还记得害怕被阿尔法狗控制吗？最新的“人工智能恐怖故事”是谷歌教人工智能踢足球，并创造了“人工智能贝克汉姆”。

事实上，这个足球人工智能研究项目——谷歌足球研究——早在今年6月就出现在谷歌报告中，此前在Github上以开源形式发布了足球环境游戏的测试代码。

随着谷歌作为“人工智能世界的顶尖玩家”的地位和当前的信息效率，它突然变得流行起来。反射弧真的有点太长了。是不是因为媒体没有把热点揉在一起，变成了冷饭和热火？

答案可能就在“下一代人工智能”这个铺天盖地的标题中，在古代网络语言中听起来很性感。

在此之前，在《星际争霸》 《DOTA2》超越人类团队的人工智能没有赢得这一荣誉。踢足球将引领未来。人工智能和人工智能之间的区别怎么这么大？

这一代人工智能有多大的发展空间？

公众越来越意识到人工智能不能表演魔术。然而，回到2016年，我相信绝大多数人不会否认他们担心他们的工作会被人工智能所取代，并且因为机器人网络“红色索非亚”而害怕得发抖。他们认为《终结者》 《黑客帝国》 《西部世界》迟早会到来，这是他们亲身经历的一个心理过程。

传统“人工智能恐怖故事”的破产不仅是由于技术人才的积累，也与基于深度学习的技术上限有关。

例如，基于巨大的数据操作，训练人工智能玩视频游戏通常要花费数十万美元。例如，它是黑盒。没有深层次的学习结构(卷积、RNN、LSTM、GAN等。)这可以解释一个人的决定。有许多事情像歧视、咒骂和发明新语言。另一个例子是他们只能做“填空题”。当遇到需要常识、共识、推理等的问题时。他们表现得像弱智的人，很容易被愚弄。例如，如果打印的人脸识别实现了，或者如果智商低于预期，医疗诊断、机器人、自动驾驶等。进展缓慢。一直反对骨质疏松症的马斯克最近推出了一种新的基于计算机视觉感知的无人驾驶方案。

一般来说，深度学习真正能够成功实现的是在给定大量人工标注数据的情况下，实现两个空间对象之间的映射。这与人们所期望的“事半功倍”的强大AGI人工智能相去甚远

因此，著名的“人工智能反对者”专家菲利普·皮埃克涅夫斯基(Filip Piekniewski)声称，他已经把“人工智能冬天”的壶留给了深入的学习。虽然其中有些是耸人听闻的，但它们也可能指出一个实际而严重的问题。如果基于深度学习的人工智能应用程序不再继续改进，那么相关行业达到“终点”(尤其是风险投资项目)只是时间问题

DL不是终极算法，你不妨继续沉迷于游戏。

既然是这样，我们怎么做人工智能呢？理论上，有两种观点:一种是深度学习的自我进化，在原有基础上引入新技术来弥补一些先天不足；另一个是找到一个“备用轮胎”来支持人工智能中的其他学校。

目前，科技企业似乎真的渴望变量出现，但他们更愿意成为温和的“改革派”。毕竟，培养接班人以“彻底推翻腐败政权”需要一个漫长的过程。

以谷歌食品引擎为例，让代理通过奖励机制获得动态策略，从而学习规则和踢腿技能(强化学习)。

然而，称之为“下一代人工智能”有点太令人鼓舞了。

首先，《游戏足球》并没有完全脱离深度学习的模式。根据对手的实力，系统提出了三种版本的基准问题:简单、最终和困难，其中简单级别的比赛采用单机算法，而困难级别采用分布式深度学习算法。

此外，系统采用的训练方法(即强化学习)与OpenAI Five在Dota 2游戏中击败世界一流的电子竞技团队OG并赢得《魔兽争霸》人机大战时采用的训练方法没有本质区别。所有这些都是为了让代理学会与环境互动，并在复杂的实时战略游戏中解决复杂的任务。

同时，作为机器学习的一个分支，强化学习离AGI还很远。深层次学习的三巨头扬·勒村和辛顿都认为，目前用来实现“人工智能效应”的技术不适合实现(真正的)人工智能。这就像如何优化车厢的核心技术和如何制造汽车一样。

此外，还有许多类似的机器学习方法来弥补深度学习的不足。

例如，小样本学习和无监督学习摆脱了对大规模数据集的需要和人工专家的监督，提高了自主训练的效率。元学习解决了通过深度学习培养的智能体技能单一和缺乏常识的问题。深度学习的大神辛顿也在2015年提出了一项黑色技术——知识蒸馏。通过知识转移，借助训练好的大模型可以获得更适合推理的小模型，从而提高大规模计算集群上深度学习的训练性能。

综上所述，所谓“下一代人工智能”的核心是弥补深入学习在理解能力、多模态仿生学、应用性价比等方面的不足。作为过渡计划，这种“深入学习”预计将持续很长时间。然而，要真正实现AGI的期望，还有很长的路要走。

追求下一代人工智能可能会带来更广阔的技术领域。

我们今天看到的大部分人工智能产品想法都是基于深度学习模式的。换句话说，就是将深度学习和其他算法结合起来，让“人工智能”走向数千家企业。

然而，也有许多科学家是完全“革命性的”，他们想出了许多新的方法来帮助人工智能，这也可能隐藏了打破规则的可行性。

例如，辛顿试图通过胶囊网络颠覆传统的深度学习算法，用神经元向量代替传统神经网络的单个神经元节点，并允许不同的神经元携带不同属性的信息进行下一级操作。实践证明，学习到的知识可以自动扩展到不同的新场景，如人类视觉系统，这被认为是人工智能未来赋予常识推理的关键技术。

其他专家坚持认为基于逻辑规则的符号系统可以实现人工智能推理。一些学者和初创企业正在用Prolog(一种基于符号的编程语言)开发新工具。理论上，训练可以通过很少的数据来进行，事实和概念可以自己处理，然后事实推理可以自动生成。

然而，总的来说，人工智能学校的其他分支仍然难以撼动“深度学习2.0”的主流地位。除了该行业在深度学习和衍生技术应用方面的大量投资外，美国国防高级研究计划局还准备了一个名为“机器常识”的项目，以促进和分享模拟人类常识推理的技术创新，总投资估计约为6000万美元。

作为深度学习和推广技术的标杆，它的商业潜力，即使“靠山吃山”，也有几年的好时光可以期待。然而，必须承认，面对自身的瓶颈，公众的肾上腺素和技术预期也开始回归正常价值，甚至有点审美疲劳。技术专家不会再有大事件了，热爱“人工智能鬼故事”的科学编辑们将被迫秃顶.

下一代工业的人工智能方向将会在哪里，恐怕还远远没有我们现在的理解。毕竟，世界上的每一个重大变化总是始于一些被忽视的技术角落。谷歌似乎别无选择，只能继续挑战技术领域。