（注：有变数，最近DeepMind最近新论文，他们宣称发明弹性权重巩固算法让 AI 拥有“记忆”，目前只能胜任特定领域一项任务的神经网络，开始能够习得“多项技能”）

　　此外深度学习往往侧重于学习输入感知与输出动作之间的映射（如用于做分类决策或者是围棋、Atari游戏上的移动的决策），对大脑功能的模拟，太过单一。

　　我们认为智能的本质是能够学习一个所处在世界的心理模型(mental model )，然后能否在这个模型上进行模拟（所谓想象力）。

　　深度学习是一个黑盒，我们设定了规则、输入了数据、训练出一个数据处理模型，但是并不了解数据处理在内部究竟如何进行。

　　那些在输入层、隐层、目标层之间连接的人工神经元发生的所有事情，目前根本无法知晓，所以也无法预测输出的结果：“我们看着Master走出了惊世骇俗的落子，看着它表演，它却不能告诉我们为什么要走这里。”

　　深度学习用大量的数据样本才能训练“泛化能力”，相比李世石，后者才是真正的天才——他用远远少于AlphaGo的训练样本，达到了接近AlphaGo的水平。

　　目前，人工神经网络仅仅是模拟大脑皮层的一小部分运行方式，而且是跨过了“认识世界”、“认识智能的本质” 这个阶段，直接到了“改变世界”。

　　基础理论并不成熟的工程应用，其实有着极大的隐患。