□ 文 羅 達(dá)

從第一個(gè)戰(zhàn)勝?lài)迨澜绻谲姷娜斯ぶ悄艹绦駻lpha Go的發(fā)布開(kāi)始 ，人工智能的浪潮就推向了巔峰。一時(shí)間人工智能、深度學(xué)習(xí)成了全社會(huì)都在刮目相看的關(guān)鍵詞，工程師探討新應(yīng)用、企業(yè)家尋找新商機(jī)、政府在思考新的社會(huì)問(wèn)題，但大多數(shù)情況下，推動(dòng)其發(fā)展的是商業(yè)計(jì)劃，而非機(jī)器的智能化水平。

當(dāng)前人工智能技術(shù)還遠(yuǎn)遠(yuǎn)沒(méi)有成熟，正如馬斯克在推特上所述，功能性/狹義人工智能旨在處理一項(xiàng)離散任務(wù)，并不會(huì)產(chǎn)生意識(shí)等形態(tài)。當(dāng)前，人們對(duì)人工智能大都有滿(mǎn)腔熱情和濃厚興趣，而缺乏深入了解和冷靜思考，備受追捧的背后，更應(yīng)警惕人工智能的過(guò)度炒作，要積極促進(jìn)人工智能的理性繁榮。

圖1 國(guó)內(nèi)AI與各行業(yè)的結(jié)合情況

一、AI迎來(lái)空前繁榮：政策引導(dǎo)和資本涌入加劇

人工智能已成為國(guó)際競(jìng)爭(zhēng)的新焦點(diǎn)。國(guó)務(wù)院明確了人工智能技術(shù)應(yīng)用將成為改善民生的新途徑，陸續(xù)制定了一系列重要政策文件，支撐我國(guó)進(jìn)入創(chuàng)新型國(guó)家行列的奮斗目標(biāo)。2017年10月，人工智能進(jìn)入十九大報(bào)告，中國(guó)將加速推動(dòng)互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能和實(shí)體經(jīng)濟(jì)的深度融合。

截至目前，全球人工智能企業(yè)總數(shù)達(dá)到2542家，其中美國(guó)擁有1078家，占42.4%；中國(guó)其次，擁有592家，占23.3%；其余的872家企業(yè)，則分布在瑞典、新加坡等國(guó)。

如今，中國(guó)人工智能在技術(shù)研發(fā)和產(chǎn)業(yè)應(yīng)用層面均取得不少突破。以計(jì)算機(jī)視覺(jué)技術(shù)為例，目前中國(guó)已經(jīng)達(dá)到全球先進(jìn)，甚至部分領(lǐng)先水平。百度深度學(xué)習(xí)網(wǎng)絡(luò)取得人臉識(shí)別準(zhǔn)確率99.84%；騰訊以83.29%的成績(jī)?cè)趪?guó)際權(quán)威人臉數(shù)據(jù)庫(kù)MegaFace上100萬(wàn)級(jí)別人臉識(shí)別測(cè)試中獲得冠軍。在商業(yè)化應(yīng)用方面，中國(guó)已經(jīng)多點(diǎn)開(kāi)花，CSDN調(diào)查的數(shù)據(jù)顯示，AI技術(shù)正在與各個(gè)行業(yè)的業(yè)務(wù)發(fā)生著融合促進(jìn)，其中金融、制造業(yè)、電商、醫(yī)療等行業(yè)占比最高。中國(guó)人工智能產(chǎn)業(yè)2017年預(yù)估增長(zhǎng)率達(dá)到51.2%，產(chǎn)業(yè)規(guī)模達(dá)到152.1億元。

但是，目前市場(chǎng)上人工智能概念眾多，除了技術(shù)突破，還有偽概念下的虛假繁榮。2018年我國(guó)人工智能企業(yè)加速行業(yè)調(diào)整，業(yè)內(nèi)有建議營(yíng)造“去泡沫化”的務(wù)實(shí)發(fā)展環(huán)境，引導(dǎo)人工智能技術(shù)與市場(chǎng)有效結(jié)合?？v觀(guān)人工智能的發(fā)展歷程，幾次起落，很大程度上受到業(yè)界對(duì)人工智能的認(rèn)知變化及市場(chǎng)預(yù)期的影響，但究其根本還是在于技術(shù)的局限性。

