我们在第一部分讨论胶囊网络时提到过神经网络(cnn)对纹理很敏感，而不够关心位置和形状信息，这里是David收集的更多的讨论和参考文献，希望对你们有帮助：
1. 研究人员证明神经网络的物体检测有多脆弱，以及一些对抗样本例子：Machine Learning Confronts the Elephant in the Room
2. 实验证明数据增强不能把神经网络的泛化能力提高到人类的水平：Generalisation in humans and deep neural networks
3. 一些非常相似的图片足以迷惑神经网络， 继续阅读为什么神经网络(cnn)关心纹理，而不关心位置和形状信息？整理一些解释和参考文献
人类强大的“脑补”和“移情”能力，可能需要AI很久才能跟上 — David 9
前不久四年一度的ACM联合大会在美国亚利桑那州召开，包括今年图灵奖的主深度学习奠基人Hinton和LeCun也各自发表了演讲。Hinton更偏重深度学习的历史进展和神经网络本身底层的未来，LeCun演讲更关注上层解释和应用。Hinton和LeCun的演讲主题是“深度学习革命”：
这里David总结下面5点思考，帮助学习交流：
1. 符号型AI VS. 非符号型AI（深度学习），谁才是对的？
从AI历史说起，Hinton一上来就提到两种AI派别：符号型AI（symbolic）和非符号型AI（non-symbolic）。事实上这两个派别已涉及到哲学领域。
符号型AI学派认为所谓“智能”是需要推理（reasoning）和逻辑（logic）指导的, 没有前后因果的“智能”简直就是耍流氓。我们能分得清猫和老虎是因为我们大脑中其实有复杂逻辑判别（虽然你不自知）
而Hinton所支持的非符号AI学派（如深度学习）认为，我们应该专注学习和感知，没有因果推理没关系，只要神经网络切实地工作并学到东西即可。通过神经连接学习也可以判断猫和老虎。
虽然，目前非符号AI学派看似有压倒性优势（符号AI的地盘已经不多，包括自然语言和逻辑推理领域），但是，David的观点是，无论是哪一派，都绕不开所谓的“自由意志”这个点（或者至少让AI自认为有自由意志），没有人证明通过感知的堆叠可以更接近自由意志，也没有人证明抛开因果推理我们人类依旧可以成为“自由意志”的智人。
另外，未来计算机体系结构的变化可能直接影响未来AI的发展方向，我们不知道未来的边缘计算，分布式计算哪怕是5G会给符号型AI什么契机，所以，你们可以冷静地思考一下，而不是盲目拥抱深度学习
2. 反向传播会是未来吗？ 继续阅读David9划重点：对Hinton和LeCun在ACM联合大会演讲的5点思考，深度学习的未来，底层和上层
“信息”技术的开垦只是刚刚开始，对于AI工作者也许更恰当的一个名称是“信息控制师” — David 9
人脑可以随时拿出一个模型处理周围信息，而不是等待别人告诉它怎么处理信息。现在所谓”深度学习”的风口，其实都只能归为信息科技。这种需要人工告诉模型如何处理信息的智能，David姑且称为“信息控制智能”。
cnn做了自动的信息解构提取，rnn把时序间的信息收集提取，gan把模糊化的loss信息学习提取，包括今天要聊到的Dropout和L0正则都是对网络学到的内部信息做了控制。
如果大家知道神经网络蒸馏、剪枝或者模型压缩和量化，大家愈发会感到：这些就是实实在在的“信息工具”而已。拿L0正则举例（其实L1, L2正则都类似），L0能做到的只是把所有的非０权重以同样的力量拉扯到０，使得网络学到的参数信息更稀疏，L1, L2不同之处只是对于不同大小的参数θ ，拉扯的力量不同而已：
同样，for.ai与Hinton老爷子提出的定向Dropout（targeted-dropout）也可以用来压缩模型(但不丢失信息或少丢失信息)。“彩票假设”的提出者们认为，一个密集、随机初始化的前向神经网络都可以找到一个子网络（所谓的彩票），能够比较稀疏并且和原网络差别极小的性能。 继续阅读定向Dropout和L0正则，for.ai与Hinton老爷子的神经网络蒸馏、剪枝与量化新研究，稀疏化神经网络，控制参数间互信息
