Xavier提出应该尽可能使用组合算法，不同于强调原创性的学术研究，创业公司更需要“拿来主义”，只要能用上，多尝试不同的算法组合来提高准确率是个明智的选择。

　　5. 不要将一个模型的输出作为另一系统的输入

　　Xavier警告说这会是系统设计的噩梦。

　　发生在数字世界的关键性应用和发生在物理世界的非关键性应用

　　发生在数字世界的关键性应用和发生在物理世界的非关键应用对创业公司而言是机会比较多的领域。比如将人工智能用于金融领域和安全领域。又比如扫地或是玩具机器人是一个典型的发生在物理世界的非关键性应用。这两个领域是创业公司最有机会的。

　　人工智能颠覆性的理论突破仍需等待

　　通过神经科学或是其他学科与计算科学交叉，寻找人工智能新理论的突破仍停留在理论研究阶段。

　　虽然深度学习已经获得不少进展，然而大家至今很多领域依旧是知其然而不知其所以然，而人工智能其实理论研究获得的突破依旧。

　　（Gary Marcus）

　　对于现在基于概率和数理统计的深度学习而言，纽约大学神经科学教授Gary Marcus希望从神经生物学的角度寻找人工智能的突破。他刚刚加入新成立的Uber AI Lab。我们在此断章取义地引用他的观点，“目前对于人工智能最大的担心是技术发展停滞不前”！这也是我们所担心的。

　　在近几年深度学习的浪潮中，人工智能领域的进展更多是工程推进，而不是理论突破，尤其是海量数据和超大规模的暴力计算。正如Peter Norvig曾经谈到Google在人工智能的出色表现时，就评论到“我们没有更好的算法，我们仅仅是有更多的数据”。

　　而对于通用人工智能(Artificial General Intelligence)，Gary继续批评过去几十年徘徊不前。现阶段的智能不能像人一样阅读、理解、推理，无人驾驶的安全也不足以让人信服……

　　人工智能研究的道路依旧任重道远!

　　本文为硅谷密探旗下《AI严肃说》专栏文章

　　作者：严肃

　　“硅谷密探联合创始人&主笔，麻省大学人工智能方向研究生毕业，与通用汽车合作过为期两年的无人驾驶科研项目，在国际人工智能联合会议(IJCAI)等学术会议上发表过多篇论文，在写一系列AI的文章”

　　往期文章：