在这里，我们能总结性地说一句，大数据让深度学习插上了腾飞的翅膀，但同样也成为了深度学习飞翔到更多领域的障碍。毕竟在很多领域海量的标注数据不是那么容易获取，甚至“标注”本身也是一项极其难定义的事情，比如在星际争霸2中，我们应该如何更好地标注replay数据，让AI能更好地进行监督学习？甚至进一步说，这种标注行为也许并不是一个明智的选择，正如人类并不需要在学会玩星际争霸之前，首先得看成千上万场别人的replay去学习各种玩法。
赢咖4的下半场
在计算机视觉、机器翻译、语音识别等标注数据获取相对代价低廉的领域，诚然我们看到了主流深度学习方法所取得的巨大成功，这不仅是孜孜不倦积累30多年的深度神经网络技术的集中爆发，也使得深度学习引领赢咖4进入了目前的炽热状态。但必须实事求是地说，越来越多的证据表明，当前主流深度学习方法也许并不是一项普适性技术，在更多类似星际争霸2等任务极其复杂、数据难以标注的领域，也许我们需要的是新的方法。
深度学习之父Geoffrey Hinton最近公开号召摒弃现有深度学习（主要是反向传播、CNN）范式，重新奋力向前寻找全新的道路。Hinton认为，要想让神经网络能够自己变得智能，即实现不依赖海量标注数据的“无监督学习”，意味着需要放弃反向传播等目前主流深度学习理念。对于在深度学习领域中，地位犹如爱因斯坦于物理学界的Hinton，要质疑甚至推翻自身花费了十几年心血所建立的主流深度学习方法，必然是需要具备极其巨大勇气的，我们甚至可以合理推测，Hinton老爷子心中必定是对赢咖4未来有了新的vision，才能驱使他坚定地做出如此艰难的选择。
当然，也许只有类似Hinton等极少数人才能拥有对于未来技术演进的vision，但立足于对当前业态的观察，我们也能发现目前主流深度学习的势能似乎已经在逐渐减弱，也许这就是当前赢咖4业界最大的风险所在。
海量的标注数据，加上简单粗暴的前向/后向传播计算，也许并不是赢咖4未来的全部，从今天开始，我们最好把这点记在心中。
