相比于传统AI，近几年来的深度学习，以及Alphago所复兴的强化学习，他们已经表现了人类智能中从样本数据和环境反馈中不断学习的能力。但总体来看，虽然Alphago的算法设计非常精妙，它仍然基于对大数据的暴力统计运算，这和人类智能的运作过程完全是两回事。Alphago进行了几千万局的对弈，并对这些局面进行统计分析，然后才得到了与人类同样的棋力。但一个天才棋手达到同等程度的棋力，只需要下几千盘棋，不到Alphago的万分之一。因此，Alphago的学习效率仍然是十分低下的，这说明，它仍然没有触及到人类智能中最本质的部分。
更关键的是，深度学习仍然不能免于那些困扰传统AI的理论难题。比如说机器人的框架问题，需要对机器人所处的复杂和动态环境做出实时的表征。应用现在的深度学习，可能是一个难以完成的任务。因为深度学习适用的领域，仍然局限于对大样本图像和语音数据的处理。一个动作可能会带来哪些附带的后果，这样的数据因为高度语境依赖，而且难以以大数据的形态存在，因而就不可能用大数据来对机器人进行训练。最终，要生成一个具有人类常识信念的神经网络就是非常困难的，框架问题仍然难以解决。
此外，深度学习由于需要大量的训练样本的植入，在训练过程中需要不断地调整参数，来获得想要的输出。比如，Alphago的监督式学习训练出来的策略网络，就需要人类的棋局作为训练样本，而且训练过程中也需要人工设定特征参数。在这样的情况下，神经网络与世界之间的对应关系，仍然是人为设定，而不是神经网络自主生成的。深度学习也不能完全解决符号奠基问题。
三、与其警惕人工智能，不如警惕哲学家
相比于其他工程学领域，AI可能是与哲学联系最为紧密的一个学科。在人工智能哲学史上，很多哲学家都试图用一些替代的思想资源，来改进人工智能的技术方案。而哲学也在这个过程中，扮演了牛虻的角色，通过不断澄清人类智能和认知的本质，来检视AI的弱点和限度，最终激励AI的研究。在所有哲学家中，被人工智能研究者所援引最多的作者，可能就是海德格尔和维特根斯坦。
早在AI的符号主义时代，美国的海德格尔专家德雷福斯就批判了当时的AI。无论AI的算法多么复杂，都可以归结为用符号逻辑或神经网络来表征世界，然后基于对这些表征的高效处理来规划行动。然而，这并不完全符合人类的行为模式。在德雷福斯看来，人类的大量行为并不涉及表征，行动者直接与环境进行实时交互，并不需要在头脑中表征出世界的变化之后再规划行动。后来MIT的布鲁克斯就采用了这种“无表征智能”的方案（虽然布鲁克斯不承认德雷福斯对他的影响，但据德雷福斯说，这个idea源于布鲁克斯实验室的某个学生选修了他的哲学课），设计过一个可以实时响应环境的机器人“成吉思”。
除了海德格尔，维特根斯坦也是AI批判的另一个风暴中心。维特根斯坦在1939年左右，在剑桥主讲过一门数学基础的课程，而我们开篇提到的人工智能先驱图灵正好选修过这门课程。后来有一部科学小说《剑桥五重奏》便安排了两人关于机器能否思维展开了一番唇枪舌剑，其中一部分素材就是取自于两人在课上的争论。在维特根斯坦看来，人类与机器虽然都是遵循一定的规则而行动的，然而，规则对于机器而言是构成性的，因为它的运作就必须依赖于规则，但对于人类而言，遵守规则就意味着有意识地遵守它。但维特根斯坦对AI影响最大的是他晚期关于语言的学说。维特根斯坦早期认为，语言就是由一系列可以通过符号逻辑来描述的命题构成的集合，而世界也是由事实组成的，这样，命题就是事实的逻辑图象，我们就可以通过命题来刻画世界。这个思想与AI的观念是完全同构的。然而，维特根斯坦晚期放弃了这些观念，他认为语言的意义不在于基本命题的组合，而在于它的用法，正是我们对语言的使用决定了它的意义。因此，像传统AI那样试图建立符号与对象之间的固定联系，是徒劳无功的，语言的意义只有在其使用中才能建立。基于这个观念，一些AI专家比如斯蒂尔就用它来解决符号奠基问题。他设计了这样一个机器人种群，其中一个机器人看到一个对象比如说箱子之后，随机生成了一个符号串比如Ahu来代表它，然后，它将Ahu这个符号传达给另一个机器人，让它猜谜，看哪一个对象对应着Ahu，如果这个机器人正确地指出了Ahu对应的箱子，就传达给它一个正确的反溃于是，这两个机器人获得了一个代表Ahu的词汇。斯蒂尔将这个过程称之为自适应语言游戏，通过不断地进行这种游戏，这个机器人种群就可以获得关于它们周围世界的语言描述，从而将符号的意义自主地奠基于世界之中。