深度学习神经网络的提出和应用实现了感知智能层面的突破，机器已经能听会看。认知智能是人工智能下一阶段目标。虽然实现的道路漫漫，但人工智能领域的科学家们仍继续耕耘，为了那一线希望而默默努力。
（1）深度学习神经网络未被证明适用于认知智能领域。深度学习能够对海量数据进行处理和分析，通过数据多层提炼，自动归纳出特征量。比如GoogleNet，2014年ILSVRC挑战赛冠军，将Top5的错误率降低到6.67%，它是一个22层的CNN，有500多万个参数[9]。机器对于事物的认知和理解取决于数据库的内容，数据基础越好，特征量越趋近正确的解读，即机器对人类知识的理解还需要计算的过程。深度学习的数据架构与人类的视觉神经网络接近，并且图像和声音包含足够多的显性特征信息，例如人脸上有超过200个骨点位置，因此感知智能能实现重大突破。
自然语言处理的目标是让机器可以直接理解人类的语言，这样才能真正掌握人类的智慧成果。自然语言处理能否实现被学术界认为是能否实现认知智能的重要标志。语言中包含的显性信息量较少，并且有很多情绪、文化、身份、人物关系等深层次信息，例如“我讨厌你”这样一句话有可能表达的是不满情绪，也有可能是情人间的嬉戏打闹。人类在分析语言含义时，往往需要结合语境、说话者身份、性格等信息综合分析判断，这个时候即使再多层次的深度学习神经网络也束手无策，因为没有更多的数据和参数可供使用，即使有，机器还是不能很好地理解语境背后的深层含义（别说机器了，很多人都做不到）。就目前基于深度学习开发的微软小冰等机器聊天产品的情况来看，机器离理解人类语言、能够正常交流还有较长的距离。微软的Tay上线一天便被教坏成为“纳粹分子”，核心问题还在于深度学习能“学”，却不会“思考”，不懂分辨。因此从深度学习神经网络跨向自然语言理解的实现路径仍不清晰。
（2）人类认知机理尚未清晰。仿生学派希望通过对人脑认知机理的研究实现认知智能层面的突破。然而，目前人类的脑科学尚不够发达，对人脑的认知有限，人脑的记忆、学习、决策等工作机制尚不清晰，也制约了仿生学派的发展，基于脑科学研究的类脑计算发展较为缓慢，所以无法通过仿生学方法实现认知智能。
仅仅通过工程学派的方法难以实现认知智能的突破，脑科学研究被寄予向认知智能突破的重要使命，各国相继推出“人脑研究计划”，企业也投入重金进行相关研究。虽然如此，但是大脑作为宇宙中最为复杂的系统之一，人类对其工作机理，尤其是具有高级认知功能的神经机制的研究才刚刚起步，在此基础上的类脑计算原理则需要更长期的研究。实现认知智能还有漫长的道路要走，正如前微软亚洲研究院首席研究员、现旷视科技首席科学家孙剑在2016年中国人工智能大会上表示，目前人类在如何实现认知智能的问题上尚无思路，机器像人类一样思考的日子依然遥遥无期。
[1]数据来源于思科2016年2月发布的《2015—2020年度可视化网络指数预测》报告.
[2]数据来源于2016年4月DIGITIMES Research发布的《2016—2017年全球GPU市场预测》.
[3]数据来源于2016年3月环球网对阿里云总裁胡晓明对《政府工作报告》解读的报道.(www.xing528.com)
[4]数据来源于2013年1月谷歌科学家Jeff Dean接受《第一财经日报》采访.
[5]数据来源于2015年12月谷歌科学家Jeff Dean于蒙特利尔举行的神经信息处理社区大会演讲.
[6]数据来源于2016年1月艾瑞咨询发布的《2015中国人工智能应用市场研究报告》.
[7]数据来源于投资部分数据主要根据2016年1月艾瑞咨询发布的《2015中国人工智能应用市场研究报告》以及IT桔子数据库整理.
[8]数据来源于2016年4月投中信息和歌斐资产联合发布的《2015中国PE/VC行业白皮书》.
[9]数据来源于2015年11月出门问问NLP工程师李理发表文章《揭秘TensorFlow：Google开源到底开的是什么？》.
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
