Lei Feng réseau AI Technology Review par: trois d'entre eux apparaissent ensemble, nous mentionnons souvent Geoffrey Hinton, Yann LeCun, Yoshua Bengio trois noms qui sont collectivement appelés « apprentissage en profondeur de la Troïka », mais il est commun à la même occasion - avant même IPSC, pas très impliqué dans les trois conférences. Aujourd'hui, l'étude approfondie irréfutablement dans la recherche académique et les applications pratiques sont devenues la technologie la plus chaude, trois personnes ont également reçu le prix Turing 2018, AAAI 2020 a mis en place un « Prix Turing événements spéciaux gagnant », invités à participer à trois conférences, table ronde, peut être considéré comme un hommage tardif aux trois hommes.
Geoffrey Hinton introduire la dernière, a finalement fait la bonne chose capsules voir la parole d'enregistrement réseau ici .
Table ronde modérateur fait partie de l'expert en robotique, le professeur MIT Leslie Kaelbling, elle est aussi le domaine de l'intelligence artificielle des prestigieux « Journal of Research Machine Learning » (JMLR), fondateur et rédacteur en chef. Lei Feng réseau Table ronde AI Technology Review lien le contenu de la discussion suit, avec de légères modifications.
Vous pouvez maintenant comment traiter l'apprentissage en profondeur?
Kaelbling: En seulement quelques discours ont apporté des vues magnifiques, le public a également fait un certain nombre de questions de grande valeur. Je fais certaines de ces questions et le dépistage et la classification, une classe est un problème technique, l'autre est la question plus générale de la recherche et des idées. Commençons par les questions techniques commencent.
Le premier problème technique, comme la science informatique de réseau de neurones et les concepts d'apprentissage machine et calculée en informatique de réseau de neurones biologiques simulés est le cerveau humain, à votre avis ce contact là-bas? Quelle est l'importance est complètement réduit la biologie de calcul?
Hinton: cerveau biologique peut nous donner de l'inspiration, nous pouvons offrir des conseils. Plus précisément, il nous dit beaucoup de données pour ajuster les poids, vous pouvez faire un système capable d'effectuer des calculs complexes, sans programmation explicite. En fait, cette idée n'est pas rare si vous ne l'avez pas vu ces exemples, il vous sera difficile de croire que cela est possible.
LeCun: En effet, il y a une claire inspiration, les réseaux de convolution et des choses comme ça est inspiré par l'étude classique des neurosciences. De nombreuses techniques que nous utilisons peuvent maintenant être trouvés dans les choses de neurosciences de calcul correspondantes, division orthogonale de (normalisation division) sont devenus un outil standard, il existe des réseaux de neurones, redresseur (rectification). Ces dernières années, il y a beaucoup d'endroits différents chercheurs ont constaté que les réseaux de neurones peuvent améliorer les performances de la mémoire ostéoarticulaires, etc., puis nous revenir au cerveau, l'hippocampe et en fait très similaire. Bien que correspondent pas exactement, mais presque certainement le même endroit sur la fonction. Il y a une histoire de cliché et AI est très similaire ici, est l'histoire de l'homme a appris à voler, nous sommes inspirés du vol des oiseaux, mais nous ne pouvons pas construire des ailes d'avion, les plumes ne peuvent pas, ici est le même. En fin de compte, cependant, je pense, y compris nous, de nombreux chercheurs qui font des recherches dans ce domaine est le plus important parce que nous voulons comprendre l'intelligence humaine.
Bengio: On dit que Je suis d'accord, je fais un petit supplément. Je fais la motivation de la recherche est que je crois seulement besoin de quelques principes simples peuvent expliquer l'activité cérébrale dans une large mesure, j'appelle cette « hypothèse de surprise. » Bien sûr, le cerveau est la présence de toutes sortes de choses merveilleuses, mais je crois qu'une fois que vous avez quelques principes simples peuvent résoudre ces tâches courantes complexes,. Dans l'apprentissage de la machine, faire de la recherche en IA, vous pouvez tester ces principes, nous pouvons fournir mieux expliquer le mode de fonctionnement du cerveau à d'autres chercheurs. Alors, oui, au cours des fouilles dans ces principes simples, l'apprentissage de la machine et les sciences neuronales bénéficieront à la fois, en même temps de créer une machine plus intelligente, mais aussi une meilleure compréhension de la façon dont le cerveau est en cours d'exécution, quelle sagesse Oui.
