1、自1956年的夏天诞生于达特茅斯会议之后，人工智能业已经历三次浪潮。第一次浪潮中，人们惊呼着“人工智能来了”、“再过十年机器会超越人类”，陆续发明了首款感知神经网络软件，证明了数学定理。
2、第二次，随着上世纪80年代Hopfield神经网络和BT训练算法的提出，出现语音识别、语音翻译计划等以及日本提出的第五代计算机。然而，由于未能真正进入人类日常生活之中，前两次浪潮最终归于沉寂。
3、如今第三次人工智能浪潮的兴起，得益于深度学习技术的突破。该技术是一种需要训练大型神经网络的“深层”结构，且每层可以解决不同方面的机器学习。其特点是，无需再依赖于硬件代码和事先定义的规则，而是依靠模拟人类大脑的神经网络系统，从案例和经验中习得算法。
4、“人工智能的不同技术应用处于不同阶段。其中，语音识别处于推广和普及阶段，三至五年之后，计算机的语言识别能力会超过人类。10年之内，视觉方面的图像识别也会发展得非常好。无人驾驶汽车领域，已经能够实现一些类似能够分析过去的人工智能功能。具有有限记忆的人工智能，正处于实验室研究阶段。”沈向洋指出，“然而，具有自我意识的人工智能，离我们还有很远的距离。”
5、神经网络、深度学习等技术架构早已存在多年，它们之所以在近5至10年产生飞跃，得益于数据、硬件和算法的改变。
| Empire CMS,phome.net |
6、根据IDC数字领域报告显示，至2020年，每年数据量将达到44ZB（1ZB合1万亿G），5年内年复合增长率将达到141%。随着数据量的增长，神经网络便会更有效率，机器语言可解决的问题数量也在增加。
7、硬件能力的提升，增强了神经网络产生结果的速度与准确率。有别于传统基于数据中心架构的CPU，GPU与并行架构的使用能够更快训练机器学习系统，通过使用图像芯片，网络能够更快迭代，以确保训练的准确性；诸如微软和百度使用的特制硅FPGA，能够令深度学习系统做出更快推断；超级计算机的计算能力，则可帮助探索深度学习的进一步可能性。
| Empire CMS,phome.net |
8、在更加丰富的数据量、更优质的硬件能力的前提下，如今的研发更多是面向算法，例如伯克利的Caffe、谷歌的TensorFlow和Torch这类开源框架。
9、尽管取得了巨大的技术进展，以深度学习为驱动力的人工智能技术更多仍停在分类、聚类和预测阶段，如：图像、文本、语音的识别、对比寻找相似项目，或基于相关数据进行预测等。然而，能够完全复制人类独立学习、决策能力等在内智慧的通用人工智能（或说强人工智能），还仅仅停留于理论想象之中。
10、它的瓶颈更多体现在计算能力不足上。目前，类似全脑模拟的技术已经被用于实现通用人工智能的目标，然而其所需的计算力远远超出当前的技术能力。未来随着量子计算机取得突破，该瓶颈方才有望打破。中科院5月3日宣布，我国科学家成功构建世界首台超越早期经典计算机的光量子计算机，并实现了十个超导量子比特的高精度操纵，打破此前美国保持的记录。量子计算是利用量子相干叠加原理，在原理上具有超快的并行计算和模拟能力，可以为经典计算机无法解决的大规模计算难题提供有效解决方案。中国科学技术大学教授潘建伟团队利用自主发展的综合性能国际最优的量子点单光子源，通过电控可编程的光量子线路，构建了针对多光子“玻色取样”任务的光量子计算原型机。
11、但光量子计算机在人工智能的广泛应用，仍有很长的一段路要走。
