人工智能现在还做不到像人类那样举一反三。
近年来，深度学习的提出，在人工智能领域中是一个重大突破。以往，人工智能只能用来解决人们非常了解，而且能清楚表达的问题，例如医疗诊断，人们大体上能说清楚一个症状是由什么疾病引起的；例如下象棋，每下一步都能够说明它的理由，等等。但这些问题、领域都非常有限，而深度学习的意义在于，它拓展了人工智能所能解决问题的边界。
深度学习具有一定的通用性。比如现在人们利用深度学习来做图像识别，不一定要具备非常丰富、专业的图像知识，外行也能做。所以，深度学习是一种大众化的工具。而且，即便你对这个领域没有很深入的了解，但只要拥有充分的数据，就能够做研究。
正是因为有了深度学习，目前机器人在语音、图像识别、下围棋等很多以往都被认为是人类最擅长的领域全面超过人类。谷歌研发的AlphaGo打败李世石、战胜柯洁就是例子。
为什么机器下围棋能够超过人类？为什么人工智能在图像识别的某些方面会超过人类？我认为数据、计算资源和算法是深度学习成功的三大法宝。人们常常感慨大数据的力量、计算资源的力量，但是没有看到背后算法的重要性。比如AlphaGo能够在两三周内，学到几千万个棋局，能够自己和自己下围棋，靠的正是强化学习算法。
但是，人工智能的发展依然受到多个条件的限制，即大量的数据、完全的信息、确定性的信息和单领域（单任务）。只有这4个限定条件达成后，机器才有可能达到或者超过人类的水平。比如说我们可以利用医疗数据来做大数据处理，像某些疾病的医疗诊断、医疗图像的识别，只要符合这4个条件，人工智能都可以做，而且经过努力，可以达到或者超过人类水平。但是，在现实生活中，大量的工作并不符合以上4个条件。
应该说，人工智能现在还做不到像人类那样举一反三。推广能力差、鲁棒性差等局限使得人工智能要超过人类只是特定意义上的可能，其实它在很多方面还不如人类。人工智能现在学习的是举一百反一。它需要经过几千万甚至上亿的样本训练，学过的才能够识别。因此，这里有大量的研究工作要做。