2021年机器深度学习还有哪些坑比较好挖？

从做框架的角度看到几个方向，供参考：

1、AI与科学计算结合

AI技术，特别是深度学习/强化学习/图神经网络等方法，基于实验或者计算产生的数据对所求解的问题进行可计算建模，从而得到复杂问题的有效解决方式，这对当今科学的研究范式已经产生了巨大影响。经过近几年的发展，通过AI建模/AI求解/框架加速等手段，已经渗透到科学的各个领域，例如数学，化学，物理等，这里我列举几个AI+科学计算解决传统问题的实例，抛砖引玉，欢迎大家讨论。相信未来几年，AI与科学计算交叉研究与应用，会保持很高的热度。

2、通过Transformer堆叠的成大模型的思想，从NLP推广到CV、多模

这个就不用多讲了（GPT-3、swith transformer、DALLE等），不过同时带来的挑战是这些超大模型怎么部署到边和端。

3、AI进入千行百业，AI的可信可能是未来研究的热点

这里包括数据和模型的隐私、模型的鲁棒性、模型的防窃取、数据防投毒、模型的可解释性等等。

看了几个回答，都在说因果推断、知识图谱，这其实都是一个东西，都是上世纪专家系统的舶来品，是基于符号人工智能的产物。不能说不行，但是目前进步不大，而且太偏理论，不好进行研究；比如，你说你研究CV或者NLP都知道你在研究什么，但是你要说你在研究神经网络，是不是面太宽了，研究也可以，但是难度很大，不建议为了毕业这么研究。

此外，有人说NLP已经研究不出来什么了。NLP作为人工智能的明珠，是一个图灵完备的问题，如果NLP能彻底解决，强人工智能就能顺势诞生。目前阶段，我感觉距离NLP发掘完毕还很远，远到根本看不到车尾。

结合其他答案，可以研究基于知识图谱、实体关系的NLP。前几年的自然语言技术（忘了简称了）比赛也提到了这个方向，貌似还不错。有基于结构化信息的，有基于知识图谱和，有基于开放域的。

AI+医学图像。

这是比较适合刷文，但不一定适合业界。

一个很明显的苦难是，很多医学图片的差别几乎都是微小的。但这个最缺的是数据，如果有公司弄个超大数据集，可能下一个五年又是CV的了。

PS：高赞的因果推断已经做了几十年的东西了，不要轻易入坑啊。

编辑：jq