1樓：陳小小
神經網路只是一種模型，我們要關注的是任務和問題而不是某一種模型，神經網路是解決某些任務的手段罷了。其實除了傳統的幾大任務包括視覺、語音、NLP、博弈論和機械人，還有很多問題值得我們關注。比如intuitive physics，intuitive psychology，compositionality，causality，learning to learn等等。
當然，解決這些任務的方法也有很多，有一些可能不太出名，比如Neural Turing Machine，algorithmic information theory，commonsense reasoning等等，先占個坑吧，以後慢慢聊。
其實只是learning就有很多類別：
Gradual learning
Unsupervised learningStrong generalizationCategory learning from few examples
Learning to learn
Compositional learningLearning without forgettingTransfer learning
Knowing when you don』t knowLearning through action有興趣的話，大家可以對這些問問深入了解一下。
2樓：David Dong
人工智慧的方向多了去了。。。。。。大派主要是邏輯派和機器學習派。其中邏輯派也分很多，稍微實用點的主要是multi-agent，機器學習派也有那麼一大堆，不過大多數研究的使用範圍還是比較窄的。
如果一定要選乙個現在已經有的方法來看誰離真正的強人工智慧最近，實話說我覺得神經網路真的有那麼絲製造出強人工智慧的可能性，別的理論看起來都沒法平滑的擬合出類人智慧型這樣的複雜函式出來。如果結合認知學，用神經網路和別的東西組合一下，再使用比較標準的資料結構不斷的訓練，誰知道會不會產生類似意識這種玩意。。。。。。
3樓：
首先是資料越來越多、越來越高維，模型的表達能力就相應需要提公升。模型越複雜，訓練的難度就越大。神經網路在模型規模的伸縮上相當方便，訓練的方法沒有隨著模型的變化而變得非常複雜，這一點相當適合產業化。
神經網路還有個很重要的好處就是模型通用化，對產業而言，搭一次基礎設施能重用到很多很多應用當中去，這個成本的節省太有價值了。
然後，最近Hinton搞模型壓縮的研究又為學習好的模型輕量化、實時化呈現了前景。
所以，神經網路在學術的研究和產業的應用還是在深化階段。
技術是會發展的，你科學功底好就可以緊跟技術前沿。走在生產力前沿不掉隊就對了，沒有什麼技術是可以讓你畢其功於一役的。
還有，能不能不叫人工智慧，太泛了。資料科學、模式識別、機器學習等等，雖然內容接近，但動機不一樣，側重點也就不一樣了。所以我們跟外行人聊天才用人工智慧這樣的詞彙
4樓：楊超
但這是某種定義下的人工智慧研究而不是人類智慧型研究不知道題主是不是想問研究人類智慧型的方向，如果是這個意思，當然不是啦。
人類智慧型是另一回事。顯然不是人類能研究的東西。
5樓：fledsu
其實看人工智慧的發展過程，並沒有唯一一條正確的方向。
最主要的還是根據當前的問題和資源，找出最合適的解決方法。 從當初的Rule Based, 基於統計的學習方法，和現在神經網路的再次流行，誰也不知道哪乙個方向是對的，也許都是對的。
各個方向上都有人在做開拓者，不過肯定是有一些方向更加的熱門一點。
深度神經網路現在很熱門，但不一定是唯一的方向，不過這條道路還沒有走完。
目前在深度神經網路上還有很多問題沒有答案，比如最簡單的乙個，如果擁有無限的資源和資料，神經網路可以不停擴張下去嗎？ 會不會到某個點，比如說，100層的時候，準確率就不能再提高了呢？ 現在還沒有到這個極限，所以還會繼續嘗試下去的。
從另乙個方向來說，其實人來識別乙個影象，或者乙個物體，並不需要想神經網路一樣要看過成千上萬張影象才能知道某個東西是貓，某個東西是狗。關於人的大腦怎麼儲存和抽象物體，現在應該還沒有很好的結論，那麼現在深度神經網路並沒有回答這個問題。
6樓：李文哲
有時間可以去讀一讀兩位大牛的AMA （Michael Jordan, Geoffrey Hinton）
AMA Geoffrey Hinton : MachineLearning
AMA: Michael I Jordan : MachineLearning
7樓：YE Y
個人觀點：非馮諾依曼體系的計算和生物層面上的腦科學研究可能是比Deep Architecture更正確的方向。
硬體層面對神經計算的模擬有個叫Spiking neural networks的東西，這東西本身是個神經網路模型，只不過關於它比較吸引眼球的是相關的硬體層面研究，隨便貼兩個研究組的頁面，是Stanford和Univ. of Manchester的
ac.uk/projects/SpiNNaker/project一直很感興趣可惜沒什麼時間研究下，大概的感覺還是沒那麼底層，個人覺得人工智慧如果真能實現的話，最終突破還是得靠一些生物和物理的基礎研究。
神經網路 深度學習 機器學習是什麼？有什麼區別和聯絡？
達觀資料 機器學習是指利用演算法和統計模型，而非規則程式設計，使得計算機系統能在某個特定任務上提高表現。人工神經元是一種運算結構，它接收乙個或多個輸入，通過非線性函式變換，得到乙個輸出，而且該非線性函式是在學習過程中可變的。人工神經網路是一些人工神經元組成的網路，其中一些人工神經元的輸出作為另一些人...
是否可以用深度學習，人工神經網路來實現可控核聚變？
用deep learning 解決 AGI，然後 AGI 解決一切問題。這個想法是 Tomaso，Poggio 的。不敢貪功，可恥的匿了。 現階段機器學習可以做到將輸入和輸出自動關聯，也就是說必須有資料才能學習資料的特徵。這意味著現階段機器沒有憑空的創造力。以後人工智慧發展了，也許會有聯想的能力和創...
深度學習與神經網路有什麼區別？
徐佳逸 深度學習可以理解成用深度神經網路 DNN，Deep Neural Network 來進行機器學習，他倆的關係可以從這個定義中一目了然地看出來。深度神經網路 DNN 一般分為三種架構 樸素的DNN 就是一般性的神經網路往多層擴充套件，缺點很多包括訓練緩慢，用Backprop進行訓練梯度衰減得厲...