通用人工智能的任務(wù)在于如何控制無所不在的視覺與聽覺，以“識別”為例，通用人工智能研究范疇將包括對人體運動的控制，傳遞信息的準(zhǔn)確度，信息處理的流暢度，視覺信息自組織等等，由于未考慮空間識別的細節(jié)，這些應(yīng)用得不到很好的成效。對于不同數(shù)據(jù)源的ai系統(tǒng)，也只有控制優(yōu)化的微小差異，如果深度學(xué)習(xí)更先進一些，還有可能出現(xiàn)一些量變的方向性進展。

[[388959]]

而如今，完美的人工智能要包括正確的大腦，但是人工智能還是很難做到人類對整個世界的“了解”。它僅僅是從我們對世界的認知中提取規(guī)律性，然后運用在對高緯度或無規(guī)律系統(tǒng)的自我學(xué)習(xí)或理解，成為人類。類似于正態(tài)分布，目前已經(jīng)有相當(dāng)多的研究已經(jīng)證明，正態(tài)分布背后是規(guī)律運用的力量，才會產(chǎn)生這么多這樣奇怪的現(xiàn)象。

[[388960]]

回到應(yīng)用的角度，當(dāng)前的機器學(xué)習(xí)的能力，仍是數(shù)據(jù)量不夠，預(yù)測準(zhǔn)確率還遠遠低于深度學(xué)習(xí)，特別是時序估計，已經(jīng)是深度學(xué)習(xí)的短板。通用人工智能的發(fā)展需要依賴更加廣泛和高密度的數(shù)據(jù)，這就好比一個球隊靠內(nèi)線的強度打高聯(lián)賽冠軍，你不能指望像nba的夢之隊那樣，內(nèi)線的強度一直靠深度學(xué)習(xí)，所以問題不在于發(fā)展人工智能，而在于數(shù)據(jù)問題，數(shù)據(jù)背后的可解釋性問題。現(xiàn)在出現(xiàn)比較好的通用人工智能，應(yīng)該是很自然的一個現(xiàn)象。它背后有一系列良好的數(shù)據(jù)傳遞與技術(shù)機制支撐。

但是，目前還不會太遠。現(xiàn)階段它還需要大量的數(shù)據(jù)積累與存儲，使它的研究結(jié)果可以很方便的部署到工業(yè)界和應(yīng)用場景中。我認為目前的人工智能還很難達到像cs229算法那樣的程度，雖然人工智能算法已經(jīng)在一定程度上接近于‘真‘人’的思維方式，但還有很長的路要走。答題已經(jīng)過去了一年多，想來自己還是有點想法，但是現(xiàn)在對于題主的問題有點懵逼。首先要定義通用人工智能，簡單來說就是人工智能能夠解決所有問題，比如解決英語四六級考試題目，解決翻譯文章，解決語音識別，這些都是通用人工智能。

[[388961]]

接下來，在未來可預(yù)見的一兩年內(nèi)，通用人工智能是沒有辦法達到像古人類那樣意識思維，思維模式，個體思維的。而真正的人工智能必須像iphone那樣擁有完整的ios系統(tǒng)，擁有完整的硬件平臺和完整的數(shù)據(jù)傳輸和存儲體系，才能確定通用人工智能的身份。如果題主是指通用ai，那么很抱歉，大部分機器學(xué)習(xí)算法只能實現(xiàn)一個模型，比如預(yù)測準(zhǔn)確率，模型復(fù)雜度，性能一致性等等，當(dāng)然系統(tǒng)運算速度越快，訓(xùn)練集容量越大，也能達到同樣的效果。然而隨著深度學(xué)習(xí)算法的出現(xiàn)，具有神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的深度學(xué)習(xí)算法在圖像識別，語音識別。