由 dawei
机器学习和深度学习的地位将日渐衰退，一直退回到它们的本来面目：花哨的统计技术。
至少二十年来，人工智能领域一直被连接主义人工智能也就是基于神经网络的人工智能所主导。从识别手写数字到掌握人类语言，人工智能行业每天都有新的突破。人工智能技术发展如此之快，世界甚至都跟不上它的节奏。尽管这个领域大受欢迎，但神经网络革命的主要先驱之一、人工智能教父 Geoffrey Hinton 认为我们应该从头开始重新思考一切：“我的观点是扔掉一切，重新开始。”
机器学习（ML）和深度学习（DL）是当前领先的 AI 范式，迄今为止取得了非常可观的成就。最近基于变换器的语言模型（比如 GPT-3）的大热就是一个很好的例子。但今天我们面临的很多障碍似乎是当下方法无法跨越的。有一些新兴的框架将在未来几年主导 AI 产业。以下是我们将不再把连接主义人工智能作为推动该领域前进的主导力量的两个原因。
我们无法用当前的范式达成人工智能的目标
我们可以从两个截然不同的角度来看待人工智能。
第一个角度是人工智能的实用性和适用性。我们正在使用几年前还被认为不可能实现的深度学习方法来解决各种问题，实现媲美人类水平的对象 / 语音检测和识别、创意系统、对话机器人或语言大师。从这个角度来看，AI 看起来发展得还不错。
但还有另一个角度：看看我们前方的道路。可是它看起来并不那么乐观。这个领域正在进行一场辩论。没有人知道哪一条道路是实现通用人工智能（AGI）的正确途径。基于深度学习的解决方案还不错，但最终目标应该可以解决所有问题的方案一直都是 AGI。专家们对前沿技术的态度是一致的，但对下一步的方向则分歧严重。
有人说，我们正朝着更大、更强大的语言模型前进，这是正确的方向鉴于 GPT-3 及其后继者的成就，这种说法大概挺合理的。还有人说我们肯定会在各种地方踌躇不前想想完全自监督模型、强化学习、混合模型，都是这样的例子。而其他人则认为我们必须引入一些尚不存在的新事物例如“系统 2”推理、因果关系或直觉物理学。