犬心保merial:如何看土耳其无法控制伊德利卜叛军对俄叙联军发动袭击呢？

叙利亚内战爆发的原因相当复杂，但主因一条，12%的什叶派掌握政权时间太长，人口占多数的逊尼派很不甘心受制，在外国势力的支持下就血战了9年犬心保merial。可如今推翻巴沙尔政权越来越没戏了，因为逊尼派族人对未来组建一个什么样叙利亚新政权意见不统一。这就给巴沙尔继续执政留下巨大空间，该收编的收，该孤立的孤立，对死不改悔的"杀无赦"。看来巴沙尔不容易还有些"了不起"！

地球上最有权势犬心保merial、最牛掰的"普大帝"居然亲自到大马士革"小跑"拥抱巴沙尔，这种规格让多国首脑很嫉妒。

土耳其是叙利亚内战的始作俑者之一犬心保merial，目的很明确，推翻巴沙尔，建立一个"穆兄会"掌控的新政权？因为埃尔多安是目前唯一掌控国家政权的穆兄会成员，利比亚的西部民族团结政府也一样是穆兄会成员把握。

说起"穆兄会"犬心保merial，是中东地区历史很久的政治宗教"党派"。埃及的穆巴拉克政权便是穆兄会给推翻的，可执政没几天就倒了。这个穆兄会欧美国家很有市场，中东国家有卡塔尔和土耳其同情且不惜代价的支持。他们的政治目的推翻君主政权，建立世俗政权，还有一点"容不下"库族人。

在土耳其的伊斯坦布尔犬心保merial，有一政治团体"叙利亚全国委员会"的总部在此，该团体2011年8月23日成立，主要成员为300名叙利亚穆斯林兄弟会代表。埃尔多安只支持这个"叙利亚全国委员会"。他的旗下的武装力量是"国民军"，成员清一色的土叙边境难民营地"逊尼派难民"。据报道在土叙边境的350万叙利亚难民，基本上被穆兄会洗脑了。

埃尔多安帮助"叙利亚全国委员会"取代巴沙尔政权，就是建立一个"穆兄会"掌权叙利亚新政府。其他的反政府武装及恐怖组织，与埃尔多安的政治目标格格不入，肯定不支持，也就不听土耳其的招呼了，土耳其如何控制呢？

伊德利卜省境内，目前武装力量最好的"国民军"受土耳其支持控制。征服阵线是欧美国家认定的恐怖组织，背后的金主是中东地区逊尼派"土豪基金会"，没有任何国家明目张胆的支持，是俄叙联军彻底消灭的对象，因为里面有车臣和高加索地区的极端分子，是普京的心头大患。可埃尔多安又默许通过土耳其和边境补充装备，有时只要出钱，土耳其也给卖武器。

还有"沙穆解放阵线"，过去一直叫"沙穆自由人"的武装组织，这一反政府组织由叙利亚反判军官和前叙利亚政府的腐败官员组成，最早的反政府组织。旗下的武装力量接受欧美及海合会国家支持。但与土耳其是道不同也不相为谋，更不会受其控制。当然，土耳其也同样给于方便之门，接道补充武器装备。

总之，土耳其跟俄叙两国的矛盾相当复杂，不过有一点是埃尔多安推翻巴沙尔政权和分裂叙利亚的意志从未改变过。因此，叙利亚政府最大的域外敌对国是土耳其，而不是美国或者其他国家。

为什么大家都不戳破深度学习的本质？

深度学习更像“炼金术”，真正突破要诉诸“人脑”

演讲者为Tomaso Poggio，担任MIT计算机科学与人工智能实验室教授。他是这个世界最早从事人工智能研究的人之一，学生分布在DeepMind（做出AlphaGo）、Moblieye等当今AI顶尖企业。

深度学习：这个时代的炼金术

在这个时代，深度学习有点像炼金术。它要成为真正的化学，还需要很多工作。

23年前，我和Hassabis希望整合计算机视觉和深度学习，创造出一个学习系统，自动辨别行人。当时我们识别出了行人、信号灯，但每秒有10个错误。这是1995年，我们已经非常满意了。

但今天，Mobileye每30英里只出现1个错误，是当年的百万分之一。这种巨大的进步，动因在哪里呢？

首先是机器学习的算法，第一是深度学习，第二是强化学习。它们都来自于认知科学和神经科学。

深度学习的架构，是60年代研究猴子的视觉系统时被发明出来的。创造它，是为了更好研究猴子在学习时大脑的神经结构。然后Fukushima提出了首个量化模型，20年前现代版的HMAX被提出。这些架构都一脉相承——一样的层级架构。从下到上，神经的等级越来越高，每个高级神经元只和下个等级的神经元相连接。

2012年，我们又开发出AlexNet，它是目前性能最好的一个架构。基于神经科学，我们的工程学研究能不断地发展。这是很重要的，因为我们还没实现真正的人工智能。

神经科学：人工智能真正的曙光

深度学习能帮我们解决10%的难题。剩下的90%呢？答案可能在神经科学、认知科学的研究里。

我们必须研究人的思维和大脑。这也是MIT大脑、心智和机器中心CBMM正在研究的问题。我们希望能在理解认知方面有进步，能了解整个智能的架构，和背后的科学原理。大脑中智能的产生，是科学现在要解决的元问题。

为了有所突破，CBMM有以下三条路径：1、计算机科学 机器学习。2、神经科学。3、认知科学。

我们要回答的则是三个基本问题：

1、逼近理论：深层网络在什么情况下，会比浅层网络更有效？

2、最优化：应该如何设计经验风险函数？

3、学习理论：为什么深度学习不会产生过度拟合？

这三个问题，是机器学习的奠基石。它们的答案很复杂，要解决它，我们需要与开始就思考深度学习的局限性，以及一些技术理论。

不理解大脑，就不能真正理解“机器的智能”

越来越人将意识到，下一个重大进展将来自我们对人类智慧、大脑的理解。DeepMind就认可这样的理念（他们老大也是做神经科学的）。

我们正在CBM里面开发一个架构，是超越深度学习的，尝试去描述我们的视觉智慧怎么运作。

现在，能将神经科学的成果成功运用的公司并不多。我们应该集中资源去做基础研究。当一个新生儿理解事物时，他会为它贴上标签，“这是小马、那是汽车。”他只要很少的样本就能归纳一个事物。这才是典型的生物学的运作方式，显然跟当前机器的做法完全不同。

我们的大脑充满了智慧，值得我们做更多研究。当我们谈到机器时，并不能过多去跟人类大脑比较，即便它速度更快。在过去50年，计算机取得了很大的进展。但谈到智慧本身，机器肯定还要从人类这里学习。