今天的ai技术发展对比人类来说还有很大的进步空间。未来的ai技术基本将对人类做几个方面的改变：性别比例？性格？眼镜？如果上述的都没办法实现，一定会朝更多方向发展的。
比如，目前计算机识别一种“动物”时，会模糊不清，今后可能会把它描述为更多种的动物，这样就能增加它的概率识别目标了。再比如，识别一种颜色的方法有很多种，还可以是一个种深度神经网络和一个普通的神经网络训练结果或者带有树的神经网络训练结果的结果。
我不喜欢训练方法的观点，更喜欢其他类型训练方法，有了训练好的目标网络结果，我们就可以通过它来优化算法。以上纯属个人看法，望各位专家批评指正，谢谢！自制人工智能需要以下几个步骤：实现终端操作系统。
最近开源的“神经网络库”很流行，可以用来训练神经网络，可以轻松学习各种人工神经网络模型。实现高性能计算机。深度学习模型几百mb，以我目前的水平只能实现80%左右。实现更强大的传感器，从而识别环境信息。
比如，对各种传感器做图像识别。实现视觉优化算法。（视觉优化里面包含几十种目标检测算法，目标跟踪算法，目标定位算法，目标识别算法，目标分割算法）训练大型神经网络。
具体实现上，我认为还需要以下几个方面的努力：如何解决传感器（例如各种图像处理传感器）用无线电做端到端加速的问题；如何解决无线电加速的时延问题；如何实现对各种数据源的可靠检测；如何实现无限的可用内存；如何实现调制解调器与放大器等等。后面写几个简单的东西。
ai要求出现更多的初级智能单元，要求由现在绝大多数机器这样的“机器人”实现。问题中其实有个重要限制：cs和ee，这很好办。前者基础是数学和统计，后者基础是物理、计算机图形学。
数学基础就很明显了，直接针对张量和矩阵作更高层次的数学，高到你能做物理/物理电子学的时候。一般来说现在顶尖的工程院校cs本科物理和数学要求很高，一般的工作基本对物理，数学和计算机图形的基础掌握要求和cs很相近。不像你看的那些天文，地学（包括cs对这两个方向的兴趣差距很大），只要你肯做项目肯写代码最终你都有能力做。
你也可以看到很多做应用的（应用比如机器学习，深度学习），但这些基本很难做到对物理，数学和计算机图形有那么多需要，很多只是停留在表面做数据处理和算法优化而已。这个我的确承认ee这几年火爆，人工智能这么热。但是普通人恐怕很难把数学，物理，计算机图形这些东西完全融会。
