在这个人工智能复苏的新时代，深度学习已被广泛用于语音与图像识别、机器翻译、机器人控制和风险管理等领域，宛然成为人工智能中的核心技术。基于深度学习的人工智能已经能够实现人们过去所期待的很多功能，这让我们感到真正的人工智能（具备当前人类智能所特有的功能）已经越发成为可能，甚至“奇点”（机器智能全面超越人类智能的点）好像如未来学家库兹韦尔（Ray Kurzweil）所预言的那样在不断临近。

　　深度学习“第一步的谬误”

　　逻辑学家巴尔-希列尔（Yehoshua Bar-Hillel）在人工智能发展早期便指出，关于人工智能的乐观主义可能是一种“第一步的谬误”。这种谬误在于，只要我们在实现人工智能的研究道路上做到了成功的第一步，那么接下来的任何一点改进都会被看作是朝最终目标前进了一步。哲学家德莱弗斯（Hubert Dreyfus）在几年前细数了半个世纪以来人工智能发展过程中的六个“第一步的谬误”：有效的老式人工智能（GOFAI）；表征相关性的框架问题；具备专家专长的专家系统；拒斥表征的Cog机器人；表征背景熟悉性的常识知识问题；奇点临近。指向这六个目标的人工智能的设计改进，并没有使人工智能向真正的智能发展。

　　这几年深度学习的兴起又给人们带来了这种“第一步的谬误”。深度学习是有着三十多年历史的反向传播算法的新版本，它基于一种抽象的神经元模型。神经元层级将一个信号（如声波的振幅或图像的像素亮度）映射到对这个信号的含义更为明确的高层描述中（如该声波传达的文字或图像中的物体）。反向传播最初只能在两三层神经元中工作，而现在的新版算法可以在更多层级的神经元中工作，使得网络层级越来越深，类似于大脑中相关联的神经元之间的“深度”层级，因而被称为“深度学习”。

　　目前最为流行的深度学习算法主要有需要人为标记数据的监督式学习算法和不需要人为标记数据的无监督式学习算法，但这两种算法都只是统计学中期望最大化算法的特例。所以，基于此类算法的人工智能只是统计学算法的展示，而并不能真正具有智能与思维。这种在统计学意义上基于输入的数据和输出的结果进行学习的机制，带来的只是类似行为主义的“黑箱”系统，并不能让我们理解真正的智能，它实际上还是一种“第一步的谬误”。