人工智能的现况是什么？
人工智能现在很火，一方面是各种产品的实际运用视频（比如天猫精灵，比如机器人抗震救灾），另一方面是非常火爆的大数据和深度学习。看起来效果很好，但是实际上目前都是在鹦鹉学舌的阶段，费了大量的人力和算力，只是针对了一些特定任务，并且背后依然是人告诉机器该怎么做。
人工智能的理想与未来是什么？
现在的人工智能，概括来说是处于大数据，小任务阶段。未来的人工智能，是小数据+多任务。数据其实就是外在环境的因果，任务就是智能生物与生俱来的生存价值本能。
前者，外在环境的因果，这就是物理学的本质：“相信世界存在完整的因果链条，并去找到它”。后者，生物的生存本能，这是达尔文的进化论思想，因此未来的人工智能，也可以看做是牛顿和达尔文的思想结合。
人工智能的研究方向现在有哪些呢？
可以分为以下六个大方向：计算机视觉（可以理解成图像识别处理）、自然语言理解交流、认知与推理（物理和社会常识）、机器人学（机械相关）、博弈与伦理（伦理其实就是各方博弈的最终平衡态）、机器学习（目前最火的深度学习就是其中一种）。
这些方向曾经分的很远，现在就向战国六雄（历史上是七个）一样互相渗透，有朝一日可能会像秦国统一一样合并为一体。
计算机视觉——六大方向的现况与未来（一）
现阶段，比如还原一个三维场景，是采用多角度拍摄多张图片的特征点比对，来建模。但是实际上人脑看一张二维的照片就能还原出三维场景了。靠的是常识推理。比如几何推理，照片中的椅子高度应该和人的小腿差不多高（这样才能坐得舒服），而精度是依据任务循序渐进的，比如要去拿个杯子，并不需要一开始就知道距离4.56m，只需要知道大约三四米，然后在靠近的过程中调整精度即可。
另一个任务驱动的研究如下，给机器一个挖土的任务，机器能够在一堆物品中找出最好用的工具。组1是训练的数据，到组2就是机器自己挑选了，到组3，只剩下石头，就像石器时代的原始人一样。目的是完成挖土的任务，目的是找出可以握且有尖头的物体。而不是现在流行的图像识别（找出一堆物品中的铲子，把铲子换成石头就茫然了）。
未来的图像识别应该和推理小说中的侦探一样，不仅能看到东西，还能想到这东西意味着什么，可以用来作什么。
认知、语言——六大方向的现况与未来（二&三）
这是一个人和另一个人（机器）的交流图。底部的那个椭圆代表了人类社会的常识。这就是机器认知现在研究的领域，主要是通过关注人的行为，进行猜测，然后后验。
语言则是左边，中上，右边三个椭圆。一次完整的对话，两个人之间至少要表达五个脑袋minds：我知道的东西、你知道的东西、我知道你知道的东西、你知道我知道的东西、我们共同知道的东西。
语言的交通过程中涉及信息的编码，这里可以参考古代的象形文字，对于生成模型来讲语言就是视觉，视觉就是语言。
机器人学——六大方向的现况与未来（四）
分解每一步任务
博弈论理——六大方向的现况与未来（五）
建立一个利益函数，在对环境建立一个流态函数。博弈就是流态函数与利益函数的动态平衡。
机器学习——六大方向的现况与未来（五）
这个通讯学习的构架里面，就包含了大量的学习模式，包括以下七种学习模式（每种学习模式其实对应与图中的某个或者几个箭头），这里面还有很多模式可以开发出来。
（1）被动统计学习passive statistical learning：上面刚刚谈到的、当前最流行的学习模式，用大数据拟合模型。
（2）主动学习active learning：学生可以问老师主动要数据，这个在机器学习里面也流行过。
（3）算法教学algorithmic teaching：老师主动跟踪学生的进展和能力，然后，设计例子来帮你学。这是成本比较高的、理想的优秀教师的教学方式。
(4) 演示学习learning from demonstration：这是机器人学科里面常用的，就是手把手叫机器人做动作。一个变种是模仿学习immitation learning。
（5）感知因果学习perceptual causality：这是我发明的一种，就是通过观察别人行为的因果，而不需要去做实验验证，学习出来的因果模型，这在人类认知中十分普遍。
（6）因果学习causal learning：通过动手实验， 控制其它变量， 而得到更可靠的因果模型， 科学实验往往属于这一类。
（7）增强学习reinforcement learning：就是去学习决策函数与价值函数的一种方法。
写在最后
截取原文片段代表个人感受。在尝试总结过程中也感到，失去详细的案例很难表现出作者原意的精髓，再次附上原文链接