Kaelbling: Il y a plusieurs téléspectateurs croient que chacun de vous a mentionné certains aspects de la représentation et de raisonnement, et ces aspects est de faire AI classique, il est très bienvenue, prêt à utiliser, par exemple, peut être synthétique, l'apprentissage implicite représentation, clairsemée facteur, et ainsi de suite, mais quand vous parlez de l'IA classique semble pas particulièrement comme l'ensemble de l'IA symbolique. Donc, moi et quelques personnes que vous ne pouvez pas être amis à la fin il? (Rires) (Annotation: Leslie Kaelbling ont plus de recherche en robotique et AI termes classiques)
Hinton: Leslie et je peux savoir depuis longtemps. La dernière fois que je posté AAAI, était le plus bas depuis tant d'années d'une évaluation, mais aussi des termes très émoussé, il a dit: « Hinton a étudié les idées sept ans, personne ne se intéresse, devrait essayer quoi que ce soit d'autre ". (Rires) En fait, je pensais que je veux juste exprimer le sens des vecteurs de mots. Pour récupérer du coup d'humeur à passer un peu de temps, puis semble maintenant que nous avons fait la bonne chose. Maintenant, nous sommes en position, nous pouvons oublier les choses avant, et maintenant voir si nous pouvons faire une descente de gradient dans le système par un certain nombre de paramètres comprenant de l'intérieur et ne peuvent pas promouvoir cette idée. En fait, la chose la plus importante est que nous l'avons trouvé, cela fonctionne vraiment, il est merveilleux. Nous allons maintenant explorer cette méthode ne peut pas être utilisé pour tirer des conclusions.
Kaelbling: J'ajoute quelques mots, bien que AAAI une fois, peut-être même plus d'une fois pour vous sans ménagement, c'est vraiment pas juste. Nous ne devons pas faire de la présomption d'un tel, les chercheurs ont ensuite traités avec une mauvaise attitude.
Hinton: Totalement d'accord, je vous expliquer pourquoi il y a quelques malveillants ici.
LeCun: J'aime les vues et Hinton. Parlez vision par ordinateur dans mon PPT dans cette page, j'ai dit aussi d'utiliser le symbole de représentation vectorielle, il représente la fonction logique continue. La raison de faire cela parce que nous voulons apprendre et la raison sont compatibles. La seule méthode d'apprentissage réussie est basée sur un gradient d'apprentissage, nous avons donc un raisonnement fondé sur le besoin et l'apprentissage des gradients compatibles. Nous devons faire différentiables, bien que je ne suis pas tout à fait sûr comment spécifique que vous voulez faire, mais je sais que l'idée de faire selon la logique originale de la logique de la façon dont les gens sont intéressés par est ennuyeux même choqué, car il implique la nécessité d'abandonner la ligne actuelle de la recherche a été dans beaucoup de choses. Juste après le domaine de la PNL, il y a quelques années transformateur et un certain nombre de modèles est apparu, de nombreuses informations linguistiques deviennent soudainement moins utiles.
Bengio : Je veux presque dire que je l'ai fini. Je aime aussi mon discours que dit, je pense que nous devrions regarder vers l'avenir et d'envisager comment trouver la meilleure façon de pouvoir jouer à leurs forces tout en apprenant la profondeur, mais aussi résoudre le raisonnement, la compréhension du langage, etc. Dans la méthode classique où souvent utiliser des symboles pour résoudre le problème - Je crois que ces problèmes peuvent être résolus de façon plus moderne. Je pense que le mécanisme de mise au point peut être en mesure de jouer un rôle clé, je dis souvent que mon point de vue avec les autres.
Kaelbling: Pensez-vous vraiment que, en plus de l'apprentissage basé sur il gradient est rien d'autre, une bonne alternative à elle? (Le public rit)
LeCun: Tous les gens qui réussissent les méthodes d'apprentissage sont conçus en fonction des problèmes d'optimisation ......
Kaelbling: (Interrompu) Aléatoire Forêt est-il?
