中国科学院院士、中国科学院自动化研究所研究员谭铁牛就在现有的研究基础上，得出一个结论：“模式识别”是人类最重要的智能行为，也是人工智能重要的研究内容——机器的“模式识别”能力，在一定程度或者很大程度上反映了机器智能“类人”的程度。

在当天的论坛上，谭铁牛举了几个模式识别的例子。比如语音识别，近些年突飞猛进的科大讯飞，能将维吾尔语翻译成汉语，汉语翻译成维吾尔语;再如步态识别，在看不到人脸、虹膜和指纹的时候，就能通过步态在几十米外感知到其身份。

此外，还有图像识别，其中具有代表性的人脸识别，早在几年前 马云 ( 微博 )刷脸支付已经引爆舆论热点。谭铁牛本人就在进行虹膜识别的研究，并建立了目前国际上规模最大的共享虹膜图像库，被多国共享使用。他说，这不仅可以用在手机上，还可在查找丢失儿童上发挥作用。

谭铁牛说，模式识别的技术瓶颈可通过借鉴 生物 的机理改进，未来生物启发的模式识别在人工智能领域前景可期。其最终追求，是希望模拟逼近人的模式识别，这是非常艰巨的过程。

他也提到，模式识别的主要瓶颈在于鲁棒性、自适应性和可泛化性。

鲁棒性，说白了，就是人工智能“够不够皮实”“是不是稍微有点扰动，就会出错”。谭铁牛举了一个例子，比如在酒会上聊天，背景噪音比较多，如果想听清其中某一个人的声音，就要忽略或者抑制背景中其他对话的干扰——人类可以做到这一点，也就是听觉系统所谓的鸡尾酒效应，但人工智能可以吗?

所谓自适应性，则比较容易理解，谭铁牛说，人类的眼睛会随着灯光的变化、环境的变化进行调整，这说明自适应性非常强。这一点可以应用到人工智能上，比如人脸识别，有一位朋友十几年甚至几十年没见，再见面是否还能认出来?他说，现有的模式识别在这方面还不是很理想。

可泛化性，说白了就是“举一反三”。谭铁牛说，当小孩认识 苹果 后，即便只记住了一次，也可以识别其他类型的苹果，这说明人类看到一个东西后，不仅知其然，还知其所以然。而知其所以然，就是人工智能领域所说的“深度学习”。但目前的人工智能深度学习，必须建立在大量数据的基础之上，这一点也有待进一步研究。

谭铁牛说，要解决这3个问题，关键还是看人类本身，在微观层面上，人工智能的模式识别可借鉴人类的神经元，神经元有兴奋性、抑制性、功能可塑性和传播性。科学家受到这个启发，增强了模式识别动态系统的稳定性。