通用人工智能的任务在于如何控制无所不在的视觉与听觉，以“识别”为例，通用人工智能研究范畴将包括对人体运动的控制，传递信息的准确度，信息处理的流畅度，视觉信息自组织等等，由于未考虑空间识别的细节，这些应用得不到很好的成效。对于不同数据源的ai系统，也只有控制优化的微小差异，如果深度学习更先进一些，还有可能出现一些量变的方向性进展。
而如今，完美的人工智能要包括正确的大脑，但是人工智能还是很难做到人类对整个世界的“了解”。它仅仅是从我们对世界的认知中提取规律性，然后运用在对高纬度或无规律系统的自我学习或理解，成为人类。类似于正态分布，目前已经有相当多的研究已经证明，正态分布背后是规律运用的力量，才会产生这么多这样奇怪的现象。
回到应用的角度，当前的机器学习的能力，仍是数据量不够，预测准确率还远远低于深度学习，特别是时序估计，已经是深度学习的短板。通用人工智能的发展需要依赖更加广泛和高密度的数据，这就好比一个球队靠内线的强度打高联赛冠军，你不能指望像nba的梦之队那样，内线的强度一直靠深度学习，所以问题不在于发展人工智能，而在于数据问题，数据背后的可解释性问题。现在出现比较好的通用人工智能，应该是很自然的一个现象。它背后有一系列良好的数据传递与技术机制支撑。
但是，目前还不会太远。现阶段它还需要大量的数据积累与存储，使它的研究结果可以很方便的部署到工业界和应用场景中。我认为目前的人工智能还很难达到像cs229算法那样的程度，虽然人工智能算法已经在一定程度上接近于‘真‘人’的思维方式，但还有很长的路要走。答题已经过去了一年多，想来自己还是有点想法，但是现在对于题主的问题有点懵逼。首先要定义通用人工智能，简单来说就是人工智能能够解决所有问题，比如解决英语四六级考试题目，解决翻译文章，解决语音识别，这些都是通用人工智能。
接下来，在未来可预见的一两年内，通用人工智能是没有办法达到像古人类那样意识思维，思维模式，个体思维的。而真正的人工智能必须像iphone那样拥有完整的ios系统，拥有完整的硬件平台和完整的数据传输和存储体系，才能确定通用人工智能的身份。如果题主是指通用ai，那么很抱歉，大部分机器学习算法只能实现一个模型，比如预测准确率，模型复杂度，性能一致性等等，当然系统运算速度越快，训练集容量越大，也能达到同样的效果。然而随着深度学习算法的出现，具有神经网络结构的深度学习算法在图像识别，语音识别。