LeCun: Il peut être considéré comme une sorte d'optimisation, il est l'optimisation gourmande. Ensuite, il y a marginalisé, donc une variété de méthodes bayésienne, et certains peuvent être d'une valeur de discussion séparée, mais en quelque sorte, toutes les méthodes d'apprentissage sont basées sur une sorte de problèmes d'optimisation. S'il y a quelque chose d'autre approche différente, alors je suis heureux de savoir - c'est la question soulève en fait, le cerveau humain n'est pas optimisé pour une fonction cible?
En outre, si vous souhaitez optimiser une fonction, vous utilisez l'outil pour optimiser ce qu'il fait? Il est un ordre zéro et sans gradient, ou un ordre de gradient et là, ou d'ordre supérieur, on peut utiliser des gradients, mais ils ont encore besoin d'autres outils. Optimisé pour faire trop de problème d'ordre zéro plus efficace qu'une question de faible ordre, donc si vous pouvez trouver dégradé, puis utilisez la barre gradient. En fait, il y a une telle approche d'apprentissage de renforcement: Parce que la fonction objectif n'est pas différentiables, nous avons donc introduit un critique (critique), son objectif est d'utiliser l'approximation de fonctions différentiables fonction objective, si elle devient micro. Donc, descente de gradient est possible ah.
Kaelbling: Bien que pas la même chose et je vous demande de répondre, mais je comprends ce que tu veux dire (rires du public).
Une autre question, ce début spécial, nous avons parlé, convolution capsules et croire Transformer est utile, il semble que les gens peuvent dire que notre champ entier dans la conception de divers mécanismes visant à accroître la diversité des structures modèle biais et ainsi de suite. Pensez-vous qu'une telle chose possible de trouver combien, juste assez pour concevoir un niveau d'intelligence humaine? Six? Types 60 sortes?
Bengio: Le nombre le plus bas, mais nous ne savons pas.
LeCun: Oui, si seulement 6 espèces, 10 types de structures, ce serait bien, mais nous n'est pas vraiment savoir pas le cas. Sentons qu'il ya de l'espoir, le cortex cérébral humain est un ordre unifié clair, mais tous les neurones dans le cerveau, seule une petite partie appartenant au cortex cérébral, l'autre semble pas plus si la loi uniforme.
A partir des questions des étudiants
Kaelbling: look Let à quelques Ouais, des questions méthodologiques sur d'autres aspects de celui-ci. Il y a beaucoup d'étudiants dans le public, et donc il y a beaucoup de problèmes liés aux étudiants. Beaucoup d'étudiants se posent la question: Il y a beaucoup de recherche universitaire dans les grandes entreprises qui font ces grandes entreprises ont beaucoup de ressources, donc quand Google, Facebook ces sociétés de holding partie d'un grand nombre de ressources, et les étudiants ne sont envieux de lorsque le rôle de l'université est de faire quoi?
Hinton: Permettez-moi de répondre à cela. Je pense toujours que ces pensées vraiment originales, vient d'une bonne faculté universitaire, l'étudiant diplômé qui a obtenu de bons conseils afin qu'ils ne doivent re-faire les choses à nouveau dans l'histoire, mais la vraie fleur plusieurs à temps pour envisager de faire quelque chose de nouveau. Les grandes entreprises bien sûr aussi possible de le faire, mais la plupart encore chose un tel arrivé au collège. Je pense que cela est une véritable université d'avantage. (Applaudissements)
Bengio: Je dois ajouter. zone AI, beaucoup de questions très difficiles peut être pris en compte dans les « problèmes de jouets » (traduction: un spécialement conçu, des questions très simples et de l'environnement) dans une étude minutieuse agrandie. Je pense que nous abandonnons « recherche des problèmes de jouets » abandonnons trop tôt, en particulier dans l'apprentissage machine ici, nous sommes préoccupés par la nécessité d'exécuter deux semaines sur la CPU 2000, type GPU de test très difficile, mais en fait pour beaucoup intéressant le problème, vous pouvez faire l'analyse, ainsi que l'expérience avec échelle normale des ressources. Je dois admettre que, sans ces ressources se sentent parfois frustrés, mais avec tant de ressources et d'énergie aussi apporter des problèmes environnementaux.
