1、自1956年的夏天誕生于達特茅斯會議之後，人工智能業已經曆三次浪潮。第一次浪潮中，人們驚呼着“人工智能來了”、“再過十年機器會超越人類”，陸續發明了首款感知神經網絡軟件，證明了數學定理。

　　2、第二次，随着上世紀80年代Hopfield神經網絡和BT訓練算法的提出，出現語音識别、語音翻譯計劃等以及日本提出的第五代計算機。然而，由于未能真正進入人類日常生活之中，前兩次浪潮最終歸于沉寂。

　　3、如今第三次人工智能浪潮的興起，得益于深度學習技術的突破。該技術是一種需要訓練大型神經網絡的“深層”結構，且每層可以解決不同方面的機器學習。其特點是，無需再依賴于硬件代碼和事先定義的規則，而是依靠模拟人類大腦的神經網絡系統，從案例和經驗中習得算法。

　　4、“人工智能的不同技術應用處于不同階段。其中，語音識别處于推廣和普及階段，三至五年之後，計算機的語言識别能力會超過人類。10年之内，視覺方面的圖像識别也會發展得非常好。無人駕駛汽車領域，已經能夠實現一些類似能夠分析過去的人工智能功能。具有有限記憶的人工智能，正處于實驗室研究階段。”沈向洋指出，“然而，具有自我意識的人工智能，離我們還有很遠的距離。”

　　5、神經網絡、深度學習等技術架構早已存在多年，它們之所以在近5至10年産生飛躍，得益于數據、硬件和算法的改變。

　　6、根據IDC數字領域報告顯示，至2020年，每年數據量将達到44ZB（1ZB合1萬億G），5年内年複合增長率将達到141%。随着數據量的增長，神經網絡便會更有效率，機器語言可解決的問題數量也在增加。

　　7、硬件能力的提升，增強了神經網絡産生結果的速度與準确率。有别于傳統基于數據中心架構的CPU，GPU與并行架構的使用能夠更快訓練機器學習系統，通過使用圖像芯片，網絡能夠更快疊代，以确保訓練的準确性；諸如微軟和百度使用的特制矽FPGA，能夠令深度學習系統做出更快推斷；超級計算機的計算能力，則可幫助探索深度學習的進一步可能性。

　　8、在更加豐富的數據量、更優質的硬件能力的前提下，如今的研發更多是面向算法，例如伯克利的Caffe、谷歌的TensorFlow和Torch這類開源框架。

　　9、盡管取得了巨大的技術進展，以深度學習為驅動力的人工智能技術更多仍停在分類、聚類和預測階段，如：圖像、文本、語音的識别、對比尋找相似項目，或基于相關數據進行預測等。然而，能夠完全複制人類獨立學習、決策能力等在内智慧的通用人工智能（或說強人工智能），還僅僅停留于理論想象之中。

　　10、它的瓶頸更多體現在計算能力不足上。目前，類似全腦模拟的技術已經被用于實現通用人工智能的目标，然而其所需的計算力遠遠超出當前的技術能力。未來随着量子計算機取得突破，該瓶頸方才有望打破。中科院5月3日宣布，我國科學家成功構建世界首台超越早期經典計算機的光量子計算機，并實現了十個超導量子比特的高精度操縱，打破此前美國保持的記錄。量子計算是利用量子相幹疊加原理，在原理上具有超快的并行計算和模拟能力，可以為經典計算機無法解決的大規模計算難題提供有效解決方案。中國科學技術大學教授潘建偉團隊利用自主發展的綜合性能國際最優的量子點單光子源，通過電控可編程的光量子線路，構建了針對多光子“玻色取樣”任務的光量子計算原型機。

　　11、但光量子計算機在人工智能的廣泛應用，仍有很長的一段路要走。