查红彬：我同意。人类进化的目的并不是下围棋或者完成超级复杂的算术难题。这些并不是人类智能的基础要素。在人工智能的研究中，这是一个关键要素：人工智能的研究长期以来的着眼点都在于发展在具有清晰规则定义的情况下能够有较好表现的机器。很少有人会关注具有较少规则的行为能力，比如在家里做饭或者在田间劳动。

　　曾毅：当下的讨论依然是在阿兰·图灵1950年发表的学术论文《Computational Machinery and Intelligence 》的研究范围内进行的。他在论文中对对人工智能的定义包含三个方面：第一，图灵测试。简而言之，图灵测试是一种对计算机智能的测试方法，如果人类很难分辨出所提出问题的答案是机器还是人回答的，就证明这一机器拥有智能。第二是棋类游戏中的人机对战。第三是机器能像儿童一样进行学习——这一点非常关键，也是人工智能中最具有挑战性的一个方面。

　　蒲慕明：通常大家都认为，要训练人工神经网络海量的数据是必不可少的，但人类的大脑在做决定时，并不需要那么多的信息。我认为，这种认识是错误的。事实上，人类的大脑也是从大数据的训练中获得结果的，这种对“大数据”的训练，在人脑的网络结构中是不断演变的。

　　新生的婴儿拥有神经细胞，但是还没有发育出完整的神经网络。通过年复一年的学习，atv，神经网络会被修正和调整，同时结构也会发生明显的改变。这是为什么人类神经网络如此有效的原因。我认为，人工智能发展的关键在于开发出架构可以通过学习不断改变的人工神经网络。

　　可塑性：人工智能的本质

　　谭铁牛：很多人都强调绘制大脑地图的重要性，以更好地理解大脑网络中各个神经细胞是如何互联的。但是，理解在不断的发展的情况下的神经网络的组成机制也许更为重要。像人脑一样的架构也许并不能带来像人脑一样的功能，因为架构是静态的，但是学习是一个动态的过程。

　　查红彬：我的研究聚焦于模式识别和计算机视觉。我认为，人工智能的一个关键要素是它的灵活性。毕竟，它需要在现实世界的场景下起作用，所以，适应动态的环境的能力确实是非常重要的。这种自学习的能力与类脑计算关系密切，其中包括两个重要的方面：第一，系统必须要是可塑的，正如人类的大脑一样。第二，机器要能跟其所在的社会和自然环境交互。当下，关于类脑计算的研究更多是关于学习大脑的结构，然后模仿一小部分功能。我认为我们需要更多地关注可塑性。

　　蒲慕明：我同意上面的观点。关键在于连接的可塑性，这与学习过程中的反馈和纠错有关，最终会带来结构的改变。不过，现在人们的关注点都在计算能力和速度，这些并不是人类智能的关键。

　　查红彬：如果机器只是为特定环境、固定规则设计，那么它们并不需要改变。要想拥有真正能对其所处的环境作出回应的、会学习的机器，你需要在整个网络中融入反馈机制。

　　浦慕明：环境反馈与学习相关。那么从监督式学习到无监督学习，面临的最大挑战是什么？

　　陈云霁：在AlphaGo之前，DeepMind 在Nature 上发表过一篇论文，介绍了一个算法程序如何使用大型数据库来学习玩经典的电子游戏。通过“看”视频，了解某一个动作是否会带来得分，程序最后“学会”了数10个游戏的玩法。这是实现强化学习的一种方法，但是，这种方法可能会局限在电子游戏和棋类游戏，因为这些任务都有简单的规则和直接的目标。在包含复杂环境输入的情景下，这些方法可能并不适用。我观察到的另一个现象是，许多人现在在研究感知人工智能（Sensory AI），但是，在认知这一块的研究要落后很多。