8月6日報道稱，人們應用人工智能技術（AI）的所有領域，包括無人駕駛汽車、機器人醫生、超過10億中國公民的社會信用評分系統等，當前都取決于一場關于如何讓AI做其不能做的事的辯論。這個曾經僅僅是學術界關切的問題，現在卻關乎價值數十億美元的人才和基礎設施，以及人類的未來。

據8月4日報道，這場辯論歸根結底在于目前創建AI的方法是否足夠。經過一些微調和擁有足夠的非理性運算能力，人們現在擁有的技術能否能夠做到真正“智能”，即存在于動物或人類身上的那種智能？

報道稱，這場辯論的一方，是“深度學習”的擁護者——這種方法自2012年多倫多大學三位研究人員發表了一篇具有里程碑意義的論文之后便迅速流行開來。盡管這絕非是AI的唯一方法，但是其展示出了超越以前AI技術實現程度的能力。

“深度學習”中的“深度”指的是人工神經網絡中人工神經元的層數。與其生物等效物一樣，帶有更多層神經元的人工神經系統也能夠進行更復雜的學習。

為了理解人工神經網絡，想象一下空間中的一串相互連接的點，就像大腦中的神經元一樣。調整這些點之間的連接強度，就粗略模擬了大腦學習時發生了什么。其結果是一個帶有實現期望結果最佳路徑的神經接線圖，例如正確識別一個圖像。

報道稱，今天的深度學習系統與人們的大腦不同。充其量，它們看起來就像是視網膜的外層，在這里只有很少幾層神經元對圖像進行初步處理。

這樣一個網絡不太可能完成人類大腦有能力完成的所有任務。因為這些網絡并不像一個真正智能的生物那樣了解這個世界，它們很脆弱，并且容易混淆。在某種情況下，研究人員可以通過僅僅改變一個像素來“欺騙”一個流行的圖像識別算法。

報道稱，盡管存在局限性，深度學習推動了圖像和語音識別以及機器翻譯領域“金標”軟件的發展，并且幫助其在棋類游戲中擊敗了人類。這也是谷歌的定制AI芯片和AI云服務以及英偉達公司的無人駕駛汽車技術背后的重要推動力。

AI領域最具影響力的人物之一、谷歌大腦和百度公司AI部門前負責人吳恩達說，有了深度學習，計算機應當能夠完成普通人在1秒鐘或是更短時間內能夠完成的任何腦力工作。自然，計算機應當能夠甚至比人類完成得更快。

報道稱，這場辯論的另一方，是包括優步科技公司AI部門前負責人、現任紐約大學教授的加里·馬庫斯在內的一些研究人員。他們認為深度學習遠遠不足以實現人們被承諾的結果。例如，其永遠不可能奪走所有白領的飯碗，或是引領我們走向一個實現完全自動化的輝煌未來。

馬庫斯說，獲得“一般智力”（要求具有思維、自主學習和構建對世界心理模型的能力）超出了當今AI的能力范疇。

馬庫斯說，想要令AI更進一步，“我們需要從自然中汲取靈感”。這意味著需要提出其他類型的人工神經網絡，以及在某些情況下，賦予它們內在的、預定程序的知識——就像所有生物與生俱來的本能一樣。

多倫多大學機器學習專業助理教授戴維·杜弗諾說，許多研究人員都贊同這一點，并且正在致力于補充深度學習系統，以克服其局限性。一個集中研究的領域正在確定如何從一個現象的一些事例中學習——而不是深度學習系統通常要求的數百萬個事例。

報道稱，研究人員也試圖賦予AI構建對世界的心理模型的能力，嬰兒甚至在他們的第一年就能完成這樣的事。因此，盡管一個曾經“看”到過100萬輛校車的深度學習系統可能會在第一次看到一輛顛倒的校車時無法辨認，但是，一個對于校車構成（即車輪和黃色底盤等）有著心理模型的AI系統，將能夠更容易的辨認出一輛顛倒的校車。