答案是：不知道，但科學家們一直在努力，從未停止過。

最近，美國加州大學聖迭戈分校生物工程與醫學教授Trey Ideker就與他的研究團隊一起，開發了一種"可見"的神經網路，並用它構建了稱之為DCell的啤酒酵母細胞模型（通常被用作基礎研究的一種模型）。

具體而言，就是將神經網路對映到簡單的酵母細胞內，使得研究人員能夠觀察AI系統的運作方式。在這個過程當中，研究人員得到了關於細胞生物學的諸多分析結論，而由此產生的技術還可能有助於研發新的癌症藥物和個性化治療方案。

首先，介紹一下當今機器學習系統中使用的神經網路的相關基礎知識：

計算機科學家透過設定多個圖層來建立神經網路框架，其中每個圖層包含數千個負責執行微小計算任務的"神經元"。

在此基礎上，培訓人員輸入資料集（例如數百萬張貓、狗的照片，數百萬次圍棋落子，數百萬種駕駛操作與結果等），由系統連線圖層中的神經元，對其進行結構化序列計算。該系統將透過神經網路進行資料處理，然後檢查其執行任務的實際效果（例如將貓與狗者區分的準確度）。

最後，透過重新排列神經元之間的連線模式並再次執行資料集，檢查新模式是否產生更好的結果。當神經網路能夠非常準確地完成任務時，培訓人員就會認定訓練成功完成。

"雖然它們被稱為神經網路，但這些系統所受到的人類神經系統啟發還非常初級。"Ideker解釋道。

他指出："著眼於AlphaGo，可以發現這套系統的內部工作方式完全是一團亂麻，事實上根本不像人腦。它擁有一種全新的思維方式，但只是恰好能夠作出不錯的預測結論。"

Ideker在接受採訪時表示："我們對於這樣一套並非由計算機科學家進行最佳化，而是透過進化完成最佳化的特定結構抱有濃厚興趣。"

▲ DCell可以像實驗室實驗一樣精確地預測酵母細胞的生長和繁殖

這一專案之所以具備可行性，是因為釀酒酵母是一種單細胞生物，從上世紀五十年代以來就一直被作為一類基礎生物系統接受研究。Ideker指出："我們擁有大量細胞生物學知識可供參考，因此這項研究非常方便。"

因此，他的團隊透過把神經網路中的各個圖層對映至酵母細胞的組成部分中，從最微觀的組成元素（構成DNA的核苷酸）開始，逐步向上延伸至更大的結構--例如核糖體（從DNA處獲取指令以製造蛋白質），最後到達線粒體及細胞核等細胞器（負責執行細胞活動）。總體而言，這套DCell神經網路將運用到酵母細胞中的總計2526個子系統。

▲ DCell作為線上應用程式可供研究人員使用

DCell允許研究人員們變更細胞的DNA（即遺傳程式碼），並觀察這些變化如何向上蔓延以改變其生物學特徵，進而影響到後續細胞生長與繁殖。其訓練資料集由來自數百萬個真實酵母細胞的基因突變例項組成，且與對應的突變結果資訊相匹配。

研究人員發現，DCell能夠透過模擬酵母來準確預測細胞的生長。由於這是一套"可見"的神經網路，因此研究人員們能夠看到細胞機制在進行DNA混淆時發生的改變。

這種可視性，意味著DCell能夠潛在應用於細胞的計算機制研究，且無需耗費大量時間與實驗室實驗資源投入。如果研究人員能夠弄清其實際建模過程--而非簡單的酵母細胞，則可進一步模擬更復雜的人類細胞。"如果能夠構建單一人體細胞的整體工作模型並對其進行模擬，這將徹底改變精準醫學與藥物研發的發展方向。"Ideker表示。

癌症是目前最受關注的疾病研究方向，因為每一位癌症患者的腫瘤細胞都包含獨特的突變組合。而Ideker和他的團隊正在使用患者的基因組與突變條件建立模型，觀察細胞的實際生長速度，以及癌症的侵略性特性。

更重要的是，致力於尋找癌症新藥的製藥企業將能夠利用細胞生長情況作為成功或失敗的評判標準。他們將觀察到眾多可以開啟及關閉的不同基因分子，並據此思考某種潛在藥物是否能夠停止腫瘤細胞的增殖。考慮到以往需要數十億美元進行抗癌藥物研發投入，如今這種更為便捷的研究方式明顯更具吸引力。

當然，要從酵母細胞升級為人類細胞絕非易事。研究人員需要收集與人類患者相關的足夠資訊，從而構建起神經網路所必需的訓練資料集--至少需要數百萬條記錄，其中包含患者的遺傳圖譜與健康結果。Ideker預測稱，這些資料的積累速度會相當快。在他看來，對患者基因組進行測序將受到高度關注。

