現在每一個人都正在學習，或者正打算學習深度學習，它是目前人工智能諸多流派中唯一興起的一個。各個年齡階段的數十萬人都在學習著免費和收費的深度學習課程。太多的創業公司和產品的命名以“深度”開頭，深度學習已然成了一個流行語，但其真正的落地應用實際上卻很少。絕大多數人忽略了一個事實：深度學習只占機器學習領域的1%，而機器學習又只占人工智能領域的1%。而實際中的絕大多數任務則是用余下99%的知識技術來處理的。一個“只會深度學習的專家”并不是“人工智能專家”。

深度學習并不是人工智能的同義詞！由于谷歌、Facebook等巨頭公司宣傳人工智能工具時主要談的就是深度學習，甚至只談深度學習，因此大眾誤以為所有的人工智能新的篇章都（將）由深度學習書寫。然而，真實情況并非如此。決策樹算法，比如 XGBoost沒有成為頭條，卻在很多Kaggle表格數據競賽中默默地擊敗了深度學習。媒體暗示AlphaGo的成功全部歸于深度學習，但實際上它是蒙特卡洛樹搜索+深度學習，這表明深度學習單槍匹馬很難取勝。很多強化學習的任務是通過神經進化的 NEAT 算法（通過增強拓撲的進化神經網絡）得到解決的，而不是反向傳播算法。人工智能領域存在著“深度誤傳”。

我并不是說深度學習沒有解決問題：它令人印象深刻。樹和其他算法并沒有完勝深度學習，并且在某些任務上深度學習無法被取代，但是我希望未來一些非深度學習系統可被（重新）發現以擊敗深度學習。或許能解釋目前深度學習決策的黑箱問題。同樣我也希望能讀到探討“災難性遺忘”問題的深度學習文章，它是指在學習新知識時快速遺忘先前已學習知識的傾向，并且需要每天對抗“過擬合”。關于“智能”：深度學習會簡單相信所給的訓練數據，而不去理解什么是真或假、現實或想象、公平或不公。人類也會誤信假新聞，但只是在某種程度上，甚至孩童都知道電影是虛構的，不是真實的。

20 年前，每個人都在學習 HTML，這個手動編寫網頁的標記語言當時被認為足以成就一個互聯網億萬富翁。和其他人一樣，我學習了每一項看起來有用的技術，如 HTML、移動app和深度學習，并且我希望大家在今后的人生都一直學習新事物。事實上，你一生中不能只學習一項技術。即使你學習了深度學習，你也不會一輩子了解人工智能。1995 年 HTML 開始過時，無法滿足需求，取而代之的是 CSS、Java 和服務器語言。同樣地，深度學習有一天也會過時，并且無法滿足需求。現在大多數流行的手機 APP 根本用不到 HTML，那么誰又會知道未來的人工智能APP是否用得到深度學習呢？

不過實際上，深度學習是 1980 年代的技術，比HTML還老：由于有了更多的訓練數據，1970 年代的“帶有隱藏層的神經網絡”得到了更好的結果，被重新命名為深度學習，之后被大肆炒作。1992年我簡要地查看了一些神經網絡的源代碼，以及分形算法和細胞自動機。正如絕大多數人一樣，當時我并沒有選擇深度學習，只是把它當作毫無實際價值的學術數學難題。相反，我重點學習視頻游戲的 3D 技術、互聯網技術等等，因為它們可以即刻獲得結果。但是我們都錯了，深度學習借助大數據可以大有作為！2015 年的 Deep Dream 簡直令我著迷，接著是GAN等等。不過，深度學習并不是人類可以創造的完美人工智能科技的終點。

數十年來，“古老”的深度學習技術已被廣泛研究和更新以更準確地解決更多任務，但是沒有一個深度學習網絡結構（卷積、RNN、RNN + LSTM、GAN 等）可以解釋其自身的決策。無疑深度學習在未來還會解決更多的問題，取代更多的工作，但不太可能解決所有的問題，或者保持驚人的進步以對其所作決定的公正性進行合理的解釋。

深度學習無法理解哲學家柏拉圖與亞里士多德

未來人工智能應探索其他的新方法，或者被忽視的舊方法，而不僅僅是深度學習。深度學習的一個局限是把數據中最常見的內容作為真理，把統計學上較稀少、或與較常出現的內容相反的東西看作謬論。深度學習的公正性并非來自其自身，而是人類篩選和準備的深度學習數據。深度學習可以閱讀并翻譯文本，但不是以“人類的方式”。如果使用超過100本書訓練深度學習模型：40本書告訴它仇恨、戰爭、死亡和摧毀如何是壞的，60本書告訴它希特勒的納粹思想是好的，那么該模型最終會成為100%的納粹!