聊聊自己的看法，由於自身侷限性無法給樓主一個答案。

樓主說的這種人工智慧屬於具有自主意識的人工智慧，我覺得肯定是可以實現的，但是透過現有的比如深度學習這種是達不到的。

要實現真正的智慧，現在來看無非兩種路子，一種走仿生學，去了解智慧的生物機理，然後模擬出一個智慧。另一種就是透過純演算法，畢竟進化的出來的功能不一定是最優的，簡單的例子就是飛機會飛但不需要像老鷹一樣撲騰翅膀。

現有的open swam專案就是針對第一種方案的。科學家透過計算機來模擬線蟲，線蟲的結構簡單，但是也具有了一定神經或者智慧屬性比如趨利避害。第一階段，科學家使用計算機來模擬線蟲的302個神經元和95個肌肉細胞，最終的目標是希望模擬它的全部959個細胞，但是結果卻不是很樂觀。雖然模擬了神經元，但是對卻沒法搞清楚神經元上的突觸是抑制性的還是興奮性的，一些突觸的權重也是透過機器學習來擬合出結果的，這種結果自然不會有什麼太大的價值。由此可見，我們在智慧機理的研究上還只是嬰幼兒水平。

那麼第一條路子似乎不太好走，最近各種人工智慧言論又甚是流行，似乎第二條演算法路子很有希望。可惜的是，也並不。雖然說，任何問題本質上可能都是演算法問題，掃地機器人是一個線路規劃，尋路和避障的問題，車牌識別是模式識別得到。但是，就像現在很多商業課程裡面提到的，如何定義問題是一個人分析問題能力的一個很重要的維度。一樣的，對於計算機而言如何數字化的定義一個問題也是能否解決好這個問題的一個關鍵。顯然現在大部分的問題並不能被很好定義。比如，如何數學的定義這張照片是風景照還是人像照。沒有準確的定義，就意味著沒有準確的模型（大機率不會有），也就無法評估模型的有效性，所以最後就變成大量依賴於深度學習這種黑箱來解決問題。但是深度學習這種事情，更像是太上老君的丹爐，不到最後不知道出來的是孫悟空還是丹。

所以像語義分析這種比較難定義的型別，現在的發展都比較緩慢，而像下棋這種具有明確規則的，相對來說發展就快了不少。幾年前的阿法狗也因此帶紅了這個領域。這也導致了現在的一些現象，基本歸結為越懂的越悲觀，越不明白的越樂觀。去年就有個例子，Facebook人工智慧專案出了個bug，媒體居然就開始報道人工智慧發展了語言能力，能夠進行自我溝通了。

所以，現在我們應該還在智慧的很早期，現在做的大部分是算力和資料的堆砌，本質上的進展不是很大。至於什麼時候能到達樓主說的那種自主辨識並且學習的境界，個人覺得還有很長的路要走。