不過，Ideker對於利用遷移學習技術將機器學習方案從模擬酵母細胞轉化為模擬人類細胞的神經網路仍抱有樂觀態度。他總結稱："只要建立起一套能夠識別貓的系統，那麼無需對其進行完全重新訓練，也可以教會它如何識別松鼠。"

答案來自一直抱有希望和信心的Dora老師

現在實現人工智慧主要有如下二種方法：

一、工程學方法

工程學方法是採用傳統的程式設計技術來實現的，這種方法使系統呈現智慧的效果，而不考慮實現的方法是否和人或者動物機體所用的方法相同。這種方法實現人工智慧需要進行相當複雜的邏輯程式設計設計，所以這種方法用在一些簡單的人工智慧場合還是可以應付的，比如文字識別、電腦下棋類的遊戲、人機對戰遊戲等，假如用在複雜的場合，那邏輯程式設計的工程非常大，特別是程式出錯或者修改的時候非常麻煩。

二、模擬法

顧名思義，模擬法是透過模擬人類或生物機體來實現人工智慧。遺傳演算法和人工神經網路都屬於模擬法。其中的遺傳演算法是透過模擬人類或生物的遺傳-進化機制來實現，人工神經網路則是模擬人類或動物大腦中神經細胞的活動方式來實現的。採用後一種方法時，模擬法是為每一角色設計一個智慧系統來進行控制，這個智慧系統開始時和出生嬰兒一樣，什麼也不懂，但是這個系統和人一樣具有學習能力，剛開始時，該系統也會經常犯錯，但是它和人一樣能吸取教訓，漸漸適應，隨著學習的東西越多其在某個領域就越智慧，比如谷歌的阿爾法狗，最開始給它不斷的學習各種棋譜和應戰方法，最終能在圍棋領域戰勝人類，再比如機器人，也是先訓練它適應各種環境，模擬人的各種行為。

現在人們主要使用模擬法來開發人工智慧，比如百度人工智慧，谷歌人工智慧，谷歌開發有自己的機器學習系統，谷歌的機器學習系統為TensorFlow，TensorFlow可被用於語音識別或影象識別等多項機器深度學習領域，而且TensorFlow將完全開源，任何人都可以用，所以我們現在接觸的很多人工智慧都是採用TensorFlow開發的，其它的機器學習框架還有Facebook 的 Torch等。

針對當前的階段，機器人可以被分為幾個方向，以知識庫為核心的，或其具有能夠被指揮排程能力的。而大家最常見的機器人所展現的人工智慧能力，就包括視覺能力，現實視覺和UI視覺，即CV的computer version能力，以及互動能力，包括語音互動能力，操作性互動能力，比如機器人是否能夠執行人的命令，機械手去操控鍵胖，錄入資料等等，此外機器人實際上還應當具有一定的任務能力。

當然，這樣的機器人是基於任務的構建，實際上也是一個模型，我們並不能斷言這樣的方式是否正確，只能說在現階段，設計、構建這樣的一個機器人時，這種方式是比較合理的，因為整個機器人是基於任務的，所以我們可以實現它相應的協作，以及在整個業務流程中是否可以被分解，相應的語音、操作能否相結合。其實，人機任務是一個比較好的工作方式，並且能夠在資料採集方面進行大量工作。

基於目前人工智慧技術的發展，我們從業務的維度來看，如今的全業務鏈是可以透過自動化及人工智慧技術進行快速的落地，進而實現價值的提升，這樣的思路和場景與數字化能力的建設是相匹配的，而非拘泥於購買一個機器人裝置，或者單獨建設某一種能力。

當然，截止目前為止，無論是無人銀行還是智慧客服機器人、智慧外呼機器人等，雖然已經在業務場景上能夠提供很強的專業業務能力及知識，但仍存在一定的侷限性。這種侷限性主要體現在人機協作的模式問題。例如當我們考量一個具體裝置或者是某個資訊化系統時，實際上，它的整個數字能力的體現在如今是處於瓶頸狀態的，而這個瓶頸該如何打破？也許，我們仍需從人機協作的模型中去不斷完善，尤其是完善知識庫的建設，並且這個過程需要各個行業不斷的共同努力來推動，以使這些人工智慧產品的成熟度更高，而到那時，我們也將會感受到整個數字化能力得到了真正的提升。

