近年来人工智能（AI）取得了飞速发展，谷歌、Facebook和微软等科技巨头在语音和图像识别等AI领域都获得了重大突破，甚至有人认为我们正生活在一个“以AI为先”的时代。但是，在AI的前进道路上，目前仍然有三个巨大的障碍需要跨越。

众所周知，人工智能需要数据来了解世界，但我们往往会忽视数据多少的重要性。英国谢菲尔德大学机器学习教授、亚马逊人工智能团队成员尼尔·劳伦斯（Neil Lawrence）指出，若想理解概念或识别某项功能，这些系统不仅需要比人类更多的信息，而且需要的信息数量更是多出人类数十万倍。

劳伦斯说：“如果你看一看深度学习在哪些领域的应用取得了成功，那么会发现这些往往是我们需要大量数据的领域。”例如，在语音和图像识别领域，谷歌和Facebook等科技巨头都拥有海量数据（如安卓设备上的语音搜索），令他们可以轻松开发有用的工具。

劳伦斯称，当前，数据就像是工业革命早期的煤炭。他还以汤玛斯·纽科门（Thomas Newcomen）为例来说明这一点。纽科门是英国人，在1712年发明了以煤为燃料的原始蒸汽机，比詹姆斯·瓦特（James Watt）发明先进蒸汽机早了大概60年。纽科门发明的蒸汽机并不太好，相比瓦特蒸汽机，效率低，费用高。这意味着，它只能在煤田使用——煤田有足够多的燃料来克服蒸汽机的诸多不利条件。

劳伦斯表示，如今世界各地存在着数百个“纽科门”，他们正在开发自己的机器学习工具。这些工具可能具有革命性，但没有数据来支撑它们，所以我们将永远无法知道结果如何。谷歌、Facebook和微软等科技巨头就好像是今天的“煤矿”。他们拥有丰富的数据，也有经济能力来运行效率不高的机器学习系统并加以改善。

规模更小的创业公司可能有不错的创意，但如果没有数据支撑，他们就无力跟进科技巨头在这个领域的动作。如果看一看你难以获得数据的其他领域，会发现问题甚至更严重。以医疗保健为例，人工智能正被用于机器视觉任务，如识别X光片中的肿瘤，但这个领域的数字化数据却很少。

正如劳伦斯所指出的，问题的棘手之处就在于，“迫使人们不厌其烦地去获取数据，被普遍认为是不道德的事情”。劳伦斯表示，这里的问题不是寻找分发数据的途径，而是如何让深度学习系统变得更高效，可以在数据更少的情况下使用。就如同瓦特蒸汽机相比纽科门蒸汽机有了巨大突破一样，人工智能的研究若想取得突破，可能也需要60年。

深度学习面临的另一个重大挑战是，当前所有的AI系统基本上就是“纸上谈兵”。据谷歌DeepMind研究小组科学家拉伊亚·哈德塞尔（Raia Hadsell）介绍，一旦经过训练，它们可以极为高效地应对一些任务，比如识别猫咪或是玩Atari游戏，但是，“目前世界上没有神经网络或任何方法在经过训练后，可以识别物体和图像，玩《太空侵略者》游戏，听音乐。”神经网络（Neural network）是深度系统系统的基本组成部分。

实际上，问题比实际情况还严重。谷歌DeepMind团队去年2月份宣布，它已经开发了一种能在49个游戏中胜出的系统，虽然这肯定是巨大的科学成就，但每次击败某款游戏，该系统都需要再次进行训练，以便在下一次的较量中胜出。正如哈德塞尔所指出的，你不能同时试着学会所有不同的游戏，因为不同游戏的规则会相互干扰。你可以一次学习一个游戏规则，但最终会忘了前几个游戏的规则。“若想实现通用型人工智能，我们就需要一种能学会多任务处理的东西，”哈德塞尔说，“但是，我们现在甚至不能掌握多个游戏规则。”

解决这一问题就需要一种称为“渐进神经网络”（progressive neural network）的东西——这意味着要将不同深度学习系统连接起来，令其可以传递某些信息片段。今年6月份，哈德塞尔的团队就这一话题发表了一篇论文，称他们开发的渐进神经网络可以适应规则略有不同的多款《Pong》游戏，而且适应的速度远超正常的神经网络——后者必须从零开始了解每个游戏的规则。

这是一种颇具前景的方法，在最新实验中，它甚至可以应用于机械臂——将机械臂的学习过程从过去的几周，缩短为现在的一天。然而，这种方法也存在诸多严重的短板，哈德塞尔称渐进神经网络不能持续地在“记忆”中增加新任务。她说，如果你将几条铁链子连在一起，那么整条链子迟早“变得过于庞大，难以驾驭”。到那个时候，我们正在管理的不同任务基本上都是相同的——打造一种智力相当于人类的系统，可以写诗、解决微分方程、设计椅子，这种系统也将成为与众不同的东西。