人工智能（AI）由模式識別技術主導。近年來，由于深度學習的發(fā)展和完善，在圖像識別、機器翻譯、音頻處理等領域取得了重大進展。但深度學習并不是解決所有問題的良方。事實上，它本身就是一種疾病。

任何生物系統，即使經過幾代人的進化，也不需要像最先進的機器學習算法那樣，為完成簡單的任務而需要同樣規(guī)模的訓練數據。為了學習，大腦使用了許多衍生品以外的技術。動物能夠發(fā)現新鮮事物并記住重大事件，即使它們只發(fā)生過一次。

這里有四個原因，其中之一，為什么人工智能社區(qū)應該思考超越深度學習。

1.深度神經網絡有忘記所學模式的傾向，而活的大腦有可塑性和強健的記憶完整性。例如，人類，甚至一些動物可以記住一個面孔很多年，但仍然可以學習新的面孔，而不會忘記他們認識的面孔。

2.深度神經網絡需要大量的數據來訓練，這反過來又需要大量的計算能力。如果你不是一家財力雄厚的大型計算機公司，這將是一個重大障礙。所需的計算能力取決于三個主要因素：輸入數據的維數、模型的復雜性和訓練算法的復雜性。

3.神經網絡就像黑匣子，通常不適合需要可解釋性的應用程序。就業(yè)、貸款、教育、醫(yī)療和家庭助理等領域都需要解釋。在金融領域，預測價格變化的機器對公司來說是一個重大勝利，但如果沒有可解釋的因素，可能很難讓監(jiān)管機構相信它沒有違反任何規(guī)定。同樣，在涉及信任的交易中，例如信用卡應用程序，必須解釋批準或拒絕的原因。在業(yè)務應用程序中，建立客戶的信任是至關重要的，決策需要是可解釋的。

4.所學的知識并不是真正可以轉移的。如果人工智能要發(fā)揮其潛力，這一點非常重要。當動物接觸到新的環(huán)境時，它們會不斷地參照先前的學習。例如，你可能從來沒有親自開過卡車，但是開過一輛汽車，你就能很快地學會汽車的各種基本運行規(guī)律，并且比你從來沒有開過任何汽車更快地整合你以前的駕駛技能。

顯然有必要解決這些問題，而要做到這一點，就需要超越深度神經網絡。一些人工智能技術可以潛在地解決這些缺點，如自適應共振理論、可信最大化和神經模糊系統。

自適應共振理論（ART）解決了穩(wěn)定性與可塑性的問題，在不喪失現有知識的情況下獲得新的知識。它也被稱為增量式學習或在線學習，因為它不需要對其模型進行再培訓，這是一個優(yōu)勢，因為再培訓是丟失現有知識的主要原因之一。

可信最大化（Cogency maximization）或虛構（confabulation）有助于解決可解釋性問題，對于解決就業(yè)、貸款、教育、衛(wèi)生保健和家庭助理等應用程序也很方便。基于cogency maximizbased模型的另一個優(yōu)點是，它們的計算量較小，易于訓練。

模糊集系統允許數據表示介于二進制（例如，冷/熱）和連續(xù)（例如，0%-100%熱）表示之間。相反，模糊系統允許您用模糊表示（0%冷、20%熱和80%熱）來表示數據。乍一看，這似乎有些武斷，但它允許對細節(jié)和邏輯創(chuàng)建進行更細致的表達。例如，恒溫器可以使用這些數據在冷百分比過高時打開爐子，在熱百分比過高時打開空調。

這種類型的邏輯創(chuàng)建可以很容易地用自然語言解釋，并且很容易理解。神經模糊系統將模糊系統的特征與神經網絡進行某種程度的融合，以簡化模型或提供更好的解釋能力。其中一些系統使用模糊規(guī)則代替不透明的神經激活函數。其中一些系統作為神經網絡進行訓練，然后在數學上轉換成模糊規(guī)則集。其中一些系統在保持模糊可解釋性的同時，還利用模糊邏輯和模糊記憶來表現出神經網絡的行為。

自適應共振理論、可信最大化和神經模糊系統可能不是什么新概念，但它們似乎被研究人員忽視了。這些研究人員受到了微型超級計算機的強大功能的鼓舞，這些微型計算機由無底洞般的企業(yè)資金支持。