当然，我们得谨慎地下结论，不能过度解读。首先，尽管AlphaZero体现了令人印象深刻的通用性(它在棋类游戏专业的通用性方面超过了此前任何一个人工智能系统)，但它本身并不代表迈向通用人工智能的重大进步。它甚至没有我们人类所普遍拥有的智能，在下棋方面它很专业，但它不能跟人交流，不能讲笑话，也不会煎鸡蛋、骑自行车或者系鞋带。它的卓越能力其实有着相当的局限性。当然，棋类游戏是相当抽象的——它们与现实世界相去甚远，正如罗德尼·布鲁克斯很快将要提醒我们的那样。
但是，尽管还有许多问题和麻烦，我相信一个简单的事实：深度思维的工作，从他们的雅达利游戏机到AlphaZero，代表了人工智能领域一系列非凡的突破性成就。在实现这一切的过程中，他们成功地让数以百万计的人们美梦成真。
迈向通用人工智能？
深度学习已经被证明成就非凡，它使我们有能力构建一些在几年前无法想象的人工智能程序。尽管这些程序赢得了辉煌胜利，但它们并不是推动人工智能朝着宏伟梦想前进的魔法。接下来，为了解释这个问题，我们来看一下两个现在广泛使用了深度学习技术的应用：图像标注和自动翻译。
在图像标注问题中，我们希望计算机能够获取图像并对其进行文本描述。在某种程度上具备这项功能的系统已经得到广泛应用：我的苹果Mac软件在更新照片管理应用程序以后，能够正确将我的照片分为“海滩场景”“派对”等等。在撰写本文的时候，还有好几个通常由国际研究机构运营的网站存在，你可以将照片上传到网站，它会尝试为照片做出标识。为了更好地理解图像标注技术的局限性，进而理解深度学习的局限性，我将一张家庭照片上传到一个网站中(本例中，我使用的是微软的标注机器人)[78]，照片如图20所示。