不过那些分析的专家缺乏对智力的结构性、系统性分析，所以分析问题抓不住关键，说不到点子上。

真正的问题是：人工智能缺乏人类特有智力，不但在抽象思维上有严重缺陷，更无法理解语言、哲学、数学、科学的方法和发展。

很多问题，靠增加数据量、增加计算机的运算能力是无济于事的。

刘庆峰寄予希望的脑科学，其实是neurosciences。我已经分析过neurosciences是生理层次的研究，在动物性智力：视觉、听觉、运动、情绪、经验上有些进展。但无法理解人类特有智力，无法理解语言、哲学、数学、科学的方法和发展。

所以，只能寄希望于人机耦合。而好的人机耦合需要准确理解人工智能的结构性、系统性缺陷，和人类特有智力的结构性、系统性优点，才能协作好。

下面这篇报道提到深度学习的瓶颈：

http://www.21jingji.com/2020/1-3/3NMDEzODFfMTUyNTA3Nw.html

技术瓶颈不等于寒冬

应用普及的同时，本轮人工智能浪潮的核心——深度学习算法则开始呈现出局限性。

在本月举办的人工智能学术会议NeurIPS上，谷歌顶级研究员Blaise Agueray Arcas指出，深度学习技术无法解决所有问题，尤其是和推理以及社交智能相关的任务。

Mila人工智能研究所主任Yoshua Bengio同样表示，深度学习模型是高度专业化的，因而显得十分狭隘。“它们学习一项任务需要比人类多得多的样本，但即便如此它们还是会犯非常愚蠢的错误。”

不过，刘庆峰始终认为，深度学习算法的不可解释与局限性，并不足以说明人工智能到了寒冬。“在人工智能第三次浪潮期间，相关应用的规模化落地以及由此带来的数据信息，已经可以解决应用成效问题。”刘庆峰强调，“在此期间，可以小成本、大范围推广能够切实提高人们工作、生活效率的产品出现，第三次浪潮就不会破灭。”

刘庆峰认为，人工智能未来的突破点将表现在三个方面。首先是面对小样本、无监督、个性化问题的基础理论带来算法的持续突破，其次是脑科学研究和数学统计建模方法深度结合形成脑智同飞，最后，则是人工智能系统和人类行为协作的人机耦合方式的持续探索。