Статья «Глубокое обучение для ИИ» (Deep Learning for AI) описывает будущее, в котором модели глубокого обучения могут учиться почти или совсем без помощи людей, гибко приспосабливаться к окружающей среде и решать множество когнитивных задач. Глубокое обучение часто сравнивают с мозгом человека или животного. Однако опыт прошлых лет показал, что искусственным нейронным сетям, главному компоненту моделей глубокого обучения, недостает эффективности, гибкости и универсальности, которые есть у биологических нейросетей. Авторы статьи признают эту проблему, пишет Venture Beat. «Обучение с учителем, несмотря на успешность в выполнении широкого спектра задач, обычно требует большого объема данных, размеченных человеком. Аналогичным образом, когда обучение с подкреплением основывается только на вознаграждении, оно требует очень большого количества взаимодействий», - говорится в исследовании. Также Бенджио, Хинтон и Лекун признают, что нынешнее глубокое обучение решает ограниченный спектр задач. ИИ должен постоянно наблюдать и учиться у среды и других ИИ, а также адаптироваться к изменениям. В отличие от других ученых, Бенджио, Хинтон и Лекун не считают правильным смешивать нейронные сети и классические, символические системы в попытке преодолеть разрыв между ИИ и человеческим интеллектом, способным к генерализации. Они считают, что должны появиться более продвинутые архитектуры нейронных сетей, которые со временем приобретут все аспекты человеческого интеллекта, включая манипуляцию символами, способность к рассуждению и здравый смысл. «Впереди еще долгий путь, который мы должны пройти, чтобы понять, как сделать нейронные сети по-настоящему эффективными, - сказал Хинтон. Как и год назад, Хинтон уверен, что глубокое обучение способно выполнить любую задачу, но для этого потребуется несколько концептуальных прорывов. В интервью 2020 года он рассказал, что нужно для того, чтобы ИИ смог работать как мозг человека, и как, по его мнению, действует сознание человека.Хайтек+