我们整个通用人工智能所具备这样一些能力。其中一个最主要的原因就是，计算机技术经过大半个世纪不断的发展，已经有了非常强大的计算能力。随之而来的，因为有了这个强大的计算能力，我们的机器可以在比较可接受的范围内处理大量的数据。但是只有处理大量数据的能力还是不够的，我们同时需要有一个非常强大的模型技术才有可能从这些非常大量的数据里面把这些数据所蕴含的各种内在的规律提取出来。对于以前相对比较浅层的一些机器学习模型来说，当数据的规模达到一定程度以后，这个模型的增长就会变得非常缓慢。但是深度学习很重要的一个不同点就是，它可以随着数据量的增加而变化，我们可以非常容易地把深度学习的模型规模加大。这样的话，随着数据量不断的增大，模式的效果也可以一直保持一个持续的提升。

　　正因为如此，近年来在一些非常特定的人工智能任务上，我们看到机器的识别能力已经做得比人还好了。可能大家平时在使用手机或者电脑的时候，能够感受到的一个明显的进步。就是，像语音识别，已经从前几年非常不可用的一个状态，到现在语音识别可以成为很多人做语音输入、搜索的时候，可以觉得非常方便的一个交互手段。

　　在同样的数据上，如果让人来听的话，人的错误率大概接近10%。所以说我们看到，现在的机器在语音识别的应用上，特定的场合已经做得比人要好了。还有另外一个就是人脸识别，刚才元庆也做了很多介绍，人脸识别里面，这里我们讲的是它的一个特定任务，就是来判断两幅人脸图像是不是出自同一个人脸。这样一个特定的数据，我们在LFW这样一个公开数据上面，人类的识别率，判断错误率大概在0.8%左右。而现在我们机器的错误率已经降到大概才0.2%多，就是远远的超过了人的识别水平。

　　除了通常每个人都会做的这种识别任务上机器已经做得比人还好，在需要一些专业人士来做的一些识别任务上，现在机器也超过这些专业人士的水平。这是今年1月份的时候美国斯坦福大学的研究员在《自然》杂志上发表的一个工作结果。他们这个工作是通过图像来检测皮肤疾病。他用的是一个神经元网络，在十几万幅图皮肤疾病的数据集上进行训练以后，把机器和专业的医生来进行比较。这几幅图表示的是识别的召回和准确率，这里面蓝线是机器的召回和准确率的曲线，有20多个医生来参加这个对比，每一个红点是每一个医生的召回和准确率。我们看到，检测能力上，目前机器已经做得比大多数医生还要准确。

　　深度学习在百度的很多产品里面也得到了非常广泛的应用。一个是大家比较熟悉的百度的搜索，开奖，还有百度的广告推广，还有在百度的数据中心，百度做的病毒检测，还有百度地图里面交通流的一些预测，我们都成功的把深度学习用到这些具体的应用产品里面去，都取得了非常好的效果。

　　但是我们看到这些都是非常具体的一些特定的需要Intelligence的一些任务。但是我们是不是让我们的机器，一个个教会它不同的任务，就可以达到人的这样一个智力的能力呢？我认为不是这样的。人的智力的核心是要具备自己学习和自我创造的能力，像现在我们的机器在这方面还非常缺乏，比如说去年谷歌下围棋的AlphaGo，它下围棋非常好，但是我们如果把下棋的规则稍微改一下，比如把棋盘从正方向改成六边形，AlphaGo就不能再下了。而不像人，人可以通过自己的思考，自己的学习，在这个新的规则之下继续下棋。而AlphaGo可能还需要研究人员和工程师对它的代码进行修改，它才能够重新开始学习。像人类，我们对于人的学习程序实际上就只有一个，就是我们DNA的序列。不管人遇到一个什么样的学习任务，他都是用同样的一套代码来进行学习的。