未来的方向？我觉得超酷，那就尝试着去学习学习吧！
（当然有些遗憾，写了很多感慨，但是干货主要还是他人的blog哈哈，先学习吧，希望今后自己能够follow到前沿领域，然后写出有价值的东西分享给大家 :）
当前深度学习已经在很多领域和任务上取得了很优异的成绩，前两天看到的，在某些领域，当前AI的“感知”能力甚至已经超过了人类，下一步的方向是让AI学会认知，即不仅仅是建立在大数据训练和概率模型上的识别、发现，而是能够获得认知的能力，觉得还蛮酷的。也确实如此，像是之前看《数学之美》，看到上个世纪人们执着于让AI像人们一样学会语法、理解语言，但是最后反而很难提升，因为太难了，语境变化太大，很难掌握详细而全面的规则，也由此陷入了一个困境，而后慢慢兴起了基于数据与数理统计的方法，才重新唤起了人们对NLP的信心，甚至：
「每当我开除一个语言学家，语音识别系统就更准确了。」
Every time I fire a linguist, the performance of the speech recognizer goes up.
——现代语音识别和自然语言处理研究的先驱 Frederick Jelinek
确实很有趣，如今的NLP更是如火如荼，但往往伴随着的也就是超大规模的数据集和超大规模的模型，也取得了非凡的成功，但是最终，人们应该还是希望能够让AI真正的学会学习，所以这个方向的研究很难，但也很酷，也是今后的趋势吧。
而在迈向之后的“认知”，我们可以有很多方式可以向其迈进，比如更少的样本、更健壮的模型，都是一个个慢慢前进的过程吧，像是如今的刘海屏、挖孔屏，都是我们走上真正全面屏的过渡而已（虽然我还是觉得这些好丑哈哈），其思想和技术积累是很有价值的。而Few-shot Learning and Meta-Learning，一方面是两条很酷的方向，个人很感兴趣，另一方面，是在做图像聚类，其实我觉得图像聚类问题很多时候可以和few-shot Learning共通？所以也是慢慢入坑了解一下
参考资料
小样本学习——概念、原理与方法简介（Few-shot learning） - Serendipity的文章 - 知乎，基础概念讲得好，浅显易懂
Few-shot learning（少样本学习）和 Meta-learning（元学习）概述，总结了一下Few-shot Learning的主要方法，其中就包括Meta Learning，总结蛮好的，起码帮助我建立了一个宏观认识吧
MAML: Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks (模型无关的元学习用于快速适应深度网络)，还是上述的作者，其深入介绍了一种新的元学习 (Meta-learning) 的算法，是一种与模型无关，但是能够很好地适用于few-shot任务的框架，看了看其思想很朴素，但是很有意思，好像也很work，建议辅助论文阅读：Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks食用更佳，图解还有分析更加详细，Meta Learning – MAML还有李宏毅老师的课程，还有 MAML和pretraining的有本质区别吗？ - 知乎 这个讨论