所以，他说：“（这些）不是真正的意义上的（智能） 。”
哈萨比斯的老师，MIT的Poggio教授更尖锐地指出：深度学习有点像这个时代的“炼金术”，但是需要从“炼金术”转化为真正的化学 。
杨立昆反对炼金术的提法，但他也认为要探究智能与学习的本质 。人工神经元受到脑神经元的直接启发，不能仅仅复制大自然 。
他的观点大概是，工程学实现了的东西，也只有通过科学打开黑盒子，才能走得更远 。
“我认为，我们必须探究智能和学习的基础原理，不管这些原理是以生物学的形式还是以电子的形式存在 。正如空气动力学解释了飞机、鸟类、蝙蝠和昆虫的飞行原理，热力学解释了热机和生化过程中的能量转换一样，智能理论也必须考虑到各种形式的智能 。”
几年前，巅峰时刻的哈萨比斯就表达过，仅靠神经网络和强化学习，无法令人工智能走得更远 。
类似的反思，也发生于贝叶斯网络之父 Judea Pearl 。
他说，机器学习不过是在拟合数据和概率分布曲线 。变量的内在因果关系不仅没有被重视，反而被刻意忽略和简化 。
简单来说，就是：重视相关，忽视因果 。?????
在Pearl看来，如果要真正解决科学问题，甚至开发具有真正意义智能的机器，因果关系是必然要迈过的一道坎 。????????
不少科学家有类似的观点，认为应该给人工智能加上常识，加上因果推理的能力，加上了解世界事实的能力 。所以，解决方案也许是“混合模式”–用神经网络结合老式的手工编码逻辑 。?????????
辛顿对此颇为不屑，一方面他坚信神经网络完全可以有推理能力，毕竟大脑就是类似的神经网络 。另一方面，他认为加入手工编码的逻辑很蠢：
它会遇到所有专家系统的问题，那就是你永远无法预测你想要给机器的所有常识 。
AI真的需要那些人类概念吗？阿尔法狗早已证明，所谓棋理和定式只是多余的夹层解释而已 。????????
关于AI是否真正“理解”，真正“懂得”，真正有“判断力”，辛顿以“昆虫识别花朵”为例：
“昆虫可以看到紫外线，而人类不能，所以在人类看来一模一样的两朵花，在昆虫眼中却可能截然不同 。那么能不能说昆虫判断错误了呢？昆虫通过不同的紫外线信号识别出这是两朵不同的花，显然昆虫没有错，只是人类看不到紫外线，所以不知道有区别而已 。”
我们说AI“不懂”什么，会不会是过于以人类为中心了？
假如我们认为AI没有可解释性，算不上智能，可会不会是即使AI解释了，我们也不懂？就像“人类只有借助机器检测，看到两朵花的颜色信号在电磁波谱上分属不同区域，才能确信两朵花确有不同 。”
从十几岁开始，就相信“模仿大脑神经网络”的辛顿，仿佛有某种宗教式的坚定 。
于是，在某个路口，哈萨比斯略有迟疑，而伊利亚·萨特斯基弗则和辛顿一路向前，豪赌到底 。
辛顿的人生哲学是“基于信仰的差异化”，他的确也是如此实践的 。
如今，尽管哈萨比斯认为ChatGPT仅仅是更多的计算能力和数据的蛮力，但他也不得不承认，这是目前获得最佳结果的有效方式 。
九对AI路线的分歧，不过是一百多年来某类科学暗涌的延续 。
相当长的岁月里，在大雪纷飞的多伦多，辛顿几乎是深度学习唯一的守夜人 。
他本科在剑桥大学读生理学和物理学，其间转向哲学，拿的是心理学学士学位，后来再读了人工智能博士学位 。
辛顿等人在统计力学中得到灵感，于1986 年提出的神经网络结构玻尔兹曼机，向有隐藏单元的网络引入了玻尔兹曼机器学习算法 。

• 2023年地球日是几月几日日 2023年世界地球日主题
• 2023年世界地球日主题名称 2023世界地球日是第几个
• 世界地球日起源于哪个国家 世界地球日的来历
• 2023年第54个世界地球日主题 历届世界地球日主题是什么
• 世界地球日会停电吗 日常生活中怎么爱护地球
• 世界地球日宣传标语 世界地球日宣传主题口号
• 世界地球日是哪一年开始建立的 各国如何纪念地球日
• 口袋红宝石神兽都在哪里抓 口袋妖怪红宝石神兽位置
• 走路健身的正确方法 科学走路八法
• 徽章合成技巧图解