基于神经网络和大样本统计规律的深度学习越来越走入瓶颈，人工智能的发展越来越向基于符号推理和因果推理的传统人工智能回归。AI算法工程师不能把眼光仅仅局限在海量样本的统计规律上，而应该学习并掌握基于符号推理和小样本学习的传统人工智能技术。否则，当深度学习的热点一过，你很可能无法适应企业和市场对AI的新的需求。本文介绍了传统人工智能要解决的三大问题：问题求解、博弈和谓词逻辑。它们都是基于符号推理和白盒推

推导的起点是动量公式和质量转换公式：1）动量公式，设p表示动量，m、v、f、t、分别表示质量、速度、力和时间，则有：2）质量的转换公式，设m0表示物质的初始质量，c是光速，m是物质在速度v下的质量，则有：假设：代入(2)得所以有：假设m、v、f都是t的函数，根据(1)有：把（3）、（5）代入（6），得：把（4）代入，得：假设E和s分别是物质的动能和位移，则有：速度v是位移s对时间t的导数：.

如今，谈到人工智能，人们第一个想到的是深度学习。大量的人力物力财力被投入到深度学习中去。但事实上，深度学习本质上是对大量样本统计规律的归纳，被称为统计学习。统计学习是AI的初级阶段，统计学习之上还有其他学习，从高到低分别是：数学归纳法进化学习逻辑推理经验学习统计学习经验学习是什么？经验学习是指基于贝叶斯公式和贝叶斯网络的学习。其本质是用新发生的现象、事实和证据改变人们对事物本质的老的认识。比如，