人工智慧從上世紀50年代就開始發展了， 其實不是個新學科。 這東西的難點在於是個跨學科專案， 對這個話題進行闡述， 很難不落入盲人摸象的尷尬怪圈。
沈向陽的話是這麼說的：“人工智慧的研究方向大體可分為兩塊， 一塊是感知方面， 一塊是認知方面。 現在人們感受到的主要是機器在語音和視覺方面的發展， 即感知層面。 接下來5到10年， 機器在感知方面的發展將非常快， 會超過人類。 這主要是因為三方面原因， 一是互聯網的出現產生了海量資料， 二是強大的運算能力和新的演算法使這些資料可以被處理， 三是深度學習在過去五六年取得突破，
什麼是人工智慧的感知和認知？用人來類比的話， 感知就是人的視覺、觸覺、聽覺， 與外界的溝通方式等， 認知就是人對某個事情和現象的認識， 反應、分析、決策、執行。 在人工智慧領域， 人的感知和認知特徵是差不多的， 目前很多企業正在用機器模擬人的感知和認知， 但還是處於非常初級的地步， 大都只能在感知計算方面打轉轉。
舉個簡單的例子， 很容易就能在市場上找到做感知計算人工智慧的公司， 如做語音的科大訊飛、蟲洞、做人臉識別的Face++等， 但並不容易找到做認知計算人工智慧的公司， 因為那畢竟距離太遠，
感知計算和認知計算誰更重要？其實是不言而喻的。 人每天都會接觸外界資訊， 起床後看到下雨了， 就知道出門要帶傘， “看到”和“知道”， 這是兩個層次的問題。 當然， 如果沒有感知計算， 就不會有後面的認知計算， 因為你連天下沒下雨都不知道， 怎麼做出出門要帶傘的決策呢？但問題在於， 感知是很容易被替代的， 看不到可以聽或通過別的什麼方式， 而出門要帶傘的這個認知則是唯一的。
為什麼目前市面上這麼多做人工智慧的公司？因為感知計算是較為適合小公司創業的領域，
但是， 我們一般人理解中的人工智慧， 應該絕大多數屬於認知計算範疇， 即機器像人一樣思考， 具有分析和推力能力， 還可以下決策， 執行動作。 感知計算只是提供了機器同外界進行交互的方式， 技術成熟後當然可以藏身感測器中， 為機器提供現實世界精准的資訊， 以供機器的認知計算能力得以發揮。 不過， 這雖然也可以算人工智慧， 但怎麼看也都是太過淺層的東西。
人工智慧自誕生以來共有過五次熱潮， 如今的這股熱潮， 與前幾次有很明顯區別。 80年代末神經網路學科的建立， 90年代互聯網技術的發展， 促成了最新的這次人工智慧熱潮。 人工智慧從離線走向線上， 從單機走向網路環境， 從單目標求解走向多目標求解， 有了互聯網資料的支撐， 其應用環境似乎被一下子拓展開了， 擁有了更大的練兵場和實驗田， 而非像20年前的深藍那樣僅作為單個智慧主體而存在。 不過這也並不能保證， 這一輪人工智慧熱不會像前幾次一樣退潮。
本次IT領袖峰會上， 有人認為AlphaGo做的是人類能做到的事情， 做人類做不到的事情才叫本事， 這種為人類叫屈的雞湯並不鮮見，20年前敗在IBM更深的藍手下的卡斯帕羅夫，叫屈的姿態其實更為花式。事實上，目前人工智慧能做到的全是人類做不到的事情，而人類能做的事情，人工智慧卻很少可以做到。人腦是記不住幾億盤棋局的，也沒辦法存儲古往今來所有棋手的棋譜，這些機器全能做到。但人看一張圖片時，一眼就能分辨出具體特徵，而機器即便去看一張寫了幾十個注解的圖片，也還是無法理解其中包含的所有資訊。
讓人工智慧像人一樣思考、推理、決策，實在是太難了，難到也許這一代人有生之年看不到那一天。但目前人工智慧的發展過程，還是很值得一看的，很多機器能做人做不了的事情，本身就能給人類社會創造巨大價值，最終機器是不是能擁有和人一模一樣的思維模式，其實並不重要。人工智慧最有可能的方向，也許是建立起一套自己的思維體系，而這套體系將與人的思維極大不同，這也正是為何霍金、馬斯克等人對人工智慧有可能的破壞作用憂心忡忡的原因。
這種為人類叫屈的雞湯並不鮮見，20年前敗在IBM更深的藍手下的卡斯帕羅夫，叫屈的姿態其實更為花式。事實上，目前人工智慧能做到的全是人類做不到的事情，而人類能做的事情，人工智慧卻很少可以做到。人腦是記不住幾億盤棋局的，也沒辦法存儲古往今來所有棋手的棋譜，這些機器全能做到。但人看一張圖片時，一眼就能分辨出具體特徵，而機器即便去看一張寫了幾十個注解的圖片，也還是無法理解其中包含的所有資訊。讓人工智慧像人一樣思考、推理、決策，實在是太難了，難到也許這一代人有生之年看不到那一天。但目前人工智慧的發展過程，還是很值得一看的，很多機器能做人做不了的事情，本身就能給人類社會創造巨大價值，最終機器是不是能擁有和人一模一樣的思維模式，其實並不重要。人工智慧最有可能的方向，也許是建立起一套自己的思維體系，而這套體系將與人的思維極大不同，這也正是為何霍金、馬斯克等人對人工智慧有可能的破壞作用憂心忡忡的原因。