“阿爾法圍棋”在與李世石的“人機大戰(zhàn)”中優(yōu)勢明顯，人工智能取得的突破令人瞠目。那么，人工智能是否已達到“無所不能”的境地?

　　【學習需要大樣本】

　　先從“阿爾法圍棋”所用的關鍵技術——“深度神經(jīng)網(wǎng)絡”說起。建立神經(jīng)網(wǎng)絡的基本流程是，搜集大量數(shù)據(jù)樣本，然后選擇合適模型，讓模型學習樣本，從中找出數(shù)據(jù)的內在規(guī)律。“阿爾法圍棋”正是通過學習海量棋譜和自我對戰(zhàn)，訓練出不凡“武功”。

　　“阿爾法圍棋”在與歐洲圍棋冠軍樊麾對戰(zhàn)前，便已進行了超過3000萬局的自我訓練。南京大學計算機科學與技術系周志華教授在接受新華社記者專訪時指出，當前人工智能的一個技術瓶頸，就是解決問題前先要獲取大量高質量數(shù)據(jù)樣本，而人類在學習新事物時往往只需很少的樣本。

　　“這就導致問題稍微變化，機器就不行了，但人類毫無問題。例如在‘阿爾法圍棋’和李世石的大戰(zhàn)中，若換成25路棋盤，李世石仍能戰(zhàn)，‘阿爾法圍棋’就不行了，需要回去重新收集25路棋盤上的棋譜，重新訓練模型，”周志華說。

　　【應用范圍仍狹窄】

　　在英國帝國理工學院人工智能研究者馬克·戴森羅特看來，人工智能仍未實現(xiàn)人類所具備的通用智能?！澳壳埃祟惲曇詾槌５囊恍W習能力對人工智能來說仍難以實現(xiàn)，例如，人們能夠將解決某一問題的知識用于解決另一新問題，從有限的經(jīng)驗就能學習一定技能，還有在抽象層面進行推理的能力，以及與他人協(xié)作的能力。”

　　甚至可以說，人工智能在某些方面的表現(xiàn)還不如小學生。比如，一個小孩看過一張貓的照片后，就能立刻辨認出下一張圖片里的貓。而應用人工智能的谷歌圖像識別系統(tǒng)，“學習”過幾千萬張照片后，識別貓的準確率也還不能與人相比。