這一輪的人工智慧，以深度學習為代表。近階段，表面能從媒體看到的，都是某些研究機構又推出了某某演算法的自嗨。好像能普及的就是人臉識別等為數不多的應用。

這裡實際存在一個鴻溝，制約著行業發展。

那就是如何深入不同領域？

這一輪的人工智慧，在近幾年確實存在炒作、泡沫，但起點的實踐，大眾知道的是AlphaGo戰勝了人類圍棋冠軍。稍微瞭解技術的，應該知道，實踐起點是Alexnet的提出，在Imagenet圖片識別競賽中，以超出第二名10個百分點的成績奪冠。這在技術領域是個飛躍！

而此輪的突破，短期不會有泡沫，長期會是深入到社會的各個領域。深度學習的突破，是能夠有效處理人類感知資料，圖片、視訊、聲音、文字，而這些帶來的是人類的能力擴充套件。由於這些資料是高維資料，傳統方法效果有限，特別是海量資料處理時，模型會容易退化。

而本輪的深度學習，本身的可解釋性還不強，也就是人們還不能完全掌握。目前，在初期的泡沫散盡，深度學習並沒有破滅，而是在默默深入不同領域，也就是不同領域。

因為在人工智慧進入領域時，不是人工智慧專業人員能獨立完成，而需要各行業內的參與、主導。

打個比方，也許就是靜水流深。

而作為此輪熱潮的開始事件，AlphaGo使用的技術，明確說是強化學習，而不是簡單的深度學習。強化學習理論艱深，也許是網上討論少的原因。強化學習過程，很像一個嬰兒的成長，它能自己去學習、探索，這才是本輪人工智慧的深化。目前所說的深度學習，實際只是一種新的資料處理方式，在簡單使用到現實，比如大家只能見到人臉識別。不要因為看到的只有人臉識別，就認為人工智慧智慧做這個。

本質上講，這一波人工智慧所實現的功能，只是突破了一些點，而且是有多少人工就有多少智慧，是一些模型和演算法的實現，只是弱人工智慧。從智慧的層面來說，只是實現了一些底層的感知問題，而演算法並不能代替人的思維能力。目前的語音識別，影象識別，從神經科學的角度來講是，模擬了並行處理的方式，發現特徵進行分類和抽象。而高等的抽象思維是人類所獨有的智慧，目前還不能從科學上進行本質的解釋，加拿大的人工智慧大牛Hinton也清醒地認識到這個問題。可以說，目前的人工智慧其實已經到了一個瓶頸，需要我們對神經科學進行更深入的研究。