我來給看得熱血沸騰的同學降降溫，說一些骨感的現實。

遺傳演算法和神經網路為代表的機器學習演算法是不是感覺碉堡了？天網要覺醒了？早著呢，目前這樣的技術依然有很大的侷限性，稍微複雜一點的問題就沒撤了——但初衷不就是要用來解決複雜的問題嗎？

首先會遇到的問題是：比起大自然，我們的計算能力實在太有限了，沒有辦法模擬巨大的模型，而解決困難的問題需要足夠大的模型。例如人腦是10^10個神經元、10^14個神經連線組成的系統，是經過無數代、無數個體自然選擇出來的，即使一幀的計算量都遠遠超過計算機的能力，如此才能實現影象識別、肢體控制等複雜功能。

我們自然想到要簡化模型，減少計算量。“深度學習”就是最近發展出的神經網路簡化模型，曾一度掀起研究熱潮，透過人組織的、針對指定問題的神經網路，讓計算機解決一些原本只有人能解決的問題，例如識別人臉。下面是一個經過深度學習的9層人臉識別神經網路示意圖，包含幾十個初始化引數和1.2億個學習引數。

但問題又來了，這樣的模型有太多的引數，我們甚至不清楚這些引數如何影響結果，絕大部分的引數值組合都導致一個悲催的結果：

不收斂

如果你的模型足夠好，經過一定次數的演算後，計算機就能以越來越高的準確率解決問題，但實際上絕大部分情況裡達到一定準確率後就不再進步了，這就是“不收斂”，不收斂意味著你的模型有缺陷，無法解決特定的問題，但你不知道缺陷在哪裡，也許你換一套引數再試會變好，但也可能再試一億套結果都一樣。

實際上絕大部分計算機仿生研究者都卡在這裡，他們整天對著電腦試完一組又一組的引數，看著那個死活不漲的準確率。有些僥倖收斂了發出論文的，都會有一大堆作者本人無法解釋的引數。一些成果上得了報紙，成為一時熱門話題，但最終都過不了實用的關，即使能用，範圍也非常有限。

很多回答者都提了現在這些仿生技術能做什麼，但這些問題本身有非仿生解決方案（例如冰之眼設計的實驗，用圖論就能完美解決）。仿生技術能比非仿生技術做得更好的可能是影象、聲音識別這類人腦功能，但都是玩玩的級別，或者用在準確率要求不高的場合，沒有可以媲美人腦的產品。而工程設計、藝術創作這些“真人工智慧”？暫時一點未來都看不到。