因为收集，存储和处理大量数据的能力不断增强，人工智能的深度学习越来越完善。如今，深度学习不仅是科学研究的主题，而且还是许多日常应用程序的关键组成部分。
人工智能在深度学习下，整个2010年代发展迅猛，但是十年的研究和应用价值表明，在目前的状态下，深度学习并不是解决创建人类级AI所面临的难以捉摸的挑战的最终解决方案。
我们需要什么将AI推向新的高度？更多数据和更大的神经网络？新的深度学习算法？深度学习以外的方法？
这个话题在AI社区中引起了激烈的讨论。来自不同背景和学科的科学家参加了名为“人工智能辩论2：推动人工智能前进：一种跨学科方法”的辩论。
混合人工智能
共同主持辩论的认知科学家加里马库斯（Gary Marcus）重申了深度学习的一些关键缺陷，包括数据需求过多，将知识转移到其他领域的能力低，不透明以及缺乏推理和知识表达能力。
马库斯一直是对“把深度学习作为人工智能进步的唯一方法”最直言不讳的批评家，他在2020年初发表了一篇论文，其中他提出了一种将学习算法与基于规则的软件相结合的混合方法。
其他发言者还指出，混合人工智能是应对深度学习面临的挑战的最有可能的解决方案。
“科学家面临的主要问题之一是确定AI的组成部分，以及如何使AI更具可信赖性和可解释性，”计算机科学家路易斯兰姆（Luis Lamb）说。
兰姆是《神经-符号认知推理》一书的合著者，他提出了一种基于逻辑形式化和机器学习的神经-符号AI基础方法。
他说：“我们使用逻辑和知识表示法来表示将其与机器学习系统集成的推理过程，以便我们也可以使用深度学习机器来有效地改革神经学习。”
进化的灵感
斯坦福大学计算机科学教授，前谷歌云AI首席科学家李飞飞强调，在进化史上，视觉一直是推动人类智能发展的关键催化剂之一。同样，有关图像分类和计算机视觉的工作已引发了过去十年的深度学习革命。李教授是ImageNet的创建者，这是一个拥有数百万个用于训练和评估计算机视觉系统的带标签图像的数据集。
“作为科学家，我们问自己，下一个北极星是什么？” 李教授说。“不止一个。进化和发展给了我极大的启发。”
他还指出，人类和动物的智能源于对世界的主动感知和互动，而这是当今人工智能系统所缺乏的，现在人工智能系统太过于依赖于人类策划和标记的数据。
“在感知和激励之间存在一个至关重要的循环，从而驱动学习，理解，计划和推理。当我们的AI可以实现具有多模式，多任务，可概括性并且经常与社会互动时，才能更好地实现此循环。
李教授目前在她位于斯坦福的实验室中，正在致力于构建使用感知和激励来了解世界的互动AI。
OpenAI研究人员肯斯坦利（Ken Stanley）还讨论了从进化中学到的经验教训。斯坦利说：“自然界中某些进化的特性是如此强大，还没有在算法上进行解释，因为我们无法创造出自然界中已经出现的现象”， “那些是我们应该继续追逐和理解的属性，这些属性不仅在进化中，也在我们人类自身中。”
强化学习
计算机科学家理查德萨顿（Richard Sutton）指出，在大多数情况下，有关AI的工作缺乏一种“计算理论”，这是由神经科学家大卫马尔（David Marr）创造的，他以视觉研究而闻名。计算理论定义了信息处理系统要追求的目标以及为什么要追求该目标。
“在神经科学领域，我们缺少对整体思维的目标和目的的高层理解，在人工智能中也是如此。“萨顿说。教科书通常将AI简单地定义为“让机器去做人们要做的事情”，而AI中的最新对话（包括神经网络和符号系统之间的争论）都是“关于如何实现某件事的感觉。”
“强化学习是智能的第一个计算理论，”他指的是为AI提供了环境的基本规则，并让他们发现了最大化其奖励的方法。“强化学习是关于目标是什么和为什么的明确说明。在强化学习中，目标是最大化任意奖励信号。为此，AI必须由计算策略，价值函数和生成模型组成。”
他还强调，该领域需要进一步发展商定的智力计算理论，并说强化学习目前是最杰出的方法，尽管他承认其它方法可能也值得探索，但目前缺乏明确的目标。
萨顿是强化学习的先驱，并且是该主题的开创性教科书的作者。他工作的AI实验室DeepMind对“深度强化学习”进行了大量投资，这是将神经网络集成到基本强化学习技术中的一种技术变体。近年来，DeepMind使用深度强化学习来掌握Go，国际象棋和StarCraft 2等游戏。
强化学习与人脑和动物大脑的学习机制有着惊人的相似之处，但同时也遭受了困扰深度学习的挑战。强化学习模型需要大量的培训才能学习最简单的东西，并且严格地限制在他们所接受的狭窄领域。
目前，开发深度强化学习模型需要非常昂贵的计算资源，这使得该领域的研究仅限于财力雄厚的公司，例如拥有DeepMind的谷歌公司和拥有OpenAI的部分股份的微软公司。
将世界知识和常识整合到AI中
计算机科学家和图灵奖获得者朱迪亚佩尔（Judea Pearl）以在贝叶斯网络和因果推理方面的工作而闻名，他强调AI系统需要世界知识和常识才能最有效地利用接收到的数据。
佩尔说：“我相信我们应该构建一个将世界知识与数据结合在一起的系统，仅基于聚集和盲目处理大量数据的AI系统注定会失败。”
“知识不是从数据中产生的。我们利用大脑中的先天结构与世界互动，并且我们使用数据来向世界询问和学习，正如新生儿那样，他们在没有明确指示的情况下学习了许多东西。”
“这种结构必须在数据外部实现。即使我们通过某种奇迹成功地从数据中学习了这种结构，我们仍然需要以与人类可沟通的形式来使用它。”
华盛顿大学崔野今教授也强调了常识的重要性以及常识的缺失对当前AI系统的挑战，这些AI系统的重点是将输入数据映射到结果。
但是我们如何在AI中达到常识和推理呢？崔教授提出了广泛的平行研究领域，包括将符号和神经表示相结合，将知识整合到推理中以及构建不仅仅是分类的基准。
我们仍然不知道通向常识的完整途径。她补充说：“但可以肯定的是，我们不能仅仅通过使世界上最高的建筑物更高而到达那里。”
