当下人工智能的科普远不尽如人意，充斥朋友圈乃至各大媒体的报道离实在的人工智能面貌“渐行渐远”，而公众也时有困惑，莫衷一是。不少人工智能专家也颇有同感。为此，《知识分子》特邀请上海纽约大学张峥教授撰文“勘误”AI，他欣然应允。不成想，竟收到八千字长文，可谓畅快淋漓。勘误AI，谈何容易。张教授谦称，不过抛砖引玉之作，亟待同仁“反勘误”！若果真如此，唇枪舌剑，思想碰撞，乃读者之幸！
未来论坛在上海纽约大学举办的一次讲座之后，嘉宾互动环节有这么一个问题：“人工智能最大的应用场景在哪？”我半开玩笑地回答：“在饭局上”。人工智能是IT公司蜂拥争抢的标签，也是媒体和大众的热点议题。这不是坏事，但并不是说不需勘误。
关于“无用之有用”，从浙江大学王立铭教授那里，我还偷来三个精彩的反诘案例：“新生的婴儿有什么用？”（法拉第语）；“这个研究不会有益于国防，但是会让这个国家更值得保卫”（费米实验室主任威尔荪语，于国会听证会）；“（找希格斯）没用，但是我们就是想知道答案；而且我还知道你们其实也想知道答案，只不过你们自己没有意识到”（强子加速器科学家语，于国会听证会）。
科学和技术更重要的原生力，在于好奇心的驱使。康德说最大的谜团，除了星空，就是我们自己的心智。要了解人自己，还有比再造一个“人”更直接的办法吗？在人工智能上走得远的研究者，不但应该广泛涉猎贴近人心的几个旁支，如心理学、行为学、神经科学，而在某种意义上更应是披着科学家外衣的哲学家。
人工智能芯片的发展简史：既然人脑是由海量的神经元链接而成，那么智能芯片采用同样的结构似乎天经地义，这是IBM TrueNorth芯片的出发点。而且，实现一个由大量简单计算加存储单元组合而成的芯片要远比英特尔的任何一个芯片容易得多，这让苦于摩尔定律迟早撞墙的芯片制造商看到了弯道超车的希望。
人工智能等于实时翻译、图像识别么？一直以来，这几个应用有非常高的出镜率。目前，这些模型背后的工作原理，是从海量数据里总结统计规律，完成一个自底向上的深度非线性的映射函数，把标签Y拍到信号X上。但是，如果我们老老实实叫它们的实名——“统计学学习”——那是多么的不酷啊！