人工智能值得关注的技术研究方向
为了更好地破除上述人工智能技术研究的瓶颈问题，在AI学术研究领域，一些新的技术发展趋势和研究方向也值得关注，包括：
(1) 从专用人工智能到通用人工智能是大势所趋，一些科技巨头包括国家机构都在布局通用人工智能的研究，微软成立人工智能实验室以挑战通用人工智能为主要目标；
(2) 可解释的人工智能系统备受关注，也将成为突破统计学习瓶颈问题的一个重要方向。DARPA的报告：第一个波次是基于规则的，例如以专家系统为代表的系列方法和技术；第二个波次就是当前以大数据驱动为代表的统计学习；同时，他们认为第三个波次很可能是可解释的人工智能，就是人工智能要知其然还要知其所以然，以此可见人工智能可解释性的重要意义；
(3) 小样本甚至零样本学习成为提高人工智能系统泛化能力的一个重要方向。最近提出的生成对抗网络、胶囊网络、生成模型等都是为了降低对训练数据的需求，提高人工智能系统泛化能力的有益尝试；
(4) 非深度神经网络计算模型成为机器学习创新的一个重要方向。当前深度学习理论基础薄弱、模型结构单一、资源消耗过高、数据依赖性强，以非神经网络、资源节约型机器学习模型有望成为下一个突破口；
(5) 脑科学与人工智能深度融合、协同发展、相得益彰，IBM的TrueNorth芯片、美国DARPA的MICRONs研究项目以及最近Science和Nature杂志上发表的一些受脑启发的智能计算模型都是这方面的典型例子。
