人类最可贵的是想象力，通过研究，让原来想象中的机器与人对话、想人之所想，让这些特性成为将来切实运用的手段，确实是非常有价值的工作。只不过在风口中，总会被包装出很多似是而非的场景和产品，既对人工智能的技术发展意义不大，也对不断提升生产生活的便利性没有帮助。

既然谈的是人工智能，那么不得不谈谈现在比较狭义的人工智能，即人脸识别、语音识别、虹膜识别、数据分析之类的技术。目前狭义的人工智能技术确实很多，但真正产品化使用严格来说并没有。人脸识别、语音识别、以及数据分析算是半成可以产品化使用的技术。数据分析目前真正常用的是格式化的数据分析和预判，即数据必需是程序员设计的格式输入，不能是自然产生的；能够分析类型也是程序设定的，不能根据数据的变化自动判断数据的分析方向和详细分析类型；分析结果也只能作为参考，不能作为结论。

语音识别受采集设备和采集环境的影响很大，只能在私人用途的环境中才能保持较高识别率，在公开的公共场合中基本难以采集和纯化到目标人的声音，而语义的理解更多在关键字和句型的概率匹配，更别说真的可以理解人类各式各样口语化的语言了。而如同今年3.15大会上披露的人脸识别漏洞，人脸识别之类的生物识别在抗仿冒上存在着明显的难题。这个难题和便利性及准确性之间的平衡有关。

如同前面说的智能本质是为了便利，生物识别希望投入应用必然会选择易于提取的生物特征。而一个特征越易于提取，则这一特征就越公开、窃取特征的手段也会越便利。只要利之所往，仿造出特征承载体的手段也会越多，生物识别必然存在其应用上的可靠性瓶颈。同时，人工智能还是各种单一性技术的统称，这些技术之间并没有存在很好的联系，这也影响了其可用性。如同识别一个人，对于一个自然人而言，他不仅仅会通过面貌来区分，还会通过语调、口语化习惯、眼神、身高、触感等等多方位来进行判断。因此，用单一性的技术必然达不到真人对人类身份识别的准确性。

现在所指的狭义人工智能，更多是数学家的想象，数学家们通过数学模型来模拟人类各种机能的反应。前文提到过“直观认识的智能是希望物体对于输入的刺激能够产生与人类相似的反馈”，如果把其中的“人类”换成“生物”，我们发现数学家们对“人工智能”的这种努力跟长久以来就存在的仿生学在本质上是一致的。人们从蜻蜓的翅膀结构中得到启发，发明了飞机机翼的平衡重锤，解决了机翼的有害振动问题，这就是仿生学。

而数学家们的“人工智能”又与其他的仿生学存在一个显著的差异。如我们举例的飞机机翼平衡重锤，这些传统仿生学是通过研究生物特性中的物理化学原理后，再基于原理发明出了机械。但目前科学界对人类的认知能力的核心原理和运行机制并未了解，也就是人类从刺激到反馈的处理本身是个黑盒，数学家们的“人工智能”是用大量的刺激-反馈样本来使自己仿造的黑盒能够和自然人类黑盒一致，而刺激-反馈样本集又大到无法完全穷举，这种黑盒模拟肯定难以达到我们想象中的完美匹配度。

虽然我不是人工智能数学科学研究的专家，但认为狭义人工智能的突破必然需要建立在对人类刺激-反馈体系的科学了解达到足够程度的基础上。这种科学方法上的差异，也很大程度上决定了狭义的人工智能技术离真正实用还是存在较多差距。不过，我们也应该肯定，目前部分狭义的人工智能技术的确为一些较小场景带来一定便利。而差距的存在也意味着有广阔的发展空间，这些技术领域势必也会有更为长足的发展机会。

总之，世上并没有人工智能。

世上存在的人工智能是基于各种场景的便利性而做的各种努力。我们应该脱去限定在某些具体技术上的思维枷锁，发掘我们生产生活中各种存在便利性问题的场景，然后用最为可行的手段去解决问题，为人们带来各种便利性价值。