深度学习的成功主要归功于GPU带来的计算能力。以前很难有效地学习数百万个参数。诸如卷积和梯度下降以及神经网络等技术即使在20世纪80年代也为社区所熟知。但阻止他们的是计算能力。想象一下，你给它一个量子计算机和一个神经网络，它有数千层，它可以计算出它需要多少层网络以及需要使用哪些非线性函数。如果我们有更多的计算能力，我们可以自动化一切。由于计算能力较低，我们需要考虑多少层网络以及哪种组合可以提高效率。我认为有更多的数学知识，但我们缺乏的是计算能力。

我将为这个问题提供一个相当“正方形”的观点。考虑到这个主题的方面目前让我着迷，在混合中添加最新最好的技术（无论其未经证实的声明是多么令人印象深刻），都不会改变景观的地形。并不是说有一天也无法想象，甚至是正确的，但更确切地说，进一步看到强大的人工智能的遥远可能性，更不用说让我们更接近这些可能性，并不受限于缺乏想象更好的硬件性能（当然是量子技术的过度简化）。

我认为，限制我们接近程度的是我们目前的网络系统范例所带来的想象差距。在大多数情况下，我看到很多人对这个领域感兴趣，在水平面上工作，使用他们现有的/熟悉的范例，关于在其概念设计中使用什么类型的组件，以及在其中使用哪些类型的配置。我认为需要垂直转变; 另一个“突破”，促使下一类思维和下一步曲线推广创新图的传播。而且我相信这将会出现，而不是将我们目前的智能模型应用于更强大的硬件，而是通过重新思考软件系统。

我指定“系统”，因为这是我认为涉及我所谓的“网络系统”所需的思维类别的特征。我在社会的宏观和微观尺度上考虑这一点（图片是一个具有地理，基础设施，政策，文化，经济等的民主国家）。整个“系统”更准确地描述为“网络系统：”一系列相互关联的不同系统，它们以任何一个特定系统本身“外部”的方式朝着集体目标运行。虽然有许多不同类型的社会，但每个社会都可以分享一套共同的基本原则，没有它们，它们都会崩溃。

这是我目前在这个主题上的态度，如量子技术。我大多认为这只是一棵错误的树，而且对于这种“幼苗”的过度近视考虑是对那些希望看到森林树木的人的分心。