人工智能三法宝
当前人工智能主流应用是基于深度学习神经网络，或者换种说法，以神经网络为代表的算法由于大数据结合，通过计算力加持，成为当前主流人工智能的演进路径。
因此，算法、大数据、计算力是AI成功的三大法宝。
黄开竹教授认为，当前人工智能爆发实际是应用驱动爆发，技术欠缺特别是算法欠缺是制约人工智能行业发展的现状和突出问题。当前深度学习的成功更像是暴力计算的成功，比如AlphaGo使用了1920块处理器＋280块 GPU，每小时耗能达到440千瓦，而人脑每小时消耗20瓦能量。
深度学习之对抗样本问题
目前，提及AI总会听到一个次“深度学习”，深度学习的发展带动了一系列的研究，尤其是在图像识别领域。在一些标准测试集上的试验表明，深度模型的识别能力已经可以达到人类的水平。但是，对于一个非正常的输入，深度模型是否依然能够产生满意的结果。
我们先来看结论吧：对抗样本将会被大多数当前最好的深度学习分类器识别错误！
一个对抗样本，修改一张熊猫的图片，让机器学习模型将它识别成一只长臂猿。
当加入对抗干扰，干扰增大时，AI识别数字发生变化。
人工智能生物识别
目前看，生物识别与AI在人脸识别与语音识别方面有了结合，生物识别与AI是一种怎样的关系呢？袁聪先生指出：“生物识别与大数据有着密不可分的关系，大数据的最终目的是数据挖掘，声、光、电、压等信息在AI看来，只是数据，并通过机器学习等算法实现识别的功能。”
在苹果推出只有面部识别功能的iPhone X后，“指纹识别是否还有春天”引起了业内的热议。袁聪反复强调“安全有界限”，未来趋势必将是多种生物识别组合的模式，比如指纹识别与虹膜识别相搭配等。
