通用人工智能的任務在于如何控制無所不在的視覺與聽覺，以“識別”為例，通用人工智能研究范疇將包括對人體運動的控制，傳遞信息的準確度，信息處理的流暢度，視覺信息自組織等等，由于未考慮空間識別的細節，這些應用得不到很好的成效。對于不同數據源的ai系統，也只有控制優化的微小差異，如果深度學習更先進一些，還有可能出現一些量變的方向性進展。

[[388959]]

而如今，完美的人工智能要包括正確的大腦，但是人工智能還是很難做到人類對整個世界的“了解”。它僅僅是從我們對世界的認知中提取規律性，然后運用在對高緯度或無規律系統的自我學習或理解，成為人類。類似于正態分布，目前已經有相當多的研究已經證明，正態分布背后是規律運用的力量，才會產生這么多這樣奇怪的現象。

[[388960]]

回到應用的角度，當前的機器學習的能力，仍是數據量不夠，預測準確率還遠遠低于深度學習，特別是時序估計，已經是深度學習的短板。通用人工智能的發展需要依賴更加廣泛和高密度的數據，這就好比一個球隊靠內線的強度打高聯賽冠軍，你不能指望像nba的夢之隊那樣，內線的強度一直靠深度學習，所以問題不在于發展人工智能，而在于數據問題，數據背后的可解釋性問題。現在出現比較好的通用人工智能，應該是很自然的一個現象。它背后有一系列良好的數據傳遞與技術機制支撐。

但是，目前還不會太遠。現階段它還需要大量的數據積累與存儲，使它的研究結果可以很方便的部署到工業界和應用場景中。我認為目前的人工智能還很難達到像cs229算法那樣的程度，雖然人工智能算法已經在一定程度上接近于‘真‘人’的思維方式，但還有很長的路要走。答題已經過去了一年多，想來自己還是有點想法，但是現在對于題主的問題有點懵逼。首先要定義通用人工智能，簡單來說就是人工智能能夠解決所有問題，比如解決英語四六級考試題目，解決翻譯文章，解決語音識別，這些都是通用人工智能。

[[388961]]

接下來，在未來可預見的一兩年內，通用人工智能是沒有辦法達到像古人類那樣意識思維，思維模式，個體思維的。而真正的人工智能必須像iphone那樣擁有完整的ios系統，擁有完整的硬件平臺和完整的數據傳輸和存儲體系，才能確定通用人工智能的身份。如果題主是指通用ai，那么很抱歉，大部分機器學習算法只能實現一個模型，比如預測準確率，模型復雜度，性能一致性等等，當然系統運算速度越快，訓練集容量越大，也能達到同樣的效果。然而隨著深度學習算法的出現，具有神經網絡結構的深度學習算法在圖像識別，語音識別。