人工智能已經(jīng)可以做很多人類無法做到的事情，但我們距離打造“像人類一樣”的人工智能還有多遠(yuǎn)?在我們達(dá)成目標(biāo)之前，我們需要解決哪些關(guān)鍵問題?

為了回答這個(gè)問題，我將提出，為了讓機(jī)器變得和人類一樣聰明，必須克服五個(gè)里程碑式的難題：普遍性、轉(zhuǎn)移學(xué)習(xí)、自主學(xué)習(xí)、常識(shí)和自我意識(shí)。 讓我們依次來看看看看我們今天人工智能的發(fā)展水平。

普遍性：這意味著我們開發(fā)出一種方法，或者一種可以應(yīng)用于任何其他獨(dú)立于領(lǐng)域問題的系統(tǒng)架構(gòu)。我認(rèn)為這個(gè)問題在很大程度上得到了解決。人工智能的概率方法，比如深度傾斜網(wǎng)絡(luò)(比如專家系統(tǒng))，已經(jīng)證明了其通用性。我們可以使用同樣的深度學(xué)習(xí)網(wǎng)絡(luò)和算法來解決幾乎所有問題——這是一個(gè)很好的機(jī)器學(xué)習(xí)的范例。

自主學(xué)習(xí)：這就是Deep Mind的“AlphaGo Zero”所取得的成就。通過對第一個(gè)AlphaGo所使用的原始強(qiáng)化學(xué)習(xí)方法的調(diào)整和簡化，他們演示了一個(gè)給定目標(biāo)的神經(jīng)網(wǎng)絡(luò)(如“贏”)可以自己學(xué)習(xí)，并為實(shí)現(xiàn)這一目標(biāo)而發(fā)明策略。這是一個(gè)重大的突破，它讓我們離人工智能更近了一步。

轉(zhuǎn)移學(xué)習(xí)：這意味著一個(gè)系統(tǒng)可以使用或抽象地利用它通過解決特定問題積累的知識(shí)，并將這些知識(shí)應(yīng)用于解決不同的問題。這是我們?nèi)祟惖奶煨�，我們�?huì)在問題中“看到固定的模式”和“問題之間的相似性”，我們運(yùn)用積累的“經(jīng)驗(yàn)”來解決它們。在人工智能領(lǐng)域，我們還沒有實(shí)現(xiàn)這一目標(biāo)。盡管在機(jī)器中，似乎至少有一條實(shí)現(xiàn)轉(zhuǎn)移學(xué)習(xí)的有希望的途徑，方法是將概率和非概率(“象征性”)方法結(jié)合起來。例如，假設(shè)一個(gè)系統(tǒng)能夠檢測出它的神經(jīng)網(wǎng)絡(luò)在解決某個(gè)特定問題時(shí)所采取的步驟，并將它們轉(zhuǎn)換為一種啟發(fā)式算法，然后對這種特定領(lǐng)域的啟發(fā)式算法進(jìn)行歸納，并用它來驅(qū)動(dòng)神經(jīng)網(wǎng)絡(luò)去解決另一個(gè)問題。

常識(shí)：這是一個(gè)非常難的問題。舉個(gè)例子，“邁克爾·菲爾普斯在北京奧運(yùn)會(huì)上獲得了400米蝶泳金牌”。當(dāng)你讀到這句話的時(shí)候，你會(huì)立刻、隱隱地想到一長串的事情;例如，菲爾普斯在獲得獎(jiǎng)?wù)聲r(shí)身上是濕了的，他必須在進(jìn)入游泳池之前把襪子脫掉等等。這種邏輯假設(shè)與原始陳述的關(guān)聯(lián)在計(jì)算機(jī)中是極其難以編碼的。我們距離解決常識(shí)問題還有很長的路要走。但是，一個(gè)好的開始就是研究神經(jīng)科學(xué)能教給我們怎樣形成、保留和使用記憶的方式。人類記憶的功能或許是在機(jī)器中開發(fā)常識(shí)的關(guān)鍵。

自我意識(shí)：人類的自我“意識(shí)”仍然是神秘的，盡管神經(jīng)系統(tǒng)科學(xué)家已經(jīng)取得了一些突破性的進(jìn)展，當(dāng)我們意識(shí)到一些事情的時(shí)候，比如當(dāng)“我”或“自我”出現(xiàn)，產(chǎn)生主觀體驗(yàn)時(shí)，我們的大腦會(huì)發(fā)生什么。對許多人來說，高層次的意識(shí)可能是人類在面對未來智能機(jī)器時(shí)保持某種優(yōu)勢的“最后堡壘”。然而，創(chuàng)造出模仿自我意識(shí)的機(jī)器并非不可能。我之所以說“模仿”，是因?yàn)椋�除非我們找到一種客觀的方法來衡量人類的意識(shí)，否則我們將永遠(yuǎn)無法斷定一臺(tái)機(jī)器是否“真的”有意識(shí)。那些讓我們相信他們有自我或個(gè)性的機(jī)器應(yīng)該相對容易開發(fā)，但他們是否會(huì)真正地?fù)碛凶晕乙庾R(shí)，我們只能知道我們是否能解決了“意識(shí)的難題”。