因為收集，存儲和處理大量數據的能力不斷增強，人工智慧的深度學習越來越完善。如今，深度學習不僅是科學研究的主題，而且還是許多日常應用程式的關鍵組成部分。
人工智慧在深度學習下，整個2010年代發展迅猛，但是十年的研究和應用價值表明，在目前的狀態下，深度學習並不是解決創建人類級AI所面臨的難以捉摸的挑戰的最終解決方案。
我們需要什麼將AI推向新的高度？更多數據和更大的神經網絡？新的深度學習算法？深度學習以外的方法？
這個話題在AI社區中引起了激烈的討論。來自不同背景和學科的科學家參加了名為「人工智慧辯論2：推動人工智慧前進：一種跨學科方法」的辯論。
混合人工智慧
共同主持辯論的認知科學家加裡·馬庫斯（Gary Marcus）重申了深度學習的一些關鍵缺陷，包括數據需求過多，將知識轉移到其他領域的能力低，不透明以及缺乏推理和知識表達能力。
馬庫斯一直是對「把深度學習作為人工智慧進步的唯一方法」最直言不諱的批評家，他在2020年初發表了一篇論文，其中他提出了一種將學習算法與基於規則的軟體相結合的混合方法。
其他發言者還指出，混合人工智慧是應對深度學習面臨的挑戰的最有可能的解決方案。
「科學家面臨的主要問題之一是確定AI的組成部分，以及如何使AI更具可信賴性和可解釋性，」計算機科學家路易斯·蘭姆（Luis Lamb）說。
蘭姆是《神經-符號認知推理》一書的合著者，他提出了一種基於邏輯形式化和機器學習的神經-符號AI基礎方法。
他說：「我們使用邏輯和知識表示法來表示將其與機器學習系統集成的推理過程，以便我們也可以使用深度學習機器來有效地改革神經學習。」
進化的靈感
史丹福大學計算機科學教授，前谷歌雲AI首席科學家李飛飛強調，在進化史上，視覺一直是推動人類智能發展的關鍵催化劑之一。同樣，有關圖像分類和計算機視覺的工作已引發了過去十年的深度學習革命。李教授是ImageNet的創建者，這是一個擁有數百萬個用於訓練和評估計算機視覺系統的帶標籤圖像的數據集。
「作為科學家，我們問自己，下一個北極星是什麼？」 李教授說。「不止一個。進化和發展給了我極大的啟發。」
他還指出，人類和動物的智能源於對世界的主動感知和互動，而這是當今人工智慧系統所缺乏的，現在人工智慧系統太過於依賴於人類策劃和標記的數據。
「在感知和激勵之間存在一個至關重要的循環，從而驅動學習，理解，計劃和推理。當我們的AI可以實現具有多模式，多任務，可概括性並且經常與社會互動時，才能更好地實現此循環。
李教授目前在她位於斯坦福的實驗室中，正在致力於構建使用感知和激勵來了解世界的互動AI。
OpenAI研究人員肯·斯坦利（Ken Stanley）還討論了從進化中學到的經驗教訓。斯坦利說：「自然界中某些進化的特性是如此強大，還沒有在算法上進行解釋，因為我們無法創造出自然界中已經出現的現象」， 「那些是我們應該繼續追逐和理解的屬性，這些屬性不僅在進化中，也在我們人類自身中。」
強化學習
計算機科學家理察·薩頓（Richard Sutton）指出，在大多數情況下，有關AI的工作缺乏一種「計算理論」，這是由神經科學家大衛·馬爾（David Marr）創造的，他以視覺研究而聞名。計算理論定義了信息處理系統要追求的目標以及為什麼要追求該目標。
「在神經科學領域，我們缺少對整體思維的目標和目的的高層理解，在人工智慧中也是如此。「薩頓說。教科書通常將AI簡單地定義為「讓機器去做人們要做的事情」，而AI中的最新對話（包括神經網絡和符號系統之間的爭論）都是「關於如何實現某件事的感覺。」
「強化學習是智能的第一個計算理論，」他指的是為AI提供了環境的基本規則，並讓他們發現了最大化其獎勵的方法。「強化學習是關於目標是什麼和為什麼的明確說明。在強化學習中，目標是最大化任意獎勵信號。為此，AI必須由計算策略，價值函數和生成模型組成。」
他還強調，該領域需要進一步發展商定的智力計算理論，並說強化學習目前是最傑出的方法，儘管他承認其它方法可能也值得探索，但目前缺乏明確的目標。
薩頓是強化學習的先驅，並且是該主題的開創性教科書的作者。他工作的AI實驗室DeepMind對「深度強化學習」進行了大量投資，這是將神經網絡集成到基本強化學習技術中的一種技術變體。近年來，DeepMind使用深度強化學習來掌握Go，西洋棋和StarCraft 2等遊戲。
強化學習與人腦和動物大腦的學習機制有著驚人的相似之處，但同時也遭受了困擾深度學習的挑戰。強化學習模型需要大量的培訓才能學習最簡單的東西，並且嚴格地限制在他們所接受的狹窄領域。
目前，開發深度強化學習模型需要非常昂貴的計算資源，這使得該領域的研究僅限於財力雄厚的公司，例如擁有DeepMind的谷歌公司和擁有OpenAI的部分股份的微軟公司。
將世界知識和常識整合到AI中
計算機科學家和圖靈獎獲得者朱迪亞·佩爾（Judea Pearl）以在貝葉斯網絡和因果推理方面的工作而聞名，他強調AI系統需要世界知識和常識才能最有效地利用接收到的數據。
佩爾說：「我相信我們應該構建一個將世界知識與數據結合在一起的系統，僅基於聚集和盲目處理大量數據的AI系統註定會失敗。」
「知識不是從數據中產生的。我們利用大腦中的先天結構與世界互動，並且我們使用數據來向世界詢問和學習，正如新生兒那樣，他們在沒有明確指示的情況下學習了許多東西。」
「這種結構必須在數據外部實現。即使我們通過某種奇蹟成功地從數據中學習了這種結構，我們仍然需要以與人類可溝通的形式來使用它。」
華盛頓大學崔野今教授也強調了常識的重要性以及常識的缺失對當前AI系統的挑戰，這些AI系統的重點是將輸入數據映射到結果。
但是我們如何在AI中達到常識和推理呢？崔教授提出了廣泛的平行研究領域，包括將符號和神經表示相結合，將知識整合到推理中以及構建不僅僅是分類的基準。
我們仍然不知道通向常識的完整途徑。她補充說：「但可以肯定的是，我們不能僅僅通過使世界上最高的建築物更高而到達那裡。」