2022年2月9日整理发布：福特在《智能架构师》中采访的几位专家认为，神经网络与经典的、基于规则的人工智能相结合将有助于克服深度学习的局限性。
“总的来说，已经从传统工具转向深度学习，特别是当你有大量数据时，但世界上仍然存在很多问题，你只有小数据集，然后技能就是设计混合并获得正确的技术组合，”斯坦福大学计算机科学副教授、谷歌大脑联合创始人、百度前首席科学家吴恩达说。
“人类有各种各样的常识推理，这必须成为解决方案的一部分。深度学习没有很好地捕捉到它。在我看来，我们需要将在人工智能领域有着悠久历史的符号操作与深度学习结合起来。他们已经被单独对待太久了，现在是时候把他们放在一起了，”马库斯说。
麻省理工学院计算认知科学教授 Joshua Tenenbaum 认为，我们必须结合符号 AI、概率和因果模型以及神经网络的成果来解决深度学习的挑战。
“这些想法中的每一个都有其兴衰，每一个都有贡献，但神经网络在过去几年中确实取得了最大的成功。我一直对我们如何将这些想法结合在一起很感兴趣。我们如何结合这些想法中的精华来构建智能系统和理解人类智能的框架和语言?” 特南鲍姆说。
Tenenbaum 最近领导了一组研究人员，他们开发了神经符号概念学习器。NSCL 是一种混合 AI 模型，它结合了神经网络和符号 AI 来解决问题。研究人员的工作结果表明，与纯基于神经网络的模型相比，NSCL 可以用更少的数据学习新任务。混合 AI 模型也可以解释，而不是不透明的黑匣子。
但并不是每个人都喜欢混合 AI 模型。
“请注意，你的大脑全是神经网络。我们必须想出不同的架构和不同的训练框架，它们可以做经典人工智能试图做的事情，比如推理，为你所看到和计划的事情推断出一个解释，”Bengio 说。
另一位深度学习先驱 Geoffrey Hinton 对混合方法也很重要。在接受福特采访时，他将混合人工智能比作电动机和内燃机的结合。“这就是传统人工智能中的人们的想法。他们不得不承认深度学习正在做着令人惊奇的事情，他们想把深度学习当作一种低级的仆人，为他们提供使符号推理发挥作用所需的东西，”Hinton 说。“这只是试图坚持他们已经拥有的观点，而没有真正理解他们正在被扫除。”