人工智能所面临的挑战，需要增加学习的哪些地方？

最近签署的建立美国人工智能倡议的行政命令将人工智能视为美国竞争力和国防的核心。然而，目前还不清楚人工智能是否达到了许多人所声称的效果。事实上，目前的技术并没有显示出任何令人信服的迹象，表明任何东西正在接近“智能”。

美国保持人工智能至高无上地位的最佳方式是采取一种更接近人类学习风格的策略。这将使我们走上经济增长和人工智能所承诺的广泛社会利益的道路。

这是大多数深度学习神经网络所面临的挑战，它们反映了人工智能的主流方法：既称它们为深度学习神经网络，又称它们为智能学习神经网络，假设它们在更深层次的网络上实现了更抽象和更有意义的数据表示。它进一步假设，在某些程度上，它们超越了死记硬背，实现了真正的认知或智能。但是，它们并没有。

以计算机视觉为例，深度神经网络在基准图像分类任务中取得了惊人的性能提升。假设计算机视觉算法的任务是将图像正确标记为猫或狗。如果算法正确地标记了图像，那么我们可以得出结论，潜在深度神经网络已经学会了区分猫和狗。

当真正的智能机器最终（可能）出现时，它们将不再像深层的神经网络或其他当前的人工智能算法。像生物机器一样，智能机器必须通过类比学习，才能对周围的物理现象有直观的理解。为了实现这一未来，我们必须首先后退一步，让我们的机器有一个婴儿期，在此期间，它们在世界结构中跌跌撞撞，发现所有智能推理所依赖的直觉物理学。