圖2 訓(xùn)練數(shù)據(jù)的標(biāo)記

二、AI當(dāng)前行業(yè)狀況：“基礎(chǔ)—技術(shù)—應(yīng)用”并進(jìn)

1）基礎(chǔ)層：計(jì)算能力支撐、數(shù)據(jù)資源，包括芯片、云、數(shù)據(jù)和算法結(jié)構(gòu)

基礎(chǔ)層方面，中國(guó)的實(shí)力還比較薄弱，尤其是芯片領(lǐng)域，玩家多為創(chuàng)業(yè)公司，而美國(guó)在這一領(lǐng)域多為英偉達(dá)、英特爾等重量級(jí)玩家，同時(shí)創(chuàng)業(yè)公司也層出不窮；在基礎(chǔ)技術(shù)框架領(lǐng)域，國(guó)外有Google、微軟、Facebook、亞馬遜等，國(guó)內(nèi)有百度、騰訊、阿里巴巴等；在數(shù)據(jù)領(lǐng)域，很多互聯(lián)網(wǎng)公司本身就積累了海量數(shù)據(jù)，不過(guò)這些商業(yè)數(shù)據(jù)一般不會(huì)對(duì)外共享，而且這些公司也對(duì)標(biāo)注處理后的有效數(shù)據(jù)存在需求，因此市場(chǎng)上存在第三方數(shù)據(jù)提供商，國(guó)內(nèi)以海天瑞聲為代表，美國(guó)則以CrowdFlower為代表。

2）技術(shù)層：算法、模型及技術(shù)開(kāi)發(fā)，包括語(yǔ)音&聲學(xué)識(shí)別技術(shù)、語(yǔ)義識(shí)別&分析、視覺(jué)識(shí)別技術(shù)和AI平臺(tái)

技術(shù)層主要分為三個(gè)領(lǐng)域：機(jī)器學(xué)習(xí)、語(yǔ)音識(shí)別和自然語(yǔ)言處理、以及計(jì)算機(jī)視覺(jué)。其中除了BAT等大玩家之外，語(yǔ)音識(shí)別和自然語(yǔ)言處理領(lǐng)域的代表公司有科大訊飛、云知聲、思必馳等，計(jì)算機(jī)視覺(jué)領(lǐng)域的代表公司有商湯科技、曠視科技、依圖科技等。它們中有很多已成為新興的獨(dú)角獸，融資額度甚至超過(guò)美國(guó)同行。

3）應(yīng)用層：人工智能在各行業(yè)的滲透應(yīng)用，包括醫(yī)療健康、無(wú)人駕駛、營(yíng)銷(xiāo)、金融、倉(cāng)儲(chǔ)物流等垂直行業(yè)應(yīng)用

在AI應(yīng)用領(lǐng)域，中國(guó)呈現(xiàn)出爆發(fā)的趨勢(shì)，目前主要集中在安防、金融、醫(yī)療、教育、零售、機(jī)器人以及智能駕駛等領(lǐng)域。其中安防領(lǐng)域的代表公司有?？低?、大華等；金融領(lǐng)域有螞蟻金服、眾安科技等；醫(yī)療領(lǐng)域有醫(yī)渡云、匯醫(yī)慧影等；教育領(lǐng)域有科大訊飛、乂學(xué)教育等；零售領(lǐng)域有阿里、京東、繽果盒子等；機(jī)器人領(lǐng)域有大疆創(chuàng)新、優(yōu)必選等；智能駕駛領(lǐng)域有百度、馭勢(shì)等。

三、深度學(xué)習(xí)：引領(lǐng)本輪AI潮，關(guān)鍵難題待突破

算法、硬件處理能力及大數(shù)據(jù)的發(fā)展推動(dòng)了本輪人工智能技術(shù)的復(fù)蘇。硬件和大數(shù)據(jù)為人工智能提供了底層驅(qū)動(dòng)力，過(guò)去幾年互聯(lián)網(wǎng)、移動(dòng)互聯(lián)網(wǎng)和以Hadoop和Spark為代表的大數(shù)據(jù)技術(shù)的發(fā)展，數(shù)據(jù)積累為這次人工智能的發(fā)展創(chuàng)造了必要條件。

