深度学习：通用人工智能的关键

深度学习算法是人工智能的前沿，也是自主驾驶的主要组成部分之一。但尽管深度学习近年来推动了人工智能领域的发展，但它本身及其基础技术，如深神经网络，仍面临着一些根本性的问题，使它们无法复制人脑的一些最基本的功能。这些挑战是众所周知的，越来越多的科学家承认，这些问题可能会对人工智能的未来造成严重障碍。

人工神经网络已经被证明是非常有效的检测模式，在大多数情况下，增加神经网络的规模并在更大的注释数据集上训练它们，就可以提高它们的准确性，这一特点造就了一种“越大越好”的心态，促使一些人工智能研究者通过创建越来越大的人工智能模型和数据集来寻求改进和突破。但到目前为止，仍然没有任何与人脑1000亿个神经元结构相匹配的神经网络，这说明了一个问题，目前的人工智能系统、这种“越大越好的方法”存在缺陷，是存在缺陷的。

当前的深度学习系统“犯了愚蠢的错误”，并且“对分布的变化不太可靠”，这是当前人工智能系统的主要关注点之一。神经网络容易受到对抗性例子的影响，数据的扰动会导致人工智能系统以不稳定的方式工作。特别是在敏感域，错误可能会造成致命的后果。

深度学习已经创造了许多有用的system 1应用程序，特别是在计算机视觉领域。如今，人工智能算法执行图像分类、目标检测和面部识别等任务，其准确度往往超过人类。语音识别和语音到文本转换是当前深度学习系统表现良好的其他领域。但是，即使在深度学习已经取得实质性进展的领域，system 1的工作效果也有限制。

于是，system 2应运而生，它可以做很多system 1无法做到的事情。尽管非常缓慢，但这却是从无到有的蜕变，重要性不言而喻。

Bengio提供了关于如何改进深度学习系统system 2的方针，细节是非常技术性的，参考了过去几年的一些研究论文和项目。他演讲中反复出现的一些主题，为开发者们提供了下一步行动的线索。因果关系是当前机器学习系统的一个主要缺点，其核心是寻找和匹配数据中的模式。Bengio相信，拥有能够组合和操作这些命名对象和语义变量的深度学习系统，将实现具有因果结构的人工智能。