更贴，最近确定了研究方向，主要做关于交通拥堵状况下的交通流速度预测问题，当前的模型一般在交通拥堵的时间节点很难较为精确地预测拥堵，所以我们需要提出一种新的模型，从时间和空间两个维度都对城市交通的拥堵状况进行捕捉。如果有做相似研究的朋友们欢迎来交流呀！附上一幅不同节点交通速度趋势图欢迎随时交流学术问题！学术邮箱 [email]jinguangyin18@nudt.edu.cn[/email] 

更贴，在清华好好学习的同时也要坚持运动，响应那句口号“无体育，不清华”，在清华的健身房可是能碰到不少健身大神的哦发几张健身房运动照记录一下生活~

题主可以去了解一下万能近似定律，也就是说从理论上说，只要网络层数足够深，神经元数量足够多，就可以逼近拟合任意函数。神经网络的本质也是矩阵运算，相当于用无数个线性单元去无限近似一个非线性函数，神经网络中加入的一些激活函数是为了使得这种表示更加平滑，更加能近似非线性函数。无论是图像还是序列数据，通过神经网络的映射变换后都可以看做一个个非线性数据分布，所以都可以用神经网络去近似和拟合。

凡是和行为决策/规划有关的场景都可以用到强化学习，比如滴滴的派单业务最近也嵌入了基于强化学习的派单决策。还有城市道路中的交通信号灯的控制也可以运用更智能的强化学习来根据实时的路况规划交通灯的时间长短以达到道路的最大通畅度。还有阿里电商平台上也运用到了强化学习，通过与用户点击购买的交互情况来做出更准确的商品推荐决策。

就拿卷积神经网络识别物体为例，即使对于不同的数据集的，其特征提取的机理都是差不多的，都是逐层通过一定的感受野逐渐从粗特征到细特征进行卷积运算，而卷积核的参数也是必须适应这样的操作的，即使数据集不同，但是运作机理都是差不多的。通过预训练能够有效解决大型复杂神经网络冷启动的训练困难，在一定的基础上更加去适应拟合给定数据域，使得同样的模型可以更高效地在不同数据集之间迁移。

GAN的用途目前还是挺多的，除了制造新图片之外，还可以用于图像/视频的补全，数据样本的扩增，序列数据的生成，还有运用在反向强化学习中。GAN本着上是一种生成模型，通过判别器和最大最小损失函数的使得生成的样本接近于源样本，但是又不同于原样本。GAN可以看作在模仿源数据并且生成一些不一样的东西，看上去确实像是在模仿中得到了一定的创造性一样。但是目前的程度离通用强化学习还很远。首先绝大部分GAN只能用于生成同一类型的样本，即使有跨域生成的工作，其域范围也很有限。而通用人工智能是需要能够同时适应多种完全不同任务的，也就是说是打破单一或者几个数据集限制，而推广到更广泛的域上的一种算法。目前的GAN还是依赖于大量的单一域的数据才能学习到该域中的特征，所以离通用人工智能的距离还很遥远。

个人认为，未来的人工智能发展需要具备体系的思想，通用型的人工智能一定是一个能胜任多任务的复杂系统，所以不应该把两者的发展割裂开，而是应该用体系的思维去看待CV和NLP的发展，两者一定是需要共同繁荣的。而且确实在近两年来这两者的发展越来相互交融，就比如大火的图神经网络，在cv上有很多优秀的应用，同样对于nlp中的序列也可以使用图神经网络建模。还有一些既涉及空间又涉及时间尺度的问题则需要同时发挥这两个领域中优势模型的作用，比如城市计算，智慧交通/物流，时空大数据挖掘等等。所以在未来这两者一定是共同繁荣，相辅相成的。