深度学习除了正在“非法”用于很多可解任务以外，它也不能被用于解决以下一系列问题：那些需要抽象推理来找出数据中哪些是公平，哪些是不公平的任务，以及那些需要解释其自行作出的决定的任务。即使对于那些不需要解释的任务，例如图像识别，深度学习看起来是最好的系统，但是也不如人类自己的眼睛保险。你可以轻而易举地使用“对抗样本”来让深度学习系统出错：为一张猫的图片加入一些不可见的噪点，机器就会把它误认为其他不相关的东西，比如一只狗。人类看到这样的图片仍然看得出它是一只猫，而深度学习会将其理解成一只狗或者其它黑客秘密嵌入的东西。这一点可以用到路牌上，来黑掉目前的自动驾驶汽车。新一代的人工智能系统必须克服这个问题才能取代深度学习。
著名深度学习库Keras作者François Chollet曾在一篇名为《深度学习的限制》的文章中说到：“深度学习唯一真正能成功做到的是使用连续几何变换，在给定大量人为标注数据的情况下将空间X映射到空间Y的能力。”这些空间拥有多重维度，不仅仅是三维的，这就是深度学习可以模仿毕加索的作画风格、在德州扑克中“Bluff”，以及在其他任务中模仿人类创造力的原因。但是对于外行人来说，这也许意味着：深度学习模型经过训练可以拥有识别猫的能力，而它本身不知道什么是猫；它可以是一个种族主义者，但不知道什么是种族主义。深度学习可以识别猫、具有种族主义、或赢得很多游戏，这一点是令人瞩目的，有时也有实际用途，但是深度学习无法解释为什么图中的动物是猫，或者一个决策是否带有种族歧视。
在《深度学习的未来》一文中，Keras的作者描述了一种只有“几何模块”的全新深度学习系统，它应该与尚未出现的“算法模块”和“元学习器”相关。这种系统可以显著增加能够解决的问题类型与数量，但因为深度学习模块的存在，这种方式仍然无法解释它的决策。这就像我们不能用言语解释大脑中计算出的某些感觉或图像。人类会解释一切事物，但大多数都是编造的、过于简单的理由，而每个人似乎都认为是准确的。机器的算法却总是被要求做到完全准确。有一些专家正在开发完全不包含深度学习的全新人工智能系统，但他们缺乏资金支持：现在所有人都只投资深度学习，而且这个风潮还将持续一段时间。没有人知道下一个人工智能大事件将会是关于什么的，但不太可能是深度学习2.0。
深度学习正被大肆炒作，因为尽管涉及利益冲突，目前也只有出售深度学习软、硬件的人在关于人工智能的访谈中发声。你可曾见过任何“自然智能”专家，如心理学家和哲学家支持过深度学习？
如果你并不急于学习人工智能，或者还没有时间，我认为你可以等待下一代人工智能系统的兴起然后直接学习它，跳过深度学习 1.0 时代。如果你急需学习人工智能，或者自己也有足够的时间，我建议你深入了解整个人工智能及机器学习领域的知识，而不仅仅是深度学习。