未来，人工智能将以何种方式发展？

尽管，目前人工智能以及出现了这样多的进展，但是并不是所有人都认为深度学习是人工智能走向人类智慧的法宝。原因在于，深度学习就像是一个黑盒子，无处得知其中发生了什么，呈现出“经验过多、理论不足”的态势。

并且，由于深度学习过于依赖计算能力和大数据，使得深度学习更趋向于蛮力计算。如何在小样本数据下训练处良好的神经网络，也是目前研究的重要方向。

被誉为深度学习始祖的Hinton表示，我们需要将自己曾经提出的突破性模型都推翻才能彻底改变现有深度学习存在的问题。Hinton认为，我们研究机器视觉的方式是错误的。即使这种方式在目前看来很有用，但是并不意味这是使得人工智能具备像人一样思考的正确道路。

Hinton教授

2010年，Hinton发表关于“胶囊网络”(Capsule Networks)的研究成果。胶囊网络旨在弥补深度学习系统过于依赖数据的缺陷，从而提高对于新场景、新知识的泛化能力。例如，教计算机识别不同角度、不同颜色的猫，可能需要成千上万张不同角度的相片，但是小孩却能够通过少量对猫识别的训练，就能掌握认识其他没有见过的各种角度、各种品种的猫。

目前来看，胶囊网络并没有大量数据和案例来证明其优越性，但是这的确是人工智能领域又一次认知的革新。

今天，我们处于一个相信数据能够解决所有问题的时代，这种以数据为中心的思想的确给我们的日常生活带来很多全新体验。但是数据并不是万能的，数据可以告诉你服用药的病人比不服用药的病人康复得快，但是并不能告诉你原因。

人工智能系统中，无论是深度学习、强化学习还是对抗神经网络，都只能告诉你输入输出之间的相关性，也就是概率论里面的概率。目前没有一个人工智能系统能够百分之百告诉你这张图片中动物肯定是猫，只能告诉你这个动物有95%甚至100%的概率是猫。

人工智能系统识别为概率且不稳定，容易被干扰

人类认识事物的时候，一般都是通过数据进行因果推理和判断，才得出相应的解决方案。而目前的人工智能系统却并不能实现这种因果推导，进一步推断，似乎目前的人工智能系统离这种人类智能思考越来越远。

关于深度学习的未来，Hinton也承认，自己也不知道人工智能革命接下来会将我们带向何处。他说：“在这个领域，很难预测五年以后的事情，毕竟事情往往并不会像你期待的那样如期而至。”

（编辑：西安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!