那么，AI的发展前景是否有我们想象的那么乐观呢?
节前大热的AlphaGo与柯洁的大战以人类失败告终，柯洁事后评价说，AlphaGo只是一个冷冰冰的机器人，他不懂得围棋背后的哲理。抛开柯洁为人类尊严的守护，这句话仔细分析其实不无道理。如果我们将19x19的围棋棋盘换为21x21的棋盘，那么AlphaGo此前的训练将全部付之东流。同时，AlphaGo在围棋上的训练也全然无法帮助它在象棋领域取得一丝成就。
从智能语音识别、图片识别、无人驾驶的发展，到近年来机器在各个领域击败人类，毋庸置疑，AI在最近十年的发展已经为人类世界带来了翻天覆地的变化。但，仍有不少人质疑机器发展的巨大局限。前百度***科学家吴恩达曾表示，我们当前这一轮的AI发展绝不会重蹈上世纪70年代和90年代“AI寒冬”的覆辙。Salesforce***科学家、机器学习和语言专家理查德·索赫尔也对未来AI的发展十分乐观。他认为，“即使有，AI的冬天也不会那么冷了。”那么，AI的发展前景是否有我们想象的那么乐观呢?
5月27日至28日，在机器之心主办的***届全球人工智能峰会(GMIS 2017)上，与会嘉宾对于AI整体产业未来前景的展望和反思，也深入探索了AI发展的桎梏和我们该如何应对。
AI领域发展的瓶颈之一：标记数据的缺乏
AI领域发展最凸显的瓶颈之一是标记数据的缺乏。举例说，AI虽然基于ImageNet这一巨大图库，在识别分类图片方面取得了巨大成就。然而这一成就在向生物学农业领域的迁移却面临着问题。在农业上，我们想要根据植物叶片的图片来判断农作物所感染的疾病。由于缺乏大量的训练数据，这一任务无法被处理ImageNet的分类算法所解决。
除了标记数据的缺乏之外，AI发展还存在一个更严重更本质的问题。
AI有强大“感知”能力，但仍缺乏人类“常识”
吴恩达曾发表过以下著名言论：“如果有一个任务，正常人能在通过一秒以内思考后完成，那我们就很可能在将来用AI实现此任务的自动化。” 而作为AI届***的唱反调者之一，来自纽约大学的心理学教授及畅销书作家Gary Marcus对这句话做出了修正：“如果有一个任务，正常人能在通过一秒以内思考后完成，并且我们可以收集到大量的与这个任务直接相关的数据，那我们就很可能在将来用AI实现此任务的自动化——只要我们的测试数据和训练数据不是太过不同，并且这一领域在未来不会发生太大的变化。”
一个***的例子大概就是AI对于图片的识别了。借住庞大的ImageNet图库的训练，AI在图片标识上已经能做到接近甚至超过人类的水平。然而面对上面这张简单的图片，AI却将之标记为一个放满了食物和饮料的冰箱。
AI在图像和语音识别方面的成就充分验证了AI强大的“感知(Perception)”能力。然而，学会“感知”确是远远不够的。对于上面那个图像错误识别的例子，我们能够看到，当前的AI仍旧缺乏人类的“常识(Common Sense)”。除此之外，Gary Marcus认为AI还在规划(Planning)，类比(Analogy)，语言(Language)以及推理(Reasoning)上存在明显的不足。
比如在推理能力上，一个2岁的小女儿能够轻易地在对话中对说话人的意图作出推断，并对外来可能发生的时间作出想象，而目前的AI却远远达不到这样的水平。
AI在以上几种能力方面的缺陷对AI发展有着深远的意义。现在让我们来具体看看AI已有的一些惊人成就，以及这些成就各自又都存在哪些缺憾。
从排球到Alphago， AI的成就背后还有哪些缺憾
通过AI，我们已经能够制造出很多在体育领域表现优异的机器人，例如日本排球队已经引入排球机器人来训练队员。然而，这类机器人在对于“时间发生”的预测上是基于直接的物理运算。例如在计算排球运动位置时，排球机器人会通过对排球运动速度和运动时间计算出排球即将出现的位置——这一机制是完全不同于人类做出预判的机制的。
来自北师大认知神经科学的吴思教授指出，包括人类在内的高等动物在接受信息方面存在一种极短时间的延迟。以打排球为例，由于人类神经在信息传递上的延迟，人类必须在球到达之前就对其运动轨迹作出预判。而这种预判绝不是基于机器人所用到的物理运算。此外。吴思认为，人类以及动物在接受信息方面的“延迟”是进化论的产物，这种”慢“对生物是有正面意义的，比如它可以帮我们整合多模态的信息。吴思指出，机器人的未来方向在能做到快速处理信息能力的同事明也需要解决这种”慢处理“的问题。我们需要更深刻的理解这种”慢处理“背后的原理。
再比如，在自动发展领域，基于深度学习的算法仍是当前的主要研究方向。地平线的CEO余凯指出，由于目前我们仍将深度学习当成一个黑盒子使用，这意味着我们仍无法理解深度学习在自动驾驶中的机制。因此，自动驾驶汽车在模拟中未曾出现过的突发情况下很可能会出现”当机“的致命情景。
***，让我们来看最近十分火爆的AlphaGo。如果我们将19x19的围棋棋盘换为21x21的棋盘，那么AlphaGo此前的训练将全部付之东流。同时，AlphaGo在围棋上的训练也全然无法帮助它在象棋领域取得一丝成就。
那么，面对以上AI发展的问题，我们又该如何应对?
首先，面对标记数据缺乏的问题，前Microsoft人工智能***科学家、现Citadel***人工智能官邓力认为，无需标记数据的无监督学习将是解决这一问题的关键。
而对于AI在常识(Common Sense)，规划(Planning)，类比(Analogy)，语言(Language)以及推理(Reasoning)上的不足，诸多学界业界人士认为，我们仍需要诉诸本源，思考人类的学习思考方式。
加拿大麦吉尔大学语言学副教授、科幻电影《降临》科学顾问 Jessica Coon认为，我们未来需要讲语言学的研究成果注入AI未来的发展，例如人类语言的共同性、婴儿学习语言的方式等。
第四范式***科学家、香港科大计算机科学与工程系主任杨强认为，迁移学习是解决这一问题的关键。人类能把我们过去的经验带到不同的场景，从而轻易的适应新环境，完成新任务。如果机器学习能够具有与人类一样发现共性的能力，迁移学习就将变得非常容易。迁移学习能够使小数据学习成为可能，同时增强机器学习的可靠性。
AI发展的第三次寒冬是否会到来，我们不得而知。或许，与人类无法区分的强人工智能永远无法被实现，但至少，在当前机器智能的浪潮下，我们的生活已经发生了翻天覆地的变化。现在，就让我们在享受AI为我们的生活带来的巨大便利的同时，拭目以待人类对于AI的进一步探索吧。
【本文是51CTO专栏机构大数据文摘的原创文章，微信公众号“大数据文摘（ id: BigDataDigest）”】
