，形势越来越明朗：增加算力和更多数据并不能解决AI面临的挑战。在NeurlPS2019上，很多专家讨论了AI的未来，认为深度学习算法的瓶颈已经出现。有些人认为深度学习方法可以进化，而另一些人则期待新方法的出现。相似的是，专家们将目光转向了生物学，希望从自然智能中获得灵感。深度学习的局限性来自于谷歌的AguerayArcas说：我们有点像赶公交车的狗。他表示，深度学习解决了人工智能领域的一些长期挑战，但目前仍有许多挑战无法解决。涉及推理或社交智能的问题，例如使用AI来衡量潜在雇员，仍然遥不可及。所有当前训练的模型都只是通过了测试，或者赢得了计分比赛。但是像人类这样的智能可以做的远远超出这种常规模式。深度学习三巨头之一、图灵奖获得者YoshuaBengio在接受Spectrum采访时表示：目前的深度学习还达不到两岁小孩的智商。完成一项任务需要大量的数据，会犯很多愚蠢的错误。错误。从公司落地来看，对技术实现的预测也变得谨慎起来。谷歌对自动驾驶出租车实现的预测已经从乐观转为克制。Facebook人工智能副总裁杰罗姆·佩森蒂(JeromePesenti)最近表示，他的公司和其他公司不应期望仅仅通过开发具有更多计算能力和数据的更大的深度学习系统来继续在人工智能领域取得进步。创新的呼声面对这一现实，人们提出了自己的建议。Arcas和Bengio都希望与会者考虑自然智能的生物学根源。阿卡斯演示了一项模拟细菌的实验。这些细菌以人工进化的方式觅食和交流。而YoshuaBengio认为深度学习可以奏效，他正在向工具箱中添加更多东西。他在会议上以fromdeeplearningsystem1todeeplearningsystem2为主题发表演讲，提出softattention和deepreinforcementlearning方法可以促进推理、规划、捕捉因果关系等问题的解决。他的新方法受到自然智能的启发。基于意识先验做出相关性假设，许多高级依赖关系可以被稀疏因子图近似捕获。软注意力机制构成了一个关键因素，它可以一次将计算集中在几个概念上（“有意识的思考”）。蒙特利尔大学副教授IrinaRish希望能出现新的想法：深度学习很棒，但我们需要一个不同的工具箱。他回忆起2006年的一次非正式深度学习研讨会，称其为“宗教聚会”，组织者拒绝接受边缘技术思想。尽管深度学习是今年大会的主流，但他希望他的演讲能够支持新思想的出现。还讨论了元学习的新渠道。Uber研究员JeffClune表示他将于明年加入OpenAI。他也是元学习这一新兴领域的成员。该领域希望实现AI可以设计自己的学习算法。他在演讲中介绍了POET配对和开放式先驱，让AI掌握自我进化变得更聪明。这种方法的灵感之一是自然进化。他举了一个例子，一双动画腿可以自动学会在更复杂的地形上行走。场景的多样性和复杂性会自动增加，最终你可以学会自己下楼梯。你有没有想过人工智能的发展将如何实现下一个突破？