因此，無論是無人銀行還是機器人輔助辦公，或是業務系統的人工智慧化，並不是一個無人的能力，無人化只是一個目標，而其本質在於能力的分離，也就是我們前文所提到的機器人的機械能力、精準能力以及它的算力和效率，而我們需要分離的是什麼呢？分離出來的就是人所具有的知識和智慧能力，是否能夠依託一個人的知識支撐更多的業務場景，這就是我們所說的能力分離，突出優勢的設計模式。在這個過程中我們不難發現，人機分離並不是物理上的分離，而是一種協作模式。

最近，DeepMind的研究人員又在一篇論文中，解釋了他們如何透過逐一刪除單個神經元的方式去理解和判斷神經網路的效能。他們認為，理解神經科學與深度學習神經網路之間關聯性的重要方法之一，正是調查個體神經元的作用，特別是那些易於解釋的神經元。

"選擇性"神經元可能較易解釋，但其重要性尚不明確

研究人員廣泛分析了只能對單一輸入影象類別作出響應，且易於解釋的神經元（即“選擇性”神經元）。他們發現，在深度學習當中，此類神經元包括了"貓神經元"、情緒神經元以及概括神經元; 而在神經科學領域，此類神經元則包括Jennifer Aniston神經元等。然而，這些僅佔少數比例的高選擇性神經元在重要性上到底與其它低選擇性、更令人費解且難以解釋的神經元有何區別，目前還不得而知。

▲具有清晰響應模式的神經元（例如對貓的影象活躍，但對其它影象皆不敏感的神經元）比綜合性的神經元（即能夠對各類隨機影象集發生反應的神經元）更易於解釋

而為了評估神經元的重要性，研究人員在測試當中移除了部分神經元，從而觀察網路的分類任務處理效能所發生的變化。如果其中某個神經元非常重要，那麼將其移除就會產生極大的破壞性，並顯著降低網路效能。相反，如果移除的神經元並不太重要，那麼就不會造成什麼影響。

▲神經元缺失對簡單神經網路所造成影響的概念示意圖。較深的神經元往往更為活躍。嘗試點選隱藏層神經元並將其移除，觀察輸出神經元的活動所發生的改變。需要注意的是，移除一個或兩個神經元對輸出結果的影響很小，而移除大部分神經元則會產生顯著的影響，並且其中一部分神經元確實比其它神經元更為重要！

令人驚訝的是，研究人員發現選擇性與重要性之間幾乎沒有關係。換句話說，"貓神經元"並不比綜合性的神經元更為重要。這一發現與最近在神經科學方面的研究進展相互印證，目前科學家們已經證明那些作用不明的神經元實際上能夠提供豐富的資訊。這意味著我們必須邁過易解釋神經元這道難關，才有可能真正搞清楚深層神經網路的運作機制。

因此，研究人員的結論是，儘管可解釋神經元在直覺上更易於理解（比如"它喜歡狗"），但其重要性並不一定會比缺少明顯偏好的綜合性神經元更高。

推廣能力更強的網路也具有更大的彈性

我們所構建的智慧系統，只有被推廣到更多場景應用中，才被稱為真正具備"智慧"。舉例來說，如果一套影象分類網路只能對以前見過的特定小狗圖片進行分類，卻無法對新的小狗影象完成識別，就可以說是不具備智慧。Google Brain、伯克利以及DeepMind最近在ICLR 2017上獲得最佳論文獎項的合作論文就提到，深層網路能夠簡單記住其訓練當中所見到的每一幅影象，這代表著其學習方式與人類仍然存在巨大差異。

然而，目前我們往往很難判斷一套神經網路是否已經學會了足以推廣到新場景應用的能力。為此，透過逐漸移除越來越大的神經元組，研究人員發現相對於簡單記憶以往在訓練期間見到過的網路，適應性更強的網路對神經元缺失擁有更好的彈性表現。換句話說，適應性較強的網路更難被破壞（當然，如果神經元移除至一定程度，其仍然會遭到破壞）。

▲隨著越來越多的神經元被移除，具有廣泛適應性的網路在效能下降速度方面遠低於記憶性網路

透過這種網路穩健性衡量方式，科學家將能夠評估是否能夠透過為一套網路提供不符合要求的記憶而對其進行"欺騙"。此外，瞭解網路在記憶過程當中的變化也將有助於我們構建新的網路，從而保證更少地依賴記憶、更多地建立概括能力。

總而言之，這些發現確實能夠被用於理解神經網路的力量。透過這些方法，我們發現高選擇性神經元在重要性上並不強於非選擇性神經元，而適應性更高的網路對單一神經元的依賴性也要低於單純記憶型網路。這些結果意味著，單一神經元的重要性並不像人們想象中的那麼高。

雖然這離搞清楚人工智慧系統的執行原理問題還有一段距離，但已經是科學家們邁出的一大步。