身處在人工智能時代的我們是很幸運的，我們可以隨時享受科技給我們帶來的便利生活，這其中就有人工智能給我們的生活和工作帶來的便利，我們可以在早上出門的時候，可以用一個手機就可以直接找到附近的出租車，接着出租車就會來到我們的門前將我們載到我們去的地方，而且出租車也不需要人的參與就可以實現完全的自動駕駛，也就是平常我們所說的無人駕駛L5級別，然後可以坐着無人駕駛汽車行駛到目的地，進入自己工作的地方以後，手機上面自己定製的早餐早就在辦公室的餐口等候了，只要來的時候通過人臉識別技術掃描就可以零取自己的餐食，然後坐下來辦公以後，智能機器人就送來了今天需要處理的文件和數據，並且給機器人發送指令，看起來工作是多麼的智能化。
這一套智能的流程裏面，仿人智能是一個重要的因素，仿人智能是人工智能的高級形態，也就是說用計算機來模仿人的智能，用計算機來模仿人的思維能力和推算、以及邏輯推演能力，這種也是人工智能的高級形態，目前人工智能的水平可以是說還處於比較低級的階段，應該是處於細胞階段，基本沒有人的智能，只能在某一方專業領域方面做到極致，比如圖像識別領域的人臉識別。
以目前人工智能發展的趨勢來看，真正的仿人智能式的人工智能離我們還很遙遠。
計算能力限制了人工智能的發展，現在一般的深度學習算法也是需要高性能計算機的處理纔能有一定實時處理能力，就大家熟悉的人臉識別這項科技來看，實時的人臉識別算法的背後是大規模服務器集羣在發揮着作用，服務器集羣爲人臉識別提供了保證，但是人臉識別只是仿人智能中一個很小的功能而已，而且他跟我們人眼看到的客觀世界是兩個概念，我們人眼看到的世界要處理很多信息，比如分析我們看到的物體是什麼保留有用的，剔除無用的，並且人眼還要判定物體的遠近程度，這對於神經網絡來說是一項巨大的工程，因爲人臉識別網絡只是做一件事情，不斷判定別人的臉信息，至於圖像中出現的其他物體全然不知，從而也無法做出更加深入的判斷，單就人眼需要接受到的信息來看，與簡單的人臉識別網絡，這還有很長的路要走，計算能力和計算容量是關鍵的因素。
算法的複雜度也是一個限制因素，假如我們真的具備多物體的快速檢測和定位以及信息提取功能，那麼如何將我們人眼實時接受的多物體之間的信息融合起來，這個是一個非常複雜的算法問題，對於這一點，腦科學現在也沒有辦法將這個問題解釋得清楚，所以人類也不可能在短期內將自身人腦的複雜度復現出來，即使腦科學已經將人類這部分信息融合的方法的奧祕探索出來了，但是要想實現這麼一個複雜的算法，我們現在的所用的程序語言支持不支持就不知道了，多物體的信息融合並且同時還有可能伴隨着信息壓縮，然後纔會給大腦的中樞做進一步的處理，所以這又給仿人智能提出了一道新的難題，因爲人腦這麼高級的組合不可能只用一種信息壓縮的方式。
大腦的複雜度，是我們很難模仿的，衆所周知，大腦有很高的複雜度，神經元的數量數以億計，而且神經元的組合方式遠比我們想像的要複雜的多，神經元之間的連接量級也比我們想象的複雜的多，很有可能神經元的鏈接有着很複雜的信息傳遞方式，同一個神經元輸入同一個值以後就可能會出現不同的輸出值，而且很有可能這不是一個確定值，可能是一個動態值，這個動態值的一定的範圍代表某種操作，這個在我們嚴密的數學邏輯裏面是沒有辦法解釋的，可能只有等複雜度上升到一定的程度以後纔有可能認清楚這個機理，但是以目前的計算機發展的科學來看，還是有很遠的距離的。
計算機科學本身可能就對仿人智能有着本質的阻礙，現在的計算機是二進制計算機，對於晶體管的狀態只能是開關兩種狀態，所以導致其計算能力有所限制，這會在根本上限制計算機的能力，所以晶體管的多狀態就會提升計算機的能力，這就讓仿人智能成爲可能。
無人駕駛汽車是現在人工智能方向熱門方向，很多大公司也都盯着這個項目，指着這個項目能夠有所進展，最終制造出來無人機駕駛汽車，但是根據目前人工智能技術的發展，要做到無人駕駛的L5級別還是有一定距離的，路面情況太過複雜，多傳感器融合的技術尚沒有很好的解決方案，做決策的時候都會出現一些比較片面的問題。再加上計算機處理能力的限制，真正意義上的無人汽車還比較遙遠，所以，公衆對待無人汽車這個事情，要有一定理性思維，現在的很多商人因爲需要融資，或者圈錢，賣股票，都在吹噓人工智能如何如何有用，如何如何強勢，能夠像電影裏面的智能機器人一樣，能夠做很多人類比較複雜的事情。
之所以寫這篇文章，也就是想給大家一個認識，告訴大家現在的人工智能技術的進展，我們對待人工智能技術要有一定的理性的認識。