LeCun: Je suggère donc que nous construisons une nouvelle conférence, la Conférence internationale sur l'apprentissage profond sur Toy problèmes, « les problèmes de jouets étude approfondie de la conférence internationale. » (Le public rit, les trois hommes se sourirent)
Hinton: Il me fait penser que j'ai beaucoup de suggestions mentionnées plus haut, j'été proposé d'organiser une conférence intitulée « MNIPS », l'algorithme tous les documents doivent être expérimentent MNIST. (Solennellement. Le public rit)
Kaelbling: Impressionnant! Je continue à poser des questions et aux étudiants ont. Les étudiants aimeraient savoir quels livres ils devraient lire, apprendre quoi. En fait, les trois d'entre vous ont mentionné quelques-uns des concepts apparaissent avant l'ère de la modélisation des probabilités, mais que pensez-vous de ce que les élèves doivent apprendre à lire?
Bengio: Vous pouvez être sûr est qu'ils ne doivent pas lire, apprennent la même chose.
Kaelbling: Ce très important dans ce domaine, non seulement une seule voix.
Hinton: Un ancien mentor a suggéré que j'étais « la lecture va se tête faible » (Tiges malléables l'esprit). Alors il a dit, ne lisez pas la littérature, il doit trouver des moyens de résoudre le problème, vous avez à l'esprit à l'avenir, allez lire la littérature. (Applaudissements)
LeCun: Je me souviens Feinman a donné des conseils similaires.
Kaelbling: Les grandes entreprises ne les activités de recherche d'Amnesty International, elles vous trouverez un rendez-vous? (Audience peu à peu commencé à rire)
(Hinton regardant le voir de LeCun FB, laissez-le répondre, LeCun à son tour, a Hinton dans Google, ce qui signifie que vous ne devriez pas avoir à y répondre, il est temps pour Microsoft de faire conseiller Bengio à l'initiative d'ouvrir)
Bengio: Oui, étudier l'industrie de l'énergie fossile peut aider est réservé
LeCun: En fait Google et FB des institutions de recherche AI sont progressivement réduire les émissions de carbone, à la fin de cette année FB peut être atteint zéro émission, mais Google Je ne suis pas sûr.
Hinton: Je pense qu'ils devraient faire plus LeCun reconnaissance de fausses nouvelles, des opinions personnelles
Bengio: Je pense qu'il ya la très forte capacité des entreprises AI ne font pas d'argent en étudiant les applications militaires est très bon
Hinton: C'est quelque chose que nous avons tous trois sont d'accord. Parce que Google ne se sent pas, donc annuler plusieurs milliards de dollars dans un projet du ministère de la Défense, ce qui m'a laissé une profonde impression, donc je pense que le Google d'origine est en fait pas si mal (rires du public).
LeCun: FB totalement ne prenez pas cette liste, on ne question.
expérience de travail de recherche
Kaelbling: Parlons-en quelque chose le sujet normal. Vos idées viennent? Comment décidez-vous d'étudier l'idée?
Bengio: Chaque matin, je les yeux ouverts, j'ai des idées.
Kaelbling: Alors, comment choisissez-vous étudier quoi? Toute la recherche?
Bengio: Un système (système 1) (Annotation: Bengio système 1 et le système 2 mentionné dans son discours, la première est le système intuitif, est principalement responsable de la rapide, inconscient, cognitive non verbale, ce dernier est le système d'analyse logique est consciente, avec une logique la planification, la capacité linguistique). Dites vraiment, il est de compter sur l'intuition, et vous continuez à faire des expériences, ne parviennent pas toujours, et parfois le fera des résultats. Vous devez suivre votre instinct et faire de la recherche qui ne sont pas une telle chose d'un.
LeCun: Je suis bien sûr très dépendante de l'intuition, mais je pense que vous devez être en mesure d'analyser le point crucial des questions importantes. Ensuite, vous aurez une idée, après avoir fait une expérience réussie à votre avis est encore plus naturel, au moins pour vous comme celui-ci, d'autres personnes du monde peuvent avoir eu 20 ans pour penser cette chose claire, ce le procédé est comme ça. Je pense que je pensais convolution réseau de neurones, il est naturel, donc j'ai eu l'idée dans les années 1980 à couches multiples réseaux de neurones, à mon avis, ce qui est naturel. Puis, après une longue période, ils ont commencé à devenir populaire.
Maintenant, je me sens auto-apprentissage supervisé des solutions d'incertitude de prédiction est une chose naturelle, ce sont des questions importantes que nous devons résoudre. Continuer d'améliorer les performances des systèmes existants de diverses manières, bien sûr, il est réellement utile, mais je suis plus intéressé par les choses qui ont des effets à long terme.
