收到一则邀请来讨论关于人工智能的话题，我把自己的看法写在了下面，很高兴能够参与进来！
如果存在问题，也希望各位能够指正！谢谢！
1. 你认为人工智能能超越人类大脑进行文字处理/交互吗？
我的回答：
根据个人从这几年对计算机方面的学习与研究再加上个人对未来人工智能的大胆预测，对于这个问题我个人认为人工智能超越人类大脑进行文字处理与交互可能性是非常大的！
当我看到讨论的题目中所提到的“基于文字方式”，有点困惑这个说法，如果换做更加专业的说法我想是不是称之为“符号主义”。
既然要讲人工智能，谈超越人类大脑，相应的就需要有实现人工智能的途径和方法。当下，总结比较完善的人工智能实现途径有：符号主义、连接主义、学习主义、行为主义、进化主义和群体主义。
从实质上讲的话，基于符号主义的思想实现人工智能比较接近上述讨论的问题，所以我本人也是从符号主义入手讨论上述问题。符号主义的人工智能是以“符号处理”为核心的人工智能实现途径，纽维尔和西蒙于1976年提出的“物理系统假说(Physical Symbol System Hypothesis)”是这种途径的理论基础。知识的基本元素是符号，人工智能的实现基础又依赖于知识，研究方法是使用计算机软件和心理学方法进行宏观上的人脑功能上的模拟。在此值得一提的是西蒙既是心理学大师也是计算机方面的专家，两个领域都是获得过很高的荣誉与
成就，也许正是因为他在这两个领域出色表现，“物理系统假说”所谈及的研究方法也主要应用这两个领域。
该假说认为所有的智能实体都是物理符号系统，智能源自于对符号信息的处理，通过符号来表示知识，并且基于符号进行知识的推理、计算，以期实现人工智能。该假说同样包含两个基本原理，第一条是已经提到的物理符号系统假设原理，第二条是由西蒙提出的有限合理性原理。对于第二条基本原理西蒙教授认为任何一个物理符号系统如果是有智能的，则肯定能执行对符号的输入、输出、存储、复制、条件转移和建立符号结构这样6种操作。反之，也是成立的。
第二条基本原理产生的推论就是计算机是一个物理符号系统，它应当具有智能。从这样的观点出发，可以说基于符号主义的途径实现人工智能是极其可能的，计算机再结合自身已经优于人脑的长处，克服人脑的短处，能够超越人脑进行文字处理、交互也便是极其可能的了。
2. 你认为基于文字方式进行处理/交互的人工智能(非语音与图像识别类)，近期最有可能实现的是什么？
我的回答：
我个人觉得近期最有可能实现的是更加优化的深度学习高效学习算法，可能会是以前算法的优化更新，也可能会是全新的高效学习算法，像预训练算法、全局优化算法等新进展。
基于学习主义的机器学习从理解人类学习的内在机制入手，在此基础上使计算机模拟人类的学习能力，自动的获取知识或改善系统本身的性能，不断提高计算机本身的智能水平，以实现人工智能的目标。机器学习的主要策略有多种，但当下关注度最高的研究方向是深度学习，通过模仿人脑结构，实现对复杂输入数据的快速高效处理。
在今年3月Google的DeepMind团队研发的AlphaGo围棋对弈系统战胜了世界围棋冠军，AlphaGo的主要工作原理便是深度学习。
上世纪的IBM深蓝计算机战胜国际象棋大师，但当年的深蓝主要依靠的是海量的存储和计算，用记忆和计算代替了理解。相比为什么说围棋的难度大很多呢，围棋的棋盘是19*19的矩阵棋盘，加上围棋中的变化非常丰富，可能的走步数量是极其惊人的。如果是通过符号主义的搜索求解方式难以应对这样的问题，并且搜索求解问题的方式从根本上讲也与人类的思维方式有较大的差异。
DeepMind团队研究出了一种基于深度学习的围棋算法，使用“价值网络”评估棋局、“策略网络”选择落子。这些深层神经网络，是由人类专家博弈训练的监督学习和电脑自我博弈训练的强化学习，共同构成的一种新型组合。没有任何预先搜索的情境下，这些神经网络能与顶尖水平的、模拟了千万次随机自我博弈的蒙特卡洛树搜索程序下围棋。DeepMind研究团队还采用一种新的搜索算法：结合了估值和策略网络的蒙特卡洛模拟算法，该算法帮助AlphaGo系统极大的提高了博弈的胜率。高效、优化的学习算法使得AlphaGo系统战胜人类顶级围棋大师成为可能。
所以，我个人认为AlphaGo系统的成功会极大的激发人们在深度学习高效学习算法方面的研究，能够解决一些更加复杂问题的学习算法也将会诞生。
3. 你认为基于文字方式进行处理/交互的人工智能(非语音与图像识别类)，近期最迫切需要实现的是什么？
我的回答：
我个人认为是：如何提高深度学习在无监督学习场景下所提取的各层特征的辨别能力和解释能力。
深度学习通过模仿大脑解决智能问题提供了一种强有力的工具，随着研究的不断深入，各种更加高效的深度学习模型的提出以及学习算法的改进，借助深度学习来解决实现人工智能面临的多种问题正在逐渐成为机器学习的主流，深度学习当下面临的问题个人觉得应当是比较迫切需要实现的，因为这将有可能加速人工智能的研究进展。
上述所提到的特征是机器学习系统的原材料，如何做到在无监督的学习环境下让智能实体更好辨别和解释数据并表达成特征，通过构建机器学习模型和海量的数据训练来学习更有用的特征，提升分类或预测的准确性或将是科学家们当下迫切需要解决的问题。