财联社 在计算机视觉领域，Alan Yuille无疑是最亮的那颗星，这位约翰霍普金斯大学（JHU）认知科学与计算机科学教授早年曾在剑桥大学跟随斯蒂芬·霍金教授研究理论物理，之后转而开拓计算机视觉领域，成为这一领域的奠基人。

　　伴随着依图科技的崛起，Alan Yuille的另一身份如今也渐渐为人所熟知，他是依图科技的联合创始人朱珑博士在美国求学时的恩师。

　　18日，Alan Yuille出现在依图科技主办的“看见，智能”识别主题论坛上，分享了自己的最新观点。

　　Alan Yuille在演讲中认为，目前人工智能的成功，主要得益于三个因素：一是机器学习的能力大大提升，二是有大量的标注数据可以使用，三是强大的计算机以及数据处理单元的进步。

　　但他同时指出，人工智能已经取得了很多的进展，但目前所做的工作仅是冰山一角。虽然AI在自动化方面已经达到了一定程度，但距离实现通用型的AI系统，还存在很多挑战，未来任重道远。

　　虽然大数据深度学习和在一定的情况之下非常有用，而且也会引导很有用的一些AI应用，但是还达不到能够处理很高的复杂性的程度。

　　这是因为受到数据和算法的局限性影响所致。

　　Alan Yuille进一步解释说，局限主要表现有三点：第一是数据标注容易，但对数据进行良好的分类并不容易；第二，获得的数据未必是关键的数据；第三，标注数据往往按照一定的原则来设计实验，但真实的场景当中，它的纬度是非常多元的。

　　“AI会记住一些模式，但是无法理解模式背后的因果规则”，这一弱点会造成AI被蒙蔽，被攻击。

　　比如，在AI能够识别的一张汽车图片上，如果加上门板，那么AI很可能把图片误判成门板，如果在猴子图片上放一些吉他之类的乐器，AI就会把猴子认作是一个人。

　　“90%的冰山是在水面之下的，未知的东西还有很多，在未来还需要进一步的开发在水下这一块冰山”。对于人工智能来说，通过一些记忆和模式识别来解决简单的场景和平面的图像，仅仅是冰山一角。

　　Alan Yuille认为，要去训练这些不同的场景需要创建更多的大样本的数据库，但是问题是永远也不可能覆盖到所有的场景并且测试过所有的场景。

　　因此，Alan Yuille建议从神经元等其他方面进行探索，“电脑视觉可以从人类能力当中学习到很多，并且理解到人类的这些能力进行学习，但是它的复杂程度，真的不是想得那样简单”。

　　实际上，Alan Yuille在这方面也进行了很多的研究，建立了一些很好的模型，像是神经元之间的联络，这意味着通过神经元的这种模式来存储很多的数据可以实现，而大量的样本是能够促进深度学习的。

　　在Alan Yuille看来，认知科学、神经科学的进展会加速通用型AI系统的到来。财联社