“人脑”模仿受挫
卡内基梅隆大学计算机科学系主任Andrew Moore在接受Axios采访时表示，尽管现在的AI在可视化、语音和困难游戏方面有令人惊叹的能力，但它仍然“没有魔力”。“我们不再试图复制人脑，我们专注于设计制造(已经发明的东西)”，他说。
Moore的观点与人工智能界日趋强烈的疑问一致——现有的方法真的可以实现所谓”人工智能”吗?去年九月，AI领域最受尊敬的先驱之一Geoffrey Hinton称，研究者们需要重新开始。
1986年，Geoffrey Hinton与他人合著了一篇论文，这篇论文在30年后成为了引爆人工智能的核心。该论文提出了反向传播理论方法，这是如今人工智能所依赖的主要方法，图像分类、Siri交谈能力的进步都仰仗该方法。然而去年九月，Geoffrey Hinton在一场多伦多举行的AI会议上直言自己提出的突破性方法应该被舍弃。
反向传播算法的核心工作机制是用“标签”或“权重”代表类脑神经层中的图像或声音，权重可以逐层调整，直到该神经网络能够在最少错的情况下执行智能功能。如今Geoffrey Hinton对这个算法深表怀疑，他不认为这是大脑的工作方式，因为“我们显然不需要所有标记的数据。”他说，“我的看法是抛弃一切，重新开始”。
通往“智能机器”的新路线
尽管许多AI科学家停下了对“超智能机器”的追求，但还是有研究者在坚持寻求突破。其中Judea Pearl提出了通往智能机器的新路线——“因果推理”。
Judea Pearl是计算机科学领域最高奖项图灵奖的获得者，也是人工智能领域畅销书 “The Book of Why”的作者。他把他提出的新路线称为“因果推理”，即推断情况的原因和方式的能力。
Judea Pearl指出新路线虽然并不涉及人工智能本身，但“因果推理”是终极路径，因此将标志一场“小型革命”，他告诉Axios。Pearl认为当下机器学习囿于相关性和关联性，缺乏真正的思维。比如，如果一个人工智能程序每天都看到公鸡在太阳升起前打鸣，它就会认为是公鸡打鸣导致了太阳升起，这就是人工智能所依赖的相关性。而“因果推理”就是希望能超越相关性，让因果解释成为机器智能的基石。
“我所预测的迷你革命将把机器学习从目前的不透明，健忘和缺乏可解释性的困境中解放出来，” Judea Pearl说。“此外，它还可以让机器学习我们真正关心的问题的答案，而不仅仅是相关性。”例如，一辆装备了“因果推理”的自驾车即使遇到一个没有数据的情况，也能立即进行调整。这样的自驾车可以思考是什么导致了它遇到的事故，而不仅仅是与事故相关的事物，前者才是人类真正关心的。
值得一提的是，Geoffrey Hinton也与他的谷歌同事一起提出了全新的AI理论体系——“Capsule”。这是他们对未来人工智能形态的探索。Capsule的提出受到了神经解剖学、认知神经科学、计算机图形学的启示，旨在实现反向传播无法实现的“无监督学习”，这能让神经网络摆脱“标签”，依靠自身变得智能。
