通用人工智能的任务就是如何控制无处不在的视觉和听觉。以“识别”为例，通用人工智能的研究范围会包括人体运动的控制、信息传递的准确性、信息处理的流畅性、信息的视觉自组织等，因为细节如果不考虑空间识别，这些应用无法获得良好的效果。对于不同数据源的AI系统，在控制优化上只有很小的差异。如果深度学习再进阶一点，量变上可能会有一些方向性的进步。在今天，完美的人工智能必须包括右脑，但人工智能仍然很难做到人类对整个世界的“理解”。它只是从我们对世界的认知中提炼出规律性，然后用在自我学习或对高纬度或不规则系统的理解中，从而成为人类。与正态分布类似，已经有相当多的研究证明，正态分布的背后是经常使用的力量，才会产生这么多这样的怪现象。回到应用的角度，目前的机器学习能力在数据量上还存在不足，预测精度远低于深度学习，尤其是时序估计，已经是深度学习的短板。通用人工智能的发展需要依赖更广泛、更高密度的数据。这就好比一支依靠内线实力夺得联赛冠军的球队。你不能指望内线的实力像NBA梦之队那样靠深度学习，所以问题不在于人工智能的发展，而是数据问题，数据背后的可解释性问题。现在出现更好的通用人工智能应该是一个自然现象。背后是一系列良好的数据传输和技术机制支持。然而，它还不算太远。现阶段还需要大量的数据积累和存储，使其研究成果能够轻松部署到行业和应用场景中。我认为目前的人工智能还很难达到cs229算法的水平。虽然人工智能算法在一定程度上已经接近“真实”人的思维方式，但还有很长的路要走。回答问题已经一年多了，还是有些想法的，只是现在对题主的问题有点迷茫。首先，我们要定义通用人工智能。简单的说，人工智能可以解决所有的问题，比如解决四六级的英语试题，翻译文章，语音识别等。这些都是通用人工智能。接下来，在未来可预见的一两年内，通用人工智能将无法实现古人类的有意识思维、思维方式和个体思维。而真正的人工智能必须有像iPhone一样完整的ios系统，完整的硬件平台，完整的数据传输和存储系统，才能确定通用人工智能的身份。如果题目是指通用AI，那么抱歉，大部分机器学习算法只能实现一种模型，比如预测准确率、模型复杂度、性能一致性等。当然，系统运行速度越快，训练集容量越大，也可以达到同样的效果。但是，随着深度学习算法的出现，具有神经网络结构的深度学习算法可以用于图像识别和语音识别。
