也越来越大，问题是：1）如果真认为几年后出现通用人工智能，那说明我们机器学习没有跳出魔幻“15年”技术周期，所谓深度学习、深度智能在其复兴15年左右将被新技术新术语取代；
2）在机器学习和人工智能还是一种工程工具，没有形成机器学习科学前，与其说是实现通用人工智能不如说是实现通用人工智能工具；3）新的技术用语的出现必定预示着一批新产业的形成一批新的投入，商业运作是惨烈的，许多人是不是上次车还没有坐稳又要赶搭下班车？大部分公司是不是继续换法烧钱呢？你真正掌握了核心技术和思想而分寸拿捏到位不随波逐流？
那我们中国的人工智能界的“输”和“赢”： 世界人工智能界其实也正在下一场比AlphaGO更为波澜壮阔的历史“围棋”。中国人工智能界也兴奋不已。这场由产业驱动的人工智能热以数据为智能源泉，超算环境为依托，人工神经网络为骨干技术。不断刷屏和新闻的背后其实是斗志斗智斗勇，商业竞争大于学术研究。
结果是直接或间接地造成有人怕输，有人焦虑，有人挖坑，有人踌躇满志，有人在技术创新上“明修栈道，暗度陈仓”。以5~10年，50年或更长的时间看，人工智能和机器学习其实还处于底部酝酿阶段，人工神经网络的发展还没有离开每大约15年一个“魔幻”周期螺旋式上升的过程。
人工智能的长足发展更需要机器学习科学体系的建立，中国人工智能界在此应该有独特的理论人文条件和机遇。中国人工智能界在世界人工智能领域“赢”的策略是机器学习科学和工程的有机结合，否则就会沦为抬轿子吆喝的一方，15年一个周期后可能发现和国外的差距其实是在扩大，赔了夫人又折兵，既丢了历史机遇期，浪费了大量资源，又沦为外来技术的使用者而已，永远处于低附加值一端。 中国人工智能界和产业需要“淡定”和“智慧”。