当你用成百万、上亿张图片来训练这个网络后，你随便拿一张照片来，它通常就能准确地告诉你，这是否是一张有猫的照片。令人惊异之处还不止于此，这个网络在反复的学习过程中，自动形成分层功能，例如这一层识别边界，另一层识别角落，再一层识别形状或者颜色......这是在训练过程中网络“自发”形成的层级，而没有预编程的干预。
这使它带上了真正的“智能”色彩，也正是这一丝智能色彩，惊艳了众人。
一时间，“深度学习”在人们印象中已经变得无所不能：从自驾车到识别癌症到自动翻译。与此同时，它有时也在犯把一张拿着牙刷的小宝宝的照片标注为“拿着棒球棍的小男孩”这样的错误。这时你开始怀疑，神经网真的对世界有理解吗？
至此，你大概已经看明白，神经网说到底，是一个模糊模式识别机。以模糊模式识别之有用，大可以将其应用到所有的软件当中。但它所代表的终究只是十分有限的智能，要糊弄它并不难，深度学习的局限一天比一天明显地在显现。它浅层次模仿人的大脑，因此所获得的智能也相应地浅层。说到底，反向传播的发明并非通过对人类大脑的真正探寻，它是一个通过试错机制创建出的模型。截至目前为止的AI重要成果并没有真正涉及到神经科学，我们所获得的，更应该说是在数学和工程学，甚至铁匠铺式的修修补补，这些合力下的技术改进。看上去，各路AI“大神”对基于深度学习的智能系统的修补技术越来越熟练，但距离真正的智能有多远这个问题，局外人似乎反而想得更多。
我们是不是已经把“反向传播”那一刷子用到尽头了？如果真是这样，人工智能的进步有可能将进入一个平台期。
MIT认知计算科学教授乔希·泰能博（Josh Tenenbaum）必须一提，阿尔法狗团队的好些重要人物在博士期间即师从于他，其学术论文被引用次数高达3万5千次，堪称论文帝。他曾经在文章中说，自己在研究中也到反向传播中去寻找灵感。过去几十年来，反向传播一直停留在很酷的数学研究领域（多维向量空间），而在实际工程上建树平平。后来，计算机速度上去了，各种硬件条件更加成熟了，反向传播一下子就发威显灵了。也许，通往下一个破冰的研究，比如泰能博和他的学生正在从事的认知计算研究，也会需要这么一个漫长的等待过程。
助力AI走到今天的反向传播，究其根本，它只是受生物学启发的计算；而真正的AI突破，则需要在计算机科学和生物学之间架起一座真正的桥梁。辛顿又走出了实验性的一步，他宣布了一个被称作“胶囊”（capsules）的东西，不知道这个胶囊会不会又是下一个三十年的“反向传播”？