自然智慧：

更严重的是，我认为人工智能的下一个重大突破需要来自数学。我们今天在AI中所做的所有宣传，特别是深度学习，都取决于人工神经网络或支持向量机等算法。如果你深入研究这些，你会发现这些算法的核心是微分学或线性代数的方程。计算机科学可以解决搜索中的算法和优化问题（想想星空搜索）或排序，但我相信AI的挑战是数学问题。

为什么？

通用情报的核心问题是能够建立一个良好的世界模型。建模可用于推理和预测世界上的事件 - 两个最重要的智能组成部分。为了建立良好的模型，我们可以使用像ANN这样的算法，我们在某种程度上已经非常成功。但是现有的算法并不足以处理一般问题。我们仍然需要通过精心选择（基于实验）超参数来微调我们的机器学习算法。但这是一个人工智能，理想情况下不需要人工智能。

如果我们能够找到一种能够从各种域（视觉，音频等）获取信号并且能够构建数据的分层表示而无需事先知道领域特定优化技术的算法，我们就可以解决这个难题的最大部分。事实上，域特定情况的优化应该从数据本身学习而不是外部输入。这是一般情报的本质。如果我们解决这个建模模型的问题，我们就会解决强大的AI问题。

那么数学呢？

我认为这种从原始数据构建模型的算法需要解决一个数学问题。它是如何在分层符号系统中表示字节流，以便抽象级别接近最优。最佳存在，表现的紧凑性和搜索的速度。我们在视觉上认识到的对象只不过是我们大脑已经想到的抽象的最佳点。这就是为什么我们没有看到不同颜色的斑点，而是清晰的不同物体。然后是事件。简而言之，我们需要首先解决从原始数据中找到近似最优的知识表示方案的数学挑战。它永远不会是完全最优的，因为数据的总量从未被知道并且实时增加。这个问题需要在与微积分或线性代数相当的水平上进行一些数学创新。至少它会利用这些概念并进一步发展。

一旦我们开始构建可以处理这种通用性和范围的数据的框架，我们将按计划构建我们的第一个强AI实例。直到那时我们只是在最后的数学突破上进行优化 - 实际上是微积分和代数。