人工智能的核心问题其实就是如果让我们设计的模型和算法能够在未知的数据上有不错的表象。这也就是我们时常提及的“模型的泛化”能力。日前在人工智能的顶级会议NeurIPS 2020上，Francois Chollet和Melanie Mitchell做了一个关于“抽象和推理”（http://t.cn/A6q5Vj5N)的教程，来阐述在深度学习蓬勃发展的今天如何来看到模型的泛化能力。

在这个教程里，Francois和Melanie分别列举了不少目前深度学习模型在一些看似表现很好的任务中， 因为数据的一些非常微小的变化，而产生模型表现大幅度下降的例子。同时，他们也给出了如何解决这类问题的方向，那就是把深度模型所擅长的“模式识别”和“抽象推理”结合起来。

Francois Chollet（http://t.cn/A6q5Vj59）目前在Google工作，著有“Deep Learning with Python”这本畅销书，也是深度学习框架Keras的作者。Melanie Mitchell（http://t.cn/A6q5Vj5C）是波特兰州立大学的教授，著有多本人工智能的书籍。