随着DeepMind推出根据记忆自主学习的计算机，人工智能已经实现自我学习，这是否意味着人工智能已经接近转折点？

要回答这个问题，可能需要从AI的定义入手。斯坦福大学“AI研究的100年”项目发布的《2030年的AI和生活》报告给出的答案是“AI的定义取决于AI研究者”，这一迂回的“定义”将答案指向了AI的发展历程。

AI的发展历程

曾领导IBM互联网业务部、现任麻省理工学院讲师的Irving Wladawsky-Berger近日撰文指出，在AI发展的初期，人们认为评估AI进展的主要方式是与人类智能进行比较，因此最好的方式是在竞技游戏中令二者进行对峙。

最早的AI挑战之一是国际象棋。许多AI研究的领头人认为AI在国际象棋比赛中战胜人类是迟早的，因此令计算机编程进行象棋比赛。但实际上知道今天，也没有人知道象棋冠军究竟是如何思考的，遑论将其思维模式转换成指令，从而令计算机成为象棋高手。20世纪80年代，这类AI遭遇挫折并被抛弃。

不过AI在90年代得以重生，这一阶段，AI采用基于强大计算机和复杂算法的大量信息，对此进行统计和强力计算，而非通过编程令计算机表现智能。而且，与早期以编程为基础的项目不同，统计方法带来的效果极佳。例如，IBM开发的超级电脑“深蓝”，在1997年曾击败国际象棋世界冠军Kasparov。

此后，AI领域的发展方向转移到了比国际象棋更为复杂的游戏中，例如IBM在2011年推出的Watson程序，能够使用自然语言回答问题，并在问答节目中赢得人机对决。这意味着计算机已经能从书籍、报纸、网站等任何以自然语言呈现的非结构化知识进行提取。

更值得一提的是今年初赢得围棋大师李世石的谷歌AlphaGo，其依赖深度学习算法，部分根据人脑工作方式进行建模，而非单纯依靠强力计算。

未来哪些元素将成热门？

从AI的发展历程中不难看出，深度学习在未来仍有较大发展空间，“AI研究的100年”项目报告指出，除此之外，大规模机器学习等也将成为大热门：

大规模机器学习。通过机器学习，计算机能够抓取大量数据，而非精确编程。目前的重点是扩展现有的算法以完成大量数据的工作。

深度学习。这是机器学习的更高水平，其采用具有多个处理层的深度图表，令先进的可视化应用（如物体识别、视频标签等）得以完成。

强化学习。传统的机器学习主要聚焦于模式挖掘，但强化学习将重点提升至决策形成，并协助AI在现实世界中更为深入地学习和执行。

机器人。目前正在考虑如何训练机器人以可归纳和可预测的方式与周围世界进行互动。可靠的机器感知（包括计算机的视觉、力量和触觉）多数依靠机器学习，将继续成为提升机器人能力的关键因素。

计算机视觉。在执行一些（狭义的）视觉分类任务时，计算机的表现第一次优于人类。目前多数研究集中在自动图像和视频字幕上，

自然语言处理。对于有着大量数据的主流语言，自然语言处理正在迅速成为主流语言的大量数据集成。目前研究已经转移到精炼且有能力的系统，这类系统能够通过对话与人进行互动，而非只是对程式化要求进行应答。

报告还指出，在未来十五年间，预计有人类意识的系统将受到进一步重视，这意味着可以设计特定模型以与特定人群实现交互。而且需要开发出更多新的方式以教导机器人，而且物联网系统变得越来越流行，这被视为社会与经济层面的AI。未来几年，具有新的感知或识别能力的机器人平台将进一步成长，由数据驱动的产品和市场同样如此。

人工智能概念股：埃斯顿、科大智能、汉王科技、江南化工、华东数控、和而泰、中科曙光、永创智能、北京君正、通富微电、永创智能、劲拓股份。