想要在某一领域取得重大突破，是一件容易的事情吗？从几位科学家的回答来看，这并非一件易事。

 

      比如，Brian K. Kobilka说道，花费25亿美元、经历7-12年的时间，但zui终一种新药成功上市的概率只有10%-15%。饶毅也表示，虽然人工智能推动了神经学的研究，但其实神经学没有任何概念上的突破。汤晓鸥也表示，在过去很多年里，都不好意思说自己在研究人工智能，因为什么都没有做出来。即便目前取得了进展，但仍然困难重重。      

         

      具体来说，从50年代开始，就已经有人在做人工智能 ，但从50年代到2011年做的都不好。2011年是一个分水岭，主要有四方面的原因：

 

      一是实际应用的刚需。之前手提电脑非常多，虽然手提电脑能移动，但是大部分的情况下我们不会拎着电脑去吃饭，出去旅游时用电脑拍照。后来手机出来以后，手机上的摄像头变成了人的第三只眼睛，我们在上发的zui多的就是照片或者是视频。一图胜千言，这时候产生了大量的数据，这些数据需要智能地分析，所以有了实际应用的刚需。

 

      二是数据的体量有了大幅的增加。原来数据是从电脑中产生的，有手提电脑的人还是很少的，因为要一万多块钱一台，但是红米手机一出来，五六百块钱一台，任何人都可以购置两台。原来不到一亿的用户，一下子变成十亿、二十亿，体量出来了，也就产生了大量的训练和应用数据。

 

       三是可承受的硬件训练平台。原来我们用CPU的时候，做人脸识别时会用近千个核，但还是要跑一两个月才能把一个算法跑出来，然后调一个参数，再来两个月，又花钱又花时间。但后来用GPU，十台机器、六个小时，同样的东西就跑出来了。

 

      四是算法的革命性的进步。有了前三个方面还是不够的，zui后深度学习的框架允许我们做端到端的学习，有了大量的参数，以前我们是做小参数学习的。而且还要将这些小参数设计的非常复杂，因为要解决很多问题，但实际的应用很不理想。但深度学习的网络框架，允许我们用几千个、几万个、几亿个参数，用无穷大的数据直接覆盖各种场景应用。这样就可以在一些单项、个别的应用上超过人类，意味着可以替人类来做这个工作。

 

       对它的研究，应该分为三个层次，相辅相成，缺一不可。

 

       zui高的是形而上的层面，也就是有人很讨厌的哲学啦、心理学啦、精神病学啦之类的东西，同时也包括哥德尔定理、中文屋一类乱七八糟的东西；有人愿意的话，从文学、历史、宗教中也能得到启迪。这个层面的意义是建立基本的认识，为后面的研究打下基础并提供指导。

 

      中间的层次是生物学意义上的研究。就是深入探讨人脑和神经元的运作机理，研究生物学意义上的每一个生物物理学特性，并把它与形而上的研究结合对照，通过从上往下和从下往上的多次分析，把上层次的每一个现象和生物学特征对应起来。比如，侧抑制的原理是什么，作用是什么，和哪些外在表现相对应，是一对一，还是一对多或者多对多。通过这个研究，可以纠正很多原本错误的认识，并有很多新的发现。

 

      如果能把人的所有智能和情感外在表现都与生物学意义上的特点起来，这个层次的研究就可以说基本成功了。对这个层次进行研究的人有，但很少。实话说，这个层次的研究zui难。上而下与下而上相结合的研究与思维方式，不是很容易。

 

      下层的研究就是从上、中层研究向编程的转化。这绝不仅仅是指的编程，首先要做的，是把上中层研究的结果进行等效转换，把哲学、逻辑学和生物、物理学语言向程序语言的转换。这个层次并不比中层的研究容易，甚至更难。因为它是对前面研究成果的一个检验，往往前面觉得无缺的理论，到了这里就会卡住，随后在深入的研究中，就会牵扯出一大串的错误。而纠正这个错误，往往需要对上层和中层的研究重新进行审视。

 

所以，上层的研究看起来是zui容易的，很方便随意推出一篇一篇的所谓理论。但实际上，几乎所有错误的根源都可以在这里找到源头。由于中层和下层的研究需要很专业的知识和很艰辛的探索，很多人望而生畏，就停留在“我有理论”的地步沾沾自喜起来，并以人工智能研究专家自居了。

 

      目前人工智能在三个方面应用的比较多：一是语音识别。这个是相对成熟，也是*个突破的。二是视觉，现在的主战场就是在视觉领域，而且看的能力的场景是非常多的。三是自然语言的理解，就是要像大脑一样解决问题，这件事情目前是*没有解决的。现在这一块很热，很多国内外的公司都做对话机器人，但这其实是非常难的一件事情，因为它对各种背景知识以及条件的要求是非常多的。

 

    “条条大路通罗马”，并不是只有一条成功的道路。务虚的久了，也必须要实干来证明和实现价值；实干的不停的做，发现前方无路，也不得不要思考下方向的问题。