多伦多最顶级的人工智能研究所的名字就取自这个理念。Vector Institute（向量研究所）这个名字就是辛顿取的。
辛顿创造了某种现实扭曲场，一种充满笃定和热忱的气氛，让你感觉向量无所不能。毕竟，他们发明了自动驾驶汽车、检测癌症的计算机，还有同声传译机器。现在，这位富有魅力的英国科学家又在谈论高维空间的梯度下降。
不过，当你冷静一下以后会想起来，这些“深度学习”系统还很蠢，虽然它们偶尔表现得很聪明。计算机看到桌子上的一堆甜甜圈时，自动给它加上标注：桌子上的一堆甜甜圈。看起来，计算机有一定的理解能力。但是，同一个程序看到一个正在刷牙的女孩的照片时，得出的结论可能是“这个男孩拿着一个棒球棒”。由此可看出，这种理解能力，即便存在，其实也非常浅薄。
神经网络只是不具备思维能力的模式识别机。鉴于它们的实用性，人们纷纷将其融入各种软件。即便在最佳条件下，它们只表现出有限的智能，很容易被糊弄。一个会识别图像的深度神经网络在你修改一个像素或加上一个人类察觉不到的视觉干扰后，就完全失灵了。自动驾驶汽车无法应对陌生情境。机器无法解析需要生活常识的语句。
深度学习能用某种方式模仿人脑行为，但只能停留在一个浅薄的层面。正因如此，它有时表现出较低的智能水平。确实，反向传播不是在深度研究大脑、剖析思想构成的过程中发现的。机器像动物一样，在反复试验的过程中学习。它在发展过程中的大多数跃进并未涉及神经科学的新理念；这些进展是数学和工程学多年的技术进步。我们所知道的智能，在无限的未知面前根本不值一提。