目前，深度學(xué)習(xí)算法面臨算法精度、算法時(shí)間效率、數(shù)據(jù)采集及可解釋性等幾個(gè)方面問(wèn)題。學(xué)術(shù)領(lǐng)域主要關(guān)注算法精度的提高、深度學(xué)習(xí)算法作為“黑盒”的可解釋性以及算法訓(xùn)練時(shí)間和執(zhí)行時(shí)間效率等問(wèn)題。工業(yè)領(lǐng)域關(guān)注數(shù)據(jù)采集、算法精度及執(zhí)行時(shí)間和效率等問(wèn)題。目前深度學(xué)習(xí)如何調(diào)優(yōu)算法性能，如何理解深度學(xué)習(xí)算法的訓(xùn)練和結(jié)果，很多都還是工程實(shí)踐，理論上有待進(jìn)一步完善。

1）數(shù)據(jù)標(biāo)記技術(shù)

機(jī)器學(xué)習(xí)主要分為有監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)。有監(jiān)督學(xué)習(xí)是指為訓(xùn)練數(shù)據(jù)提供類(lèi)別標(biāo)簽，無(wú)監(jiān)督學(xué)習(xí)則不提供標(biāo)簽。數(shù)據(jù)標(biāo)注有許多類(lèi)型，如分類(lèi)、畫(huà)框、注釋、標(biāo)記等等，監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)中輸入的樣本是有標(biāo)簽的，即（input,target），這樣我們根據(jù)當(dāng)前輸出和target（label）之間的差去改變前面各層的參數(shù)，用大量帶標(biāo)記的數(shù)據(jù)進(jìn)行訓(xùn)練，直到收斂。這一輪人工智能浪潮主要還是在監(jiān)督學(xué)習(xí)領(lǐng)域，相比較來(lái)講，無(wú)監(jiān)督學(xué)習(xí)更難，進(jìn)展也更緩慢。

在計(jì)算機(jī)視覺(jué)領(lǐng)域，一個(gè)重要的研究問(wèn)題就是圖片的語(yǔ)義切割，它需要把圖像中物體的輪廓標(biāo)注出來(lái)。也就是說(shuō)，它需要為圖片中每一個(gè)像素提供標(biāo)注。近年來(lái)，圖像打標(biāo)技術(shù)在圖像分類(lèi)、圖像檢測(cè)、圖像比對(duì)及圖像語(yǔ)義切割等領(lǐng)域有了新的進(jìn)展。例如，在2017年7月的CVPR會(huì)議上，出現(xiàn)了一些新的半自動(dòng)化打標(biāo)工具和算法作為數(shù)據(jù)標(biāo)注的方案。

總體來(lái)說(shuō)，深度學(xué)習(xí)需要大量有標(biāo)簽的高質(zhì)量數(shù)據(jù)，但數(shù)據(jù)標(biāo)注成本高，無(wú)監(jiān)督學(xué)習(xí)方向尚需突破，才能實(shí)現(xiàn)對(duì)海量數(shù)據(jù)的有效利用。

2）神經(jīng)網(wǎng)絡(luò)模型

深度學(xué)習(xí)的一個(gè)重要特點(diǎn)是降低人工特征構(gòu)造和抽取的繁重工作，取而代之的是，通過(guò)靈活配置的模型結(jié)構(gòu)，讓模型從數(shù)據(jù)中自動(dòng)抽取各種關(guān)聯(lián)特征。在模型方面，從早期的DNN模型，到CNN模型、RNN模型，深度學(xué)習(xí)模型逐步可以對(duì)應(yīng)輸入信號(hào)的全連接關(guān)系、局部關(guān)系和序列關(guān)系。獲得高質(zhì)量模型最保險(xiǎn)的做法就是增加模型的深度（層數(shù)）或者是寬度（層核或者神經(jīng)元數(shù)），導(dǎo)致的問(wèn)題是：1. 若訓(xùn)練數(shù)據(jù)集有限，參數(shù)太多，容易過(guò)擬合；2.網(wǎng)絡(luò)越大，計(jì)算復(fù)雜度越大，難以應(yīng)用；3.網(wǎng)絡(luò)越深，梯度越往后穿越容易消失，難以?xún)?yōu)化模型。

