在近日的EmTech China上，來自世界各地的十余名演講者發表了演講。其中，MIT計算機科學&人工智能實驗室的Tomaso Poggio教授、商湯科技研究院院長王曉剛教授還有高通全球副總裁Charles Bergan都提到了同一個觀點。他們都認為，現在我們所說的人工智能和人類智能產生的源頭不同，人類學習并不需要上百萬的例子，人的大腦也沒有上千層神經網絡，但人類的學習能力很強，這就意味著，現在的人工智能也許并不是真正的人工智能。

Tomaso Poggio教授：深度學習在生物學上說不通

Tomaso Poggio教授來自MIT計算機科學&人工智能實驗室，他認為深度學習像是這個時代的煉金術，未來還要轉化為真正的化學。

過去五年，人工智能取得了很大的成就，這些成就來自于機器學習的兩種算法：深度學習和強化學習，而這兩種算法都來自于認知科學和神經科學。深度學習可以幫助解決10%的難題，剩下的90%可能需要來自神經科學以及認知科學的研究。

為了更好的了解人的思維和大腦，Tomaso Poggio教授所在的MIT大腦、心智和機器中心(CBMM，Center for Brains, Minds and Machines)也在五年前開始了這樣的研究，Poggio教授認為CBMM的使命是要在理解認知方面獲得新的進步，同時也需要去了解整個智能的架構和智能背后的科學原理。關于智能的科學會幫助回答最宏大的問題，了解生命的起源包括宇宙的起源，以及時間的源頭。大腦中智能的產生，是科學現在需要解決的元問題。

除此之外，在后面的采訪環節中，Poggio教授同樣表示現在面臨的最大的挑戰就是如今的所謂“人工智能”可能從根本來說就是錯的，因為它從生物學的層面上是說不通的(not plausible)，因為人類就算是在嬰兒時期也不需要通過上百萬個例子來學習、來認知某一樣事物，而這對于深度學習來說卻是常事。提升機器學習智能的突破口可能在于人類大腦相關的研究。

商湯王曉剛：大腦沒有一千多層神經網絡

商湯科技研究院院長王曉剛教授說，現在商湯的神經網絡已經可以做到1200+層，雖然相比2012年，增加了神經網絡層數，也提升了學習能力，但這并不是提升學習能力的唯一辦法。

因為人的大腦沒有一千多層神經網絡，學習能力也很強，這是因為大腦的信息傳遞機制很復雜，而傳統的神經網絡只是由低層傳遞到高層這樣的簡單傳遞機制。

之后，王曉剛教授展示了一個其團隊在2016年設計的大規模物體檢測網絡。在這個網絡里，不同的分辨率的特征信息之間可以在同一層神經網絡進行傳遞，并且互相印證，其中還設計了不同的門來控制傳遞的信息流，如什么樣的信息可以傳遞。

王教授說，最開始的時候，商湯用不同的神經網絡解決不同的問題，但是事實上我們人類只有一個大腦，卻可以用一個大腦解決各種各樣的復雜問題，包括三維的物體形狀的感知、文字的理解、在視頻中去識別和跟蹤物體以及對聲音的處理。神經網絡也是有這樣的一個發展趨勢，未來有希望運用一個網絡去完成多種復雜的任務。

Charles Bergan：機器學習如何實現一次性學習(one-shot learning)

高通全球副總裁Charles Bergan認為，機器學習未來可能會發生的最大的改變就是像人類一樣在某些方面可以實現一次性學習，他舉例說，人類只需要摸過一塊石頭，就會知道石頭是什么，而不需要像機器學習一樣研究一百萬塊石頭，雖然現在大家還不知道如何實現，但當這個理論被研究出來的時候，這就會是這個行業最大的變革。

黃鐵軍教授：30年之內將造出強人工智能的載體——人造大腦

去年12月23日，在北京大學舉辦的“人工智能前沿論壇”中，北京大學信息科學技術學院計算機科學技術系主任黃鐵軍教授也曾發表過相似的看法。

黃教授認為，強人工智能意味著自我意識，意味著通用智能達到人類水平，而強人工智能是人工智能的終極目標，而這個目標可能會在未來15-30年中達成。

人的智能依靠人的大腦和身體實現，但承載強人工智能的機器也許不是經典計算機，因為人工智能的參照物是人腦，而現在的經典計算機和人的大腦沒什么相似之處。

要造一個大腦，就需要知道大腦的原理，而現在的生物科學還沒有達到這個水平。

不過，這并不意味著真正的人工智能的“大腦”就無法被制造出來，因為歷史上的工程技術在絕大多數情況下都領先于科學，比如飛機，飛機是先被做出來，然后科學界才研究出來了空氣動力學。真正的創新是做出來一個科學原理無法解釋的系統，然后再去找解釋，找科學原理。