超越深度学习：人工智能的未来
21世纪初大多数 AI的突破都建立在深度学习和神经网络之上，这促进了机器视觉、自然语言处理、预测和内容生成领域的巨大进步。但是，业界专家依然还在争论着 AI将开启一个技术飞速进步的黄金时代，抑或是一个迅速停滞的时代。
停滞时代抑或黄金时代
有关停滞的论调是认为深度学习具有严重的局限性—训练需要太多样例并且耗时太长，虽然这些AI实现了一些惊人的效果，但它们并没有真正理解世界。深度学习基于 20世纪 80年代中期的算法和 20世纪 60年代开发的神经网络架构。一旦深度学习技术已经达到完美程度，并解决了与技术实现相关的所有问题，在将来 AI进一步发展的过程中就不再存在技术可行的问题。
争论的另一方认为颇具前途的研究可以为 AI引领新方向并解决一系列新问题。
胶囊⽹络
胶囊网络是 GeoffreyHinton智慧的产物，GeoffreyHinton是反向传播技术的创建者，也是深度学习之父。胶囊网络克服了深度学习的一些缺陷。胶囊网络和传统卷积神经网络之间的区别超出了本书的范围，但是胶囊网络能够在一定程度上理解图像特征之间的关系，这使得图像识别引擎更具弹性，且能从更多不同的角度更好地识别物体。
常识
AI通过接受训练得以理解世界。AI并不理解这个世界运作的方式，而常识的缺乏限制了它们的能力。一个家庭机器人在帮我寻找眼镜时，它应该知道首先要找的地方是我的书桌和床头柜，而不是冰箱。
一些组织正努力构建具备常识的 AI。人们正在建立大量的常识概念库，人们用这些常识来帮助自己做出高质量的决策。比如，橙子是甜的，但是柠檬是酸的。一只老虎不适合放进一个鞋盒子里。水是湿的，油是粘的。如果你过量喂食一只仓鼠，它会变肥。我们通常将这些常识视为理所当然，但是对于一个AI来说，这些概念并非显而易见。
艾伦研究所的研究人员利用亚马逊的 MechanicalTurk平台进行众源常识洞察。他们利用机器学习和统计分析提取额外的洞察，并理解事物之间的空间、物理、情感关系。比如，从一个常识性概念“一个女孩正在吃一块饼干”，系统可以推导出饼干是一种食物，而女孩比饼干大。艾伦研究所的研究人员估计他们需要大概一百万条源于人类的常识以训练他们的 AI。
Cyc项目是世界上运行时间最长的AI项目，采取的是另一种不同的方式。自 1984年以来，DougLenat和他的团队已经收集了超过 2500万条以可供机器使用的常识。Cyc 知道诸如“每棵树都是植物”和“每棵植物最终都会死”这样的事情，从这些信息就可以推断出每棵树都会死。Cyc项目当前的开发商 Cycorp公司，宣称全球排名前 15的公司有一半都在授权下使用 Cyc。Cyc被用于金融服务、健康护理、能源、客户体验、军队情报管理。
随着 Cyc项目趋于成熟，常识知识系统可以帮助未来的 AI回答更复杂的问题，并以更有意义的方式帮助人类。
因果 AI
因果 AI能够理解原因和结果，而深度学习系统只是通过发现数据中的相关关系而工作。为了进行推理，深度学习 AI探索数据中的复杂关联关系，并对这些关联关系的发生概率进行评估。通过关联关系进行推理被证明对于今天简单的AI解决方案是足够的，但是关联关系中并不蕴含因果。为了创建与人类智慧水平相当的AI，研究人员需要能力更强的机器。一些 AI研究人员，其中最著名的是JudeaPearl博士，相信 AI向前发展的最佳路径是设计出能够理解原因和结果的AI。这将支撑 AI基于对原因的理解而进行推理。深度学习 AI关联的是事件（A和 B一起发生），而因果 AI理解的是一个事件导致另一个事件的发生（A导致B）而非反过来的其他方式（B导致 A）。解决诸如气候变化等复杂问题所需要的复杂机器，需要能够理解高度复杂系统中的全部因果关系。因果 AI将依赖前文所提到的常识知识为它提供用来进行合理推理的至关重要的上下文。
神经形态计算机
神经形态计算机是受大脑的工作方式启发而设计出来的。今天的神经网络设计都基于自 1960年以来对神经科学的理解。半个世纪之后，我们终于具备了实现这些老旧机器模型的算力。下一次你要求谷歌助理或Alexa播放一些甲壳虫音乐时，要记得你正在使用的AI是滚石和甲壳虫首次竞争榜首的时候设计的。神经形态计算机，即认知型计算机，是基于有关大脑如何运作的最新理解。节点是超连接，它们的连接可以随时间而变化（与人类大脑表现的可塑性的方式相同），而记忆和处理功能之间并无分离。
·
主要研究项目—欧盟的 HumanBrainProject（人类大脑项目）以及由美国发起的 BRAIN（大脑）项目—都在寻求推进我们对人类大脑的理解，并对大脑功能进行映射和理解。这些努力及其他类似的努力，突破了我们理解的边界，并为未来神经形态计算机的设计提供新的框架。受神经形态洞察启发的新型计算机芯片可以增强 AI功能、减少完成 AI任务所需电力的消耗。并启用其他令人振奋的新功能。无论是胶囊式网络、神经形态计算，抑或常识AI和因果 AI，都有大量可行的研究方式助力 AI在未来十年间取得进步。