隨著深度學(xué)習(xí)的模型越來(lái)越大，當(dāng)前也在研究對(duì)模型參數(shù)進(jìn)行有效壓縮。第一是大腦激活稀疏性的問(wèn)題，高層視覺(jué)皮層里的神經(jīng)元將具備選擇性和稀疏性，它們只會(huì)對(duì)特定的有高級(jí)語(yǔ)義信息的模式產(chǎn)生激活；第二是CNN模型壓縮的問(wèn)題，模型壓縮大致是砍掉冗余的神經(jīng)元和鏈接，但做深度學(xué)習(xí)模型壓縮的人多數(shù)是工程背景，往往追求更好的壓縮效率，而不關(guān)心可解釋性。

總體來(lái)說(shuō)，深度學(xué)習(xí)的模型結(jié)構(gòu)仍有大量工作需要研究，特別是降維領(lǐng)域。目前一個(gè)方向就是稀疏編碼，通過(guò)壓縮感知理論對(duì)高維數(shù)據(jù)進(jìn)行降維，使得非常少的元素的向量就可以精確地代表原來(lái)的高維信號(hào)。再有就是半監(jiān)督流行學(xué)習(xí)，通過(guò)測(cè)量訓(xùn)練樣本的相似性，將高維數(shù)據(jù)的這種相似性投影到低維空間。

圖3 卷積神經(jīng)網(wǎng)絡(luò)模型

3）深度學(xué)習(xí)的可解釋性

隨著AI模型在生活中的廣泛應(yīng)用，在性能提升的同時(shí)，人們也更關(guān)注AI模型自身的安全性和可解釋性。只有充分理解AI模型的學(xué)習(xí)原理，人們才會(huì)更放心地將AI模型應(yīng)用到醫(yī)療、國(guó)防等性命攸關(guān)的領(lǐng)域。深度學(xué)習(xí)主要擅長(zhǎng)特征抽取，但是缺乏推理能力，其決策的過(guò)程很難像概率圖那樣可以解釋。

總體來(lái)說(shuō)，深度學(xué)習(xí)基于數(shù)據(jù)驅(qū)動(dòng)，可解釋性不強(qiáng)，其理論基礎(chǔ)尚未完備，缺乏演繹推理能力。截至目前，深度學(xué)習(xí)模型并沒(méi)有良好的理論基礎(chǔ)，模型的可解釋性差，這阻礙了自然語(yǔ)言處理技術(shù)在醫(yī)療、金融等一些關(guān)鍵領(lǐng)域的大規(guī)模應(yīng)用。如果能把符號(hào)數(shù)據(jù)和向量數(shù)據(jù)結(jié)合起來(lái)，可以實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)，提升目前深度學(xué)習(xí)方法的可解釋性，減少對(duì)大數(shù)據(jù)的依賴(lài)。

4）深度學(xué)習(xí)的算法精度

神經(jīng)網(wǎng)絡(luò)中的向量表征對(duì)歧義、噪聲具有一定的魯棒性，泛化性較好。目前，計(jì)算機(jī)視覺(jué)在靜態(tài)的圖像識(shí)別領(lǐng)域已經(jīng)做得非常出色了，比如2012年時(shí)，ImageNet大規(guī)模視覺(jué)識(shí)別挑戰(zhàn)賽（ILSVRC）top5的錯(cuò)誤率是15.4%，到2015年，錯(cuò)誤率已經(jīng)下降到3.57%，而人眼識(shí)別的錯(cuò)誤率為5.1%。在靜態(tài)圖像識(shí)別技術(shù)相對(duì)成熟之后，目前學(xué)術(shù)界正在研究讓計(jì)算機(jī)看懂視頻，比如李飛飛在CVPR2017上展示的最新研究，就將視頻和語(yǔ)言結(jié)合起來(lái)，讓計(jì)算機(jī)對(duì)一個(gè)說(shuō)明性視頻中不同的部分做聯(lián)合推理，并整理出文本結(jié)構(gòu)。

總體來(lái)說(shuō)，機(jī)器學(xué)習(xí)基于概率統(tǒng)計(jì)，再好的技術(shù)也做不到100%的準(zhǔn)確率。智能應(yīng)用需要與解決方案相結(jié)合才能給用戶(hù)帶來(lái)良好的應(yīng)用體驗(yàn)。

