8月26日至27日，2016中國人工智能大會在北京召開，中國科學院副院長、中國科學院院士、中國人工智能學會副理事長譚鐵牛在會議上發言稱，人工智能發展60年來正在進入非常特殊的一年，人工智能熱潮蔓延全球，近一年更是在專用人工智能領域取得突破性進展。
但通用人工智能的研究與應用依然任重道遠。譚鐵牛強調，人工智能熱潮下尤其需要冷思考，根據最新的新興技術成熟度曲線，人工智能相關技術正處于期望膨脹期，接下來可能是幻滅期，因而切忌跟風，注意尋找產業瓶頸而非風口。
譚鐵牛認為，人工智能需要國家做出頂層設計規劃，落實相應政策，建設中國自主可控的人工智能創新體系。
2018年將突破2000億美元，AI熱蔓延全球
人工智能產業化蓬勃發展，2015年全球人工智能市場規模為1270億美金，今年預計將達到1650億美金，譚鐵牛預計到2018年將超過2000億美元。
人工智能從1956年提出，到今年正好60年，譚鐵牛認為對人工智能來說，今年是非常特殊的一年。其中特別值得一提的是，專用人工智能領域近一年取得了突破性進展，阿爾法狗是一個重要標志性。
此外，譚鐵牛介紹，新版的人型機器已能穩步行走，自動駕駛汽車、語音識別、人臉識別、虹膜識別也都取得了長足的發展，這是往年所看不到的景象。
他總結了人工智能領域的十大趨勢：
第一，人工智能熱潮全球化，從東方到西方，從發達國家到發展中國家，從大國到小國，都掀起了熱潮。
第二，產業競爭白熱化，各種并購和招聘人才，都希望來參與競爭。
第三，投資并購密集化，過去一年大小收購投資，從幾百億到幾個億，數不勝數，更小規模則更多。
第四，人工智能應用普適化，向各個領域滲透。
第五，人工智能的服務專業化，一個是研究通用化的人工智能，一個是專業化的人工智能。
第六，基礎平臺開源化，包括IBM、谷歌建立了開源的平臺是過去一年特別明顯的一個新的特征。
第七，關鍵技術硬件化，比如IBM的類腦計算平臺。
第八，技術方法集成化，單一的人工智能計算理論和方法不可能包打天下，集成創新勢在必行。
第九，學科創新協同化，多學科跨界融合、交叉協同，創新人工智能創新途徑，包括量子技術跟人工智能的結合。
第十，社會影響大眾化，人工智能的影響的社會化大眾化。
通用人工智能任重道遠，呼喚頂層設計政策
盡管發展迅速，但通用人工智能的研究與應用依然任重道遠。
“要在通用人工智能方面取得巨大突破還需要盡洪荒之力，這四句話描寫了人工智能目前的水平：有智能沒智慧，有智商沒情商，會計算不會算計，有專才無通才。”譚鐵牛說。
比如，人工智能在翻譯“中國隊誰也贏不了”，就會陷入不知道怎么翻的境地，在通用人工智能方面還有很多問題解決不好。
中國該如何應對這些趨勢，抓住這個機會?譚鐵牛認為首先應該有一個人工智能的規劃，“上面要有規劃，因為只有通過頂層規劃協調，才能實現一盤棋，最終實現人工智能強國，未來的世界科技強國一定是一個人工智能的強國。”
其次，譚鐵牛認為要推動人工智能諸多利好政策的及時落地，“歸根結底這些好政策能不能及時落地，否則政策也是空的，關鍵要落地，要建設我國自主可控的人工智能創新體系?！?/p>
這一體系被他概括成為“人工智能的核高基”：核就是核心技術，高就是高端設備與應用，基就是基礎理論設施。
譚鐵牛表示，要發揮互聯網大國的優勢，把我們的數據和用戶優勢資源轉化為人工智能技術優勢，最后深化人工智能技術推廣應用，做大做強智能產業，加強人工智能教育與科普，培養高素質人才隊伍，最后支持人工智能社會學的研究。
熱潮之下，人工智能切忌跟風
關于人工智能未來發展的若干思考，譚鐵牛認為，首先要保持警醒，熱潮下面尤其需要有一份冷思考。
他表示，阿爾法狗在圍棋上的表現，確實提高了人們對人工智能的期望，但是切記，不能對人工智能提出過高的期望，希望太高，如果沒有實現就會非常失望，甚至絕望，人工智能60年的發展過程中有很多這樣的教訓，因而在熱潮下一定需要冷靜地思考。
“有高潮一定會有低谷，這是發展的客觀規律，任何一個時段不可能一直蓬勃，引用最新的新興技術成熟度曲線，大家可以看到，智能機器人、認知專家顧問等熱門技術正處于期望膨脹期，接下來可能是幻滅期，所以需要我們冷靜的思考。”
在此基礎上，譚鐵牛強調人工智能要切忌跟風?！斑@幾年風口熱好像說的很多，站在風口上豬都會飛起來，臺風一過摔死的是誰啊，是被風吹起來的，所以我覺得后面是我的話，找風口不如找關口，就是要找發展的瓶頸在哪里，突破那個瓶頸，你就可能開創一個新天地，搶占先機。所以找風口不如找關口，大家不要再跟風?！?/p>
同時，對于人工智能來說，需要不忘初心、繼續探索，回歸人工智能的本源。譚鐵牛表示，隨著信息科技與腦類科技的交匯，人腦智能機理的挖掘孕育著信息科技的重大變革。但要記得解決什么問題，別走偏了，從研究內容追問研究的目的，回歸本源。
此外，人工智能需要苦練內功，重視前沿基礎理論研究。譚鐵牛稱，人工智能現在是家喻戶曉，但不能被當下的熱點一葉障目，盡管現在效果很好，但深度學習不等于AI，深度學習只是人工智能領域機器學習方向的一種方法。
他認為，深度學習的成功不是理論方法的突破，而是在大數據和大規模計算資源驅動下的基于基礎理論的技術突破，其本質是通過映射對復雜函數進行逼近，所以深度學習依舊存在明顯的局限性，尤其在任務的切換和對環境變化自身完善方面，對小樣本的舉一反三等方面，人工智能與人類還是相差甚遠。