Kaelbling: Il y a un autre problème lié au sujet précédent, le réseau de neurones était un temps très impopulaire, continuer à étudier seulement les gens très courageux ...
Bengio: (Interrompu) est « têtu », continuer à étudier que les rebelles
Kaelbling: « Stubborn », le mot bien. Je suppose que d'être un sujet de recherche particulièrement populaire, comment dois-je développer, quelqu'un m'a écrit un commentaire particulièrement émoussés, personne n'aime mes recherches comment faire?
Hinton: Je pense que la première chose à savoir est cette idée plus particulièrement impopulaire pourquoi ils sont particulièrement en colère parce que l'effet ne sont pas bons (rires du public). Donc là, il y a une différence très subtile. Donc, je ne sais pas.
Bengio: Vous trouverez des preuves pour soutenir votre idée, il ne peut pas être tout à fait intuitive. Reposeront sur des preuves des jugements, et se fier entièrement sur l'intuition, il y a une distinction claire. Mais vous avez aussi besoin d'avoir la confiance nécessaire pour continuer à aller de l'avant. Peut-être vos premières expériences faites de temps échoué, mais vous avez fait quelques changements à l'avenir seront couronnés de succès.
Hinton: Je pense que si vous avez vraiment la foi dans une idée particulière, vous ne devriez jamais abandonner. Donc, je fait à ce jour réfléchissent à la manière de faire un effet machine à Boltzmann. (Le public rit) Je crois qu'une telle logique: Si votre intuition est juste, vous devriez aller l'étudier, si votre intuition est fausse, qu'est-ce que vous avez en fait peu d'effet. (Le public rit)
Ont des préoccupations au sujet de la domaine de l'apprentissage machine
Kaelbling: J'ai une question, Jeff juste dit que les étudiants doivent passer beaucoup de temps à réfléchir sur les questions difficiles. Mais mon sentiment est que les articles publiés dans le domaine du cycle en cours est particulièrement courte, le contenu est également à courte vue. Je suis très inquiet que cela entraînera tout type d'impact sur le champ. Je ne sais pas si vous avez le même sentiment?
Bengio: Je me sens très optimiste. La génération actuelle de plus en plus de la science informatique, les chercheurs d'apprentissage de la machine, leur vision semble être très limité les rendements à court terme, faire de la recherche objectif est d'attraper la prochaine réunion du délai de soumission. Mes propres étudiants seraient venus à mon bureau et m'a demandé: Les quatre prochaines semaines ce que je peux faire, parce qu'à ce moment-là sur un délai. Je pense que cela est une très mauvaise chose pour tout le champ, nous devons apporter des changements structurels, encourager les chercheurs à prendre des risques, les problèmes une plus longue période de temps couverte par l'étude.
LeCun: Je pense qu'il ya un spectre continu, à l'étude comment obtenir un score plus élevé dans le test, l'affirmation finale est aussi bon, il avait pas de problème. Avec le développement de ce domaine en effet, il est devenu de plus en plus sollicité vers une application pratique, car il y a de plus en plus de gens sont intéressés par l'application pratique de ces - c'est la raison pour laquelle ils rejoignent le terrain. Je pense que le vrai problème est que lors de la conférence de vision par ordinateur, plus l'accent sur l'application des réunions de la conférence PNL et autres, comment la recherche ont une longue période de nombre absolu de personnes et leur influence à la fin. Je pense que nous devons laisser un peu d'espace pour des réunions moins d'attention Shuafen, « Conférence internationale sur les problèmes de jouets d'apprentissage en profondeur » comme celle juste dire avec désinvolture.
Cependant, il peut encore être délivré pour maintenir une vitesse très élevée, car le système actuel a besoin de trouver un emploi comme ils ont beaucoup de papiers. Toutefois, cela leur permet aussi d'étudier les à long terme, problème complexe, ambitieux.
Bengio: A publié aujourd'hui la pression que quand j'étais étudiant diplômé surtout, le nombre de documents étudiants d'aujourd'hui doivent être achevés au cours de l'étude de doctorat est tout simplement horrible
LeCun: Si nous voulons demander leur doctorat ne sera probablement pas appliquer sur les (rires du public)
Kaelbling: exigences d'intégrité du contenu de papier ne sont pas les mêmes
Bengio: Droit. Il est en fait un effet secondaire, nous estimons que les documents de la conférence sont si importants pour pointer une chose, mais il arrive souvent que, après leurs documents de conférence sont reçus, ils se sont tournés vers l'étude d'autres sujets.