四、AI熱潮需冷靜：深度學(xué)習(xí)出現(xiàn)批判性探討

前段時(shí)間，前 Uber AI Lab 主管 Gary Marcus 發(fā)表了一篇長(zhǎng)文對(duì)深度學(xué)習(xí)的現(xiàn)狀及局限性進(jìn)行了批判性探討。主要觀(guān)點(diǎn)包括：（1）目前深度學(xué)習(xí)需要大量數(shù)據(jù)；（2）深度學(xué)習(xí)目前沒(méi)有足夠的能力進(jìn)行遷移；（3）迄今深度學(xué)習(xí)沒(méi)有自然方式來(lái)處理層級(jí)架構(gòu)；（4）迄今為止的深度學(xué)習(xí)無(wú)法進(jìn)行開(kāi)放推理；（5）迄今為止的深度學(xué)習(xí)不夠透明；（6）深度學(xué)習(xí)并沒(méi)有很好地與先驗(yàn)知識(shí)相結(jié)合；（7）深度學(xué)習(xí)還不能從根本上區(qū)分因果關(guān)系和相關(guān)關(guān)系；（8）深度學(xué)習(xí)假設(shè)世界是大體穩(wěn)定的，采用的方式可能是概率的；（9）深度學(xué)習(xí)只是一種良好的近似，其答案并不完全可信；（10）深度學(xué)習(xí)還難以在工程中使用。所以，深度學(xué)習(xí)是學(xué)習(xí)人類(lèi)做過(guò)（過(guò)去時(shí)）的事情的技術(shù)，而不是學(xué)習(xí)人類(lèi)活動(dòng)的技術(shù)，深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)不能做任何未經(jīng)過(guò)訓(xùn)練的事情。

深度學(xué)習(xí)還有很多核心的問(wèn)題需要解決，具體地：

（1）對(duì)于一個(gè)特定的框架，對(duì)于多少維的輸入它可以表現(xiàn)得較優(yōu)？

（2）對(duì)捕捉短時(shí)或者長(zhǎng)時(shí)間的時(shí)間依賴(lài)，哪種架構(gòu)才是有效的？

（3）如何對(duì)于一個(gè)給定的深度學(xué)習(xí)架構(gòu)，融合多種感知的信息？

（4）有什么正確的機(jī)理可以去增強(qiáng)一個(gè)給定的深度學(xué)習(xí)架構(gòu)，以改進(jìn)其魯棒性和對(duì)扭曲和數(shù)據(jù)丟失的不變性？

（5）模型方面是否有其他更為有效且有理論依據(jù)的深度模型學(xué)習(xí)算法？

此外，AI芯片的研制尚處于起步階段，現(xiàn)階段人工智能技術(shù)的大規(guī)模應(yīng)用成本還比較高；同時(shí)，深度學(xué)習(xí)模型往往需要強(qiáng)大的計(jì)算資源，這需要盡可能壓縮模型的大小以及提高硬件的計(jì)算能力。

五、通用AI的挑戰(zhàn)：突破“認(rèn)知閉合”的局限

通用智能是一個(gè)系統(tǒng)，可在一系列的目標(biāo)和環(huán)境中智能地執(zhí)行動(dòng)作。Russell 與 Norvig的《人工智能：一種現(xiàn)代方法》中把已有的一些人工智能分為4類(lèi)，即：能夠像人一樣思考的系統(tǒng)、像人一樣行動(dòng)思維的系統(tǒng)、理性地思考的系統(tǒng)、理性地行動(dòng)的系統(tǒng)。

雖然人工智能第三次浪潮使得算法大規(guī)模產(chǎn)品化成為可能，但現(xiàn)階段人工智能的發(fā)展遠(yuǎn)遠(yuǎn)沒(méi)有成熟。卷積神經(jīng)網(wǎng)絡(luò)（CNN）系列算法在圍棋上的成功，不是因?yàn)樗_(dá)到了圍棋之神的水平，而是因?yàn)槿祟?lèi)也是用CNN的方式去學(xué)棋去下棋，于是在同樣的道路上，計(jì)算機(jī)跑得快得多。此外，人類(lèi)大腦每小時(shí)大約消耗20瓦能量，能完成做飯、開(kāi)車(chē)等無(wú)數(shù)的事情，以AlphaGo的配置為例，其每小時(shí)的耗能可以達(dá)到440千瓦的水平，但只能完成一件事。人工智能已然成為在超級(jí)計(jì)算機(jī)上運(yùn)行計(jì)算密集型程序的代名詞、暴力計(jì)算型的人工智能（《智能的本質(zhì)》（Piero Scarufii））。

