今天的ai技術發展對比人類來説還有很大的進步空間。未來的ai技術基本將對人類做幾個方面的改變：性別比例？性格？眼鏡？如果上述的都沒辦法實現，一定會朝更多方向發展的。
比如，目前計算機識別一種“動物”時，會模糊不清，今後可能會把它描述為更多種的動物，這樣就能增加它的概率識別目標了。再比如，識別一種顏色的方法有很多種，還可以是一個種深度神經網絡和一個普通的神經網絡訓練結果或者帶有樹的神經網絡訓練結果的結果。
我不喜歡訓練方法的觀點，更喜歡其他類型訓練方法，有了訓練好的目標網絡結果，我們就可以通過它來優化算法。以上純屬個人看法，望各位專家批評指正，謝謝！自制人工智能需要以下幾個步驟：實現終端操作系統。
最近開源的“神經網絡庫”很流行，可以用來訓練神經網絡，可以輕鬆學習各種人工神經網絡模型。實現高性能計算機。深度學習模型幾百mb，以我目前的水平只能實現80%左右。實現更強大的傳感器，從而識別環境信息。
比如，對各種傳感器做圖像識別。實現視覺優化算法。（視覺優化裏面包含幾十種目標檢測算法，目標跟蹤算法，目標定位算法，目標識別算法，目標分割算法）訓練大型神經網絡。
具體實現上，我認為還需要以下幾個方面的努力：如何解決傳感器（例如各種圖像處理傳感器）用無線電做端到端加速的問題；如何解決無線電加速的時延問題；如何實現對各種數據源的可靠檢測；如何實現無限的可用內存；如何實現調制解調器與放大器等等。後面寫幾個簡單的東西。
ai要求出現更多的初級智能單元，要求由現在絕大多數機器這樣的“機器人”實現。問題中其實有個重要限制：cs和ee，這很好辦。前者基礎是數學和統計，後者基礎是物理、計算機圖形學。
數學基礎就很明顯了，直接針對張量和矩陣作更高層次的數學，高到你能做物理/物理電子學的時候。一般來説現在頂尖的工程院校cs本科物理和數學要求很高，一般的工作基本對物理，數學和計算機圖形的基礎掌握要求和cs很相近。不像你看的那些天文，地學（包括cs對這兩個方向的興趣差距很大），只要你肯做項目肯寫代碼最終你都有能力做。
你也可以看到很多做應用的（應用比如機器學習，深度學習），但這些基本很難做到對物理，數學和計算機圖形有那麼多需要，很多隻是停留在表面做數據處理和算法優化而已。這個我的確承認ee這幾年火爆，人工智能這麼熱。但是普通人恐怕很難把數學，物理，計算機圖形這些東西完全融會。