Hinton: Je donne ce processus joue un exemple. Tout le monde a passé que peu de temps pour étudier la question et de faire un peu, puis envoyer les résultats d'un papier comme Sudoku Remplissez les espaces vides apporté un livre très difficile, tout le livre est retourné et plus à l'avenir, le par le nombre de sujet unique dans quelques simples remplir tous les vides, et à d'autres personnes agité pendant désordre. (Le public rit)
public Heure des questions
1 public: la recherche en IA est d'étudier la science? Avec une réponse oui ou non
Hinton: (Problème Répétez à d'autres téléspectateurs) réponse « oui ».
Bengio: Il y a beaucoup de différentes intelligence artificielle des choses que vous pouvez faire, il y a un peu plus biaisé en faveur du projet, certains préfèrent à la compréhension, la compréhension de ceux-ci tendent à être plus comme une « science ».
LeCun: Il y a aussi des « sciences de l'ingénierie », dont une partie est de créer, vous mettre au point une méthode, et l'autre est scientifique, vous analyserez pourquoi cela fonctionne, pourquoi est invalide, et ainsi de suite. La méthode de création de la théorie conduisant à l'expliquer, cela est en fait souvent apparaître dans l'histoire de la science et de la technologie, un exemple typique est le moteur à vapeur, les gens passent plus de cent ans de temps pour savoir où la théorie de la thermodynamique et des moteurs thermiques. Maintenant, si nous voulons créer le moteur à vapeur, et le problème est pas que nous savons de « thermodynamique » où il n'y a rien comme la thermodynamique du moteur à vapeur pour expliquer à expliquer les principes de la sagesse, qui est que beaucoup de mes propres recherches questions scientifiques.
2 audience: la sagesse humaine universelle, mais peut aussi créer des choses abstraites telles que les mathématiques, on peut écrire les équations analytiques, telles que F = ma, ou e = mc ^ 2, le calcul est très simple, il est égal à six et deux par trois aussi simple que possible de faire un tel calcul aurait seulement besoin quelques transistors, peut-être quelques watts, quelques milliwatts de la consommation d'énergie. En revanche, bien que la profondeur de l'apprentissage en général est très puissant, mais nécessitent des milliers de watts de consommation d'énergie. Ainsi est-il possible, par une sorte d'architecture neuronale, nous pouvons en fin de compte ne pas avoir besoin d'une telle puissance de calcul haute, si compliqué, la capacité si élevée.
Bengio: Mais produit F = ma du cerveau humain, il y a un grand nombre de neurones, il y a une très forte puissance de calcul. Si nous voulons que les machines ont aussi la capacité, même si le résultat final peut être généré par une équation très simple, vous devez avoir derrière trop de calculs, l'expérience et l'apprentissage.
Le public 3: On dirait que votre idée semble étonnamment cohérente dans beaucoup de temps, comme la nature transcendantale de besoin, l'auto-apprentissage supervisé et la valeur de l'apprentissage non supervisé et ainsi de suite. Je suis un peu curieux, en plus de ces points de vue cohérente, ces méthodes devraient être comment atteindre, quels éléments sont importants, avez-vous des avis différents endroits?
Bengio: Leslie avait essayé ce problème, mais ne nous permettait pas de se quereller.
Hinton: Je peux dire une différence. La fin de l'adresse e-mail est Yoshua « quebec » (julie.mongeau@mila.quebec), je sentais que je devais écrire un code pays après cela, mais il a estimé inutile (rires du public). (Annotation: Hinton pense maintenant que le Québec fait partie du Canada, il devrait être mila.quebec.ca)
Kaelbling: Cette partie est terminée, je vous remercie trois invités!
(Trois quitté la réunion, les applaudissements du public)
Trois conviction sérieuse et ferme, mais en même temps de l'humour doux, rire au style du passé encore une fois démontré leur comportement, il est aussi possible d'avoir cette attitude, ils peuvent venir avant l'hiver et ouvrir la voie à une nouvelle ère de pleine floraison printanière et la profondeur de l'apprentissage.
Une fois de plus rendre hommage aux trois meilleurs voeux,.
Lei Feng réseau AI Technology Review finition.