馬斯克曾頻繁警告人工智能的危險(xiǎn)已經(jīng)觸及到它們可能用于控制武器或操縱信息來(lái)引發(fā)全球性沖突。物理學(xué)家霍金以及比爾·蓋茨也以類(lèi)似的方式警告說(shuō)，AI在超過(guò)我們的生物智能時(shí)可以“取代”人類(lèi)。但這些擔(dān)憂(yōu)是關(guān)于通用人工智能，即系統(tǒng)能夠復(fù)制所有人類(lèi)決策。但像特斯拉的Autopilot、AlphaGo和Facebook的新聞推送算法等系統(tǒng)是馬斯克口中的功能性/狹義人工智能。功能性/狹義AI系統(tǒng)旨在處理一項(xiàng)離散任務(wù)，并不會(huì)產(chǎn)生意識(shí)等形態(tài)。而這一點(diǎn)，連哈佛知名教授斯蒂芬·平克也沒(méi)認(rèn)識(shí)清楚，所以，馬斯克對(duì)其負(fù)面言論進(jìn)行了批評(píng)指正。

為了推動(dòng)實(shí)現(xiàn)通用AI的宏偉目標(biāo)，人工智能還需充分地探究“認(rèn)知”，尤其是發(fā)展心理學(xué)和發(fā)展認(rèn)知科學(xué)。探究人腦或心智的工作機(jī)制，主要包括：語(yǔ)言習(xí)得、閱讀、話(huà)語(yǔ)、心理模型小概念和歸納、問(wèn)題解決和認(rèn)知技藝獲得、視覺(jué)的計(jì)算、視覺(jué)注意等。在機(jī)器中重新創(chuàng)造智能，就必須更加理解那些隱藏于人類(lèi)思維中的運(yùn)作現(xiàn)象，以一種統(tǒng)一的視角，將心理學(xué)、人工智能、神經(jīng)科學(xué)、語(yǔ)言學(xué)、哲學(xué)、與人類(lèi)學(xué)探索認(rèn)知的進(jìn)路歸為對(duì)心理表征和心理程序的處理。

Colin McGinn在《意識(shí)的問(wèn)題》中提出認(rèn)知閉合的概念，超人類(lèi)智能理應(yīng)存在。這個(gè)概念的基本內(nèi)容是每一個(gè)認(rèn)知系統(tǒng)都存在認(rèn)知閉合，可以知曉的實(shí)物范圍存在邊界，蒼蠅和蛇看到的世界與我們看到的世界不同，因?yàn)樗鼈儾痪邆淙祟?lèi)的視覺(jué)系統(tǒng)，反過(guò)來(lái)，我們永遠(yuǎn)無(wú)法知道做蒼蠅和蛇是怎樣的一種體驗(yàn)。天生的盲人永遠(yuǎn)無(wú)法知道“紅色是什么”，即便他學(xué)習(xí)了一切關(guān)于紅色的知識(shí)。按照這個(gè)思路，人腦對(duì)于想到、理解和認(rèn)識(shí)的實(shí)物都有局限性，人類(lèi)智能存在上限。應(yīng)該存在超人類(lèi)的認(rèn)知系統(tǒng)，即它們能突破我們的認(rèn)知局限性。人工智能需要更多的認(rèn)知科學(xué)與神經(jīng)科學(xué)，甚至醫(yī)學(xué)的人加入，先去探索人自身的思考學(xué)習(xí)過(guò)程，再去構(gòu)建模擬系統(tǒng)，只靠計(jì)算機(jī)和統(tǒng)計(jì)，局部領(lǐng)域可以做的不錯(cuò)，卻沒(méi)辦法做通用的人工智能。所以，如何去變革神經(jīng)網(wǎng)絡(luò)單元的結(jié)構(gòu)是更關(guān)鍵的道路。還有人認(rèn)為，實(shí)現(xiàn)人工智能的正確方法應(yīng)該是模擬大腦結(jié)構(gòu)及其神經(jīng)過(guò)程，這種策略可以繞開(kāi)找尋算法集的艱辛過(guò)程。

總之，當(dāng)前的人工智能技術(shù)還遠(yuǎn)遠(yuǎn)沒(méi)有成熟，深入了解功能性人工智能的技術(shù)局限之后，更應(yīng)該理智對(duì)待AI偽概念下的資本追捧和輿論炒作，才能理性地促進(jìn)人工智能的繁榮?！?/p>