深度學習是通往類人AI的道路嗎？加拿大AI研究人員Yoshua Bengio給出的回答是：是的，如果AI研究人員能設法解決功能遷移學習、高級認知和更多的人工智慧操作空間這三個重要問題的話。
新任務和遷移學習
當前的AI系統高度專業化，遇到未知的任務會即刻失敗，因此，必須就每個任務對它們進行訓練，比如，一個圖像分析AI，雖然已經可以識別貓，但要用來識別老虎，就必須用幾十張老虎的圖片來重新訓練它。而一個孩子通常通過一個例子即可學習區別。
成功的遷移學習應大大減少訓練實例的數量，從而使神經網絡的學習能力更接近於人。這將使AI系統更加靈活，並大大提高學習速度。
在實踐中，已有一些初步的成功，例如谷歌的圖像分析AI Inception，這是一種經過預先訓練的AI模型，經過少量訓練後就可以成功地用於檢測疾病。到目前為止，除了在專業化領域，幾乎沒有其他AI系統實例可以自我學習新任務。
高級認知的特性
人類智力有很多方面：直覺，邏輯思維，有意識和潛意識的反應，戰略計劃，以及本能行為。心理學家丹尼爾·卡尼曼（Daniel Kahneman）在有影響力的大腦研究暢銷書《思維，快和慢》中將人類認知分為「系統1」和「系統2」。
「系統1」的認知是直覺的、快速的、無意識的、非語言的和習慣性的。「系統2」的認知是緩慢的、邏輯的、順序的、有意識的、語言的、算法的、計劃的和推論的，能操縱高級的語義概念並理解因果關係。
Bengio認為，當前所有的深度學習系統都可以再現「系統1」的認知。類似人類的深度學習系統還必須重現「系統2」認知的某些（如果不是全部）特性。
已經有嘗試通過深度學習系統學習至少部分的「系統2」認知。例如，來自Deepmind的新研究論文表明，神經網絡可以擊敗CLEVRER，滿足衡量得出簡單邏輯結論能力的基準。
現實世界中有視角的AI
Bengio說，除了遷移學習和「系統2」認知能力外，類人AI還需要現實世界中人的視角。例如，AI可以體現在機器人中，從而暴露於變化的環境中，例如不同的位置、時間、傳感、目標或策略。
Bengio認為，特別是與其他代理的交互可能會導致AI系統不斷學習，因此可能有助於遷移學習的發展。Bengio還認為與現實世界的互動對於理解因果關係必不可少，而這又是「系統2」認知的基本技能。
通過機器學習探索意識
Bengio將上述路徑視為關於人類類人工智慧的研究項目。他認為，這三個研究項目都是相互聯繫的，只有解決了這三個問題，才有可能實現類似人類的AI。他不使用通用人工智慧一詞。他同意Facebook的AI研究員Yann LeCun的觀點，即不存在一種通用的智能形式——如果存在，那麼它就不是人類。
根據Bengio的說法，在通往類人智能和「系統2」認知的道路上需要意識。但是，目前尚無關於意識的公認的科學定義。Bengio在這裡看到了AI研究的巨大機會：現在是時候通過機器學習來探索意識了。人工智慧研究可以形式化並測試意識的特定功能。
Transformer技術的發明是該領域邁出的第一步，該技術是機器注意力的一種機制，在過去兩年中從根本上提高了語音和圖像AI的功能。下一步是研究人工意識。