面做了一些实验，发现通过对偶学习的过程，章杉只需要用10标注的数据（大概100万英法双语句对），再加上很多没有标注的数据，达到用100标注数据（1200万英法双语句对）训练的模型的准确度。

一千万个训练语料标注的费用差不多2200万美元，如果章杉能把标注的人工费用从2200万美元降到200万美元，这会是一个非常好的结果，能够大大降低公司运营成本提高运营效率。

很多问题以前是因为受限于没有标注的数据，没有办法用深度学习技术。

现在章杉能够从无标注的数据进行学习，那么很多应用很多问题里面都可以应用深度学习技术。

论文到这里已经很牛了！

但仅仅如此吗~

章杉继续读完，很快就震惊了！

因为论文里似乎提出了一种崭新的概念。

现在虽然深度学习很受欢迎，但是说到底深度学习主要是从大数据进行学习，就是通过很多标注的数据，使用深度学习算法学习得到一些模型。

虽然叫着人工智能的名字。

但是这种学习方式和人的智能是非常不一样的。

人是从小样本进行学习。

人对图像进行分类，只需要很少几个样本就可以做到准确分类。

两三岁小孩，开始认识世界的时候，他如果想知道什么样的动物是狗，我们给他看几张狗的图片，并且告诉他狗有什么特征，和其他动物像猫或者羊有什么区别的话，小孩可以很快很准确的识别狗。

但是像深度残差神经网络，一般来说一个类别大概需要上千张图片才能进行比较充分的训练，得到比较准确的结果。

再比如汽车驾驶，一般来说，通过在驾校的培训，也就是几十个小时的学习，几百公里的练习，大多数人就可以开车上路了。

但是像现在的无人车可能已经行驶了上百万公里，还是达不到人的全自动驾驶的水平。

原因在于，人经过有限的训练，结合规则和知识能够应付各种复杂的路况，但是当前的ai还没有逻辑思考、联想和推理的能力，必须靠大数据来覆盖各种可能的路况，但是各种可能的路况几乎是无穷的。

随着一项项能力的提升，章杉现在对人的理解也很深。

人的智能包含了很多方面，最基本的阶段是认知性智能，也就是对整个世界的认知。

尽管现在对于图象识别、语音识别，ai已经差不多能达到人类的水平，当然可能是在某些特定的约束条件下，能够达到人类的水平。

但是其实这种认知性的任务，对人类而言都是非常简单的，现在ai所能做的这种事情或者能达到的水平，人其实也很容易做到。

只是ai可能在速度上更快，并且规模上去之后成本更低，并且24小时都不需要休息。更有挑战的问题是，人工智能能不能做一些人类做不了或者是很难做好的事情。

像图象识别、语音识别这类认知性的任务，ai之所以做得好，是因为这些任务是静态的，所谓静态就是给定输入，预测结果不会随着时间改变。

但是决策性问题，往往和环境有很复杂的交互，在某些场景里面，如何做最优决策，这些最优决策往往是动态的，会随着时间改变。

现在有人尝试把ai用到金融市场，例如如何用ai技术来分析股票，预测股票涨跌，对股票交易给出建议，甚至是代替人来进行股票交易，这类问题就是动态决策性问题。

决策性问题的第二个难点在于各种因素相互影响，牵一发而动全身。

一支股票的涨跌会对其他股票产生影响，一个人的投资决策，特别是大的机构的投资决策，可能会对整个市场产生影响，这就和静态的认知性任务不一样的。