导读： 在过去几年中，深度学习神经网络已经走过了漫长的道路 - 我们现在拥有的系统能够在诸如将棋，围棋和国际象棋等复杂游戏中击败人们。但这...
在过去几年中，深度学习神经网络已经走过了漫长的道路 - 我们现在拥有的系统能够在诸如将棋，围棋和国际象棋等复杂游戏中击败人们。但这些系统的进步是否受其基本架构的限制?Weizmann科学研究所的Shimon Ullman在“ 科学 ”杂志的一篇Perspectives文章中提到了这个问题，并提出了一些计算机科学家可能超越简单的AI系统来创建人工一般智能(AGI)系统的方法。
深度学习网络能够学习，因为它们已经被编程为创建人工神经元以及它们之间的连接。当他们遇到新数据时，它们之间形成了新的神经元和通信路径 - 非常类似于人类大脑的运作方式。但是这样的系统在能够做任何有用的事情之前需要大量的训练(和反馈系统)，这与人类学习的方式形成鲜明对比。例如，我们不需要观察成千上万的人在学习如何跟随别人的目光，或者发现笑容是积极的。
Ullman认为这是因为人类天生就具有他所描述的预先存在的网络结构，这些结构被编码到我们的神经回路中。他解释说，这种结构为成长中的婴儿提供了对他们所存在的物理世界的理解 - 他们可以在此基础上建立更复杂的结构，从而产生一般情报。如果计算机具有相似的结构，那么它们也可以发展物理和社交技能而无需成千上万的例子。
但是存在一个问题 - 神经科学家不知道这些结构在大脑中的存在方式和位置。这使得创建用于计算机的人工版本变得困难。Ullman认为，建立更复杂的人工智能系统的途径在于更多地了解人类大脑及其学习方式，以及它如何利用其学到的知识做出有关日常生活的决策。他还指出，实际上还有一种替代方法 - 从“划痕”构建计算学习方法。但他承认，这样做可能与弄清楚我们自己的大脑是如何运作一样困难。