强人工智能在理论上绝对是可以实现的，但决不会是通过深入学习这一精妙的方法实现的，

骑车时，你可以绕圈练习一个星期，但你绝对不能用自行车破音速，或骑自行车去火星。

为了实现真正的人工智能，仿生学的方法之一就是首先弄清楚智能的机理(如果能够弄清楚意识的机理那就更好了)，然后在实验室里模拟智能。

科学家们利用计算机来模拟秀丽隐杆线虫，这是因为其结构比较简单，但同时也具有趋利避害、觅食、繁殖等功能。在第一阶段，他们利用计算机来模拟秀丽隐杆线虫的302个神经元和95个肌肉细胞，其最终目标是模拟全部的959个细胞，但结果并不乐观：

These early attempts of simulation have been criticized for not being biologically realistic. Although we have the complete structural connectome, we do not know thesynaptic weightsat each of the known synapses. We do not even know whether the synapses are inhibitory or excitatory. To compensate for this the Hiroshima group used machine learning to find some weights of the synapses which would generate the desired behaviour. It is therefore no surprise that the model displayed the behaviour, and it may not represent true understanding of the system.

尽管模仿了线虫的神经元，但连神经元上的突触是抑制作用的还是兴奋作用的都搞不清楚，有些突触的权重是通过机器学习产生的，以达到预期的效果，结果自然是没有什么可取的结论。可以看出，我们对智能机制的研究还处于非常初级的阶段。

另一种方法是使用算法来获得结果，而不需要模仿现有的智慧生活，类似于中文屋。归根结底，自然进化的机制未必是最有效的，汽车不必用四只机械臂飞驰，飞机不必拍打翅膀来提供升力，人工智能也不必用上亿个神经元来开始工作。语音、视频分析就是模式识别，自动驾驶就是决策树，扫地机器人就是寻路和避障问题。但现在有很多问题都不能很好地定义，一张脸是男是女，怎么用数学方法来定义呢？如果没有好的定义，自然就不能建立有效的模型，也不能评估模型的有效性，因此，大量依赖于深入学习这种“黑箱”解决问题。

这一阶段，当然最完美的定义就是自动驾驶，和棋类、电子竞技类的问题，所以这些问题早已经得到解决。而那些定义不完善、离解决还很远的问题，如语义分析和机器翻译，相对来说就更难解决。

因此不用太激动，在人工智能方面，我们还处于前科学状态，正是热素说，以太说大行其道的时代。没有人知道将来会发生什么，到2019年，强人工智能的理论基础还没有出现，也没有任何迹象。弱智 AI虽然有一些成果，但大多也是算力、数据堆砌，技术进步不明显。目前的状况是，人们对人工智能的理解越悲观，对它的不理解越乐观。

上一次 facebook AI跑出 bug，媒体记者竟然报道 AI发明了人类无法理解的语言进行自主沟通， AI可能会吞噬人类的云彩，就是一个例子。根据越是外行越乐观的规律推断，很快就会有人有意识地上传锅，算命人工智能这样的骗局就出现了，大爷大妈们一定会信这个。