人工智能领域正在发生复兴。对于该领域的一些专业专家来说并非如此。许多人都在反对深度学习的进步。无论如何，深度学习与经典方法有着惊人的根本差异。

原有风格的人工智能程序通常在认知的合法前提下归零，与其相反，深度学习在认知直觉的范围内起作用。深度学习框架显示的行为似乎是生物学的，尽管它不是建立在生物学材料上的。碰巧的是，人类幸运地发现了人工直觉作为深度学习。

人工直觉是一个容易误解的简单术语，因为它看起来像是人工情感和人工同理心。无论如何，它在根本上是相反的。科学家正在处理人造直觉，以便机器可以更精确地模仿人类的行为。人工直觉计划可以实时区分人的视角。按照这些思路，例如，聊天机器人、虚拟助手和护理机器人可以在场景中更恰当地对人们做出反应。人工直觉与人类直觉更相似，因为它可以快速评估情况的整体，包括特定活动的细微指标。

当今的企业使用机器学习来区分与潜在威胁和漏洞相关的异常值和模式。网络安全供应商面临的一个典型挑战是，大量的误报会导致“警报疲劳”。考虑到警报疲劳会使人们忽略了他们试图阻止的危险，这一事实是危险的。另一个问题是假阴性，忽略了不必要的行为。

人工智能专家Anderson将还原论策略描述为具有以下特征：

•完整性：我们努力寻找最理想的解决方案。

•消除：我们努力获得所有解决方案。

•可重复性：我们希望每次在相似的条件下重复检查都会得到相似的结果。

•及时性：我们希望在有限的时间内取得成果。

•简约性：我们努力找到最简单的假设，该假设完全阐明了可访问的信息。

•透明度：我们需要看看结果如何显示。

•可理解性：我们需要理解结果。

尽管组织进行了所有网络安全投资，但它们通常比网络犯罪分子落后一步，原因是一些模式过于朴实，甚至都无法考虑进行检测。

偶尔进行更改对于获得关键效果很重要。耶鲁大学的菲利普斯大学数学教授Ronald Coifman和特拉维夫大学的计算机科学教授Amir Averbuch一直在努力做到这一点。他们建立了一堆“人工直觉”算法，这些算法在大数据中发现了其他方法无法找到的模糊迹象。

安德森（Anderson）认为，对于基于“无模型”方法的选择，应该摒弃基于逻辑的方法。就是说，基于本能的认知不可能来自基于还原的原理。Anderson描绘的“无意识模式”是“不智能的部分”，也就是说，她撰写了以下内容：

如果尝试从有见地的部分构建一个智能系统，那么此时您只是将问题向下推了一层。

Anderson提出了一些“无模型”组件，这些组件的融合可以促进我们凭直觉看到的突发行为。

“计算本能”最可能是一个更精确的术语，因为团队的算法会分析数据中的关系，而不是解剖数据值（这通常是AI的工作方式）。特别是，算法可以识别出新的和已经未被发现的模式，例如，网络犯罪发生时会给人以良性交易的印象。例如，Coifman和Averbuch的算法已经从支持一个著名恐怖组织的各个国家的数百万个银行帐户中识别出了价值10亿美元的名义汇款）。