过去十年间，人工智能无疑成为科技界最靓的仔，其在图像识别、自然语言处理和游戏等方面（都存在许多很难攻克、也确实长期得不到解决的技术难题）取得了快速进展。
有些科技公司已将机器学习算法植入搜索和推荐引擎以及面部识别系统中；位于旧金山的全球顶尖AI实验室OpenAI推出了文本创作大师GPT-3，英国DeepMind的AlphaFold有望提供从写作到编程再到科学探索的一系列实际应用。
我们正处于人工智能的春天。AI技术获得的投资迅速增长，并且人们对于人工智能能够完成什么，以及可在何时完成，抱有极大的乐观情绪。
实际上，过去几十年间，AI并没能实现很多人曾畅想的未来场景。
例如，许多人预测2020年将见证自动驾驶汽车川流不息，不再负担驾驶任务的乘客悠然享受旅程，上下车自如切换——但实际问题比预期要困难得多，我们尚未看到成群结队的智能的士迎来送往，最先进的项目仍在试验中。
与此同时，该领域的一些专家认为，如果没有一系列关键的突破，人工智能的主导形式——基于神经网络的机器学习——可能很快就会失去动力。
近期，美国波特兰州立大学的计算机科学教授梅兰妮•米切尔（Melanie Mitchell）在arXiv预印本平台上发表了一篇题为《为什么AI比我们想象的更难》（Why AI Is Harder Than We Think）的论文，称AI 陷入了低潮——潮涨潮落的主要原因在于我们还没有真正了解人类智能的本质和复杂性。米切尔将这一总体观点分解为关于AI的四个常见误区，并讨论了它们对该领域未来的意义。
误区一：弱人工智能取得的进步是一种朝着通用智能的进步
每当人工智能实现某个令人印象深刻的新成就时，往往也会有这样一种假设随之而来，即这些相同的成就正在让我们更接近人类水平的机器智能。然而，正如米切尔所指出的，弱人工智能与通用智能间的差距就像爬树和登月间的那么大，而且即使弱人工智能仍在很大程度上依赖于大量的特定任务数据和人类辅助训练。
以GPT-3为例，有人称其超越了“弱”智能：它的算法被训练得能够编写文本，而它也学会了翻译、编程、自动完成图像以及算数等。尽管事实证明GPT-3的功能比其创建者预期的更广泛，但它的所有技能仍不脱离它接受训练的领域，即语言——口语、写作和编程。
能在没有针对性训练的情况下熟练掌握与语言无关的技能意味着拥有通用智能，但GPT-3没达到这个级别，任何其他新近开发的AI不及此水平：它们在本质上仍属弱智能，虽然它们已经相当出色，但距离通透地理解这个世界——毫无疑问离不开更强大的通用智能的支持——还有很长一段路要走。
误区二：对人类来说“容易”的事，机器做起来也会很轻松
人工智能会比一个四岁的孩子更聪明吗？在大多数意义上，答案是否定的，原因正如莫拉维克悖论所指出的，我们所认为的“容易”的技能和任务实际上比我们以为的要复杂得多。
四岁的孩子非常善于根据自己和周围世界的互动来找出因果关系。例如，如果他们因为触摸炉子上的锅而烫伤手指，他们会清楚地意识到烫伤是由锅子太热引起的——这是人类的基本常识，但算法难以做出此类基于常识的因果推测，对于它们来说，锅的形状、颜色或尺寸都可能是与温度一样的烫伤风险因素，而在缺乏大数据或者特定训练的情况下，因果推测更是难比登天。
人类潜意识层面的认知和选择（即使是像“碰高温的东西会烫到你”这样初级层面的认知）都基于一辈子的经验和学习。我们认为很多事情“容易”，根本无须有意识的思考便可做出选择，因为我们将调用相关知识的“练习”得如同条件反射一般，而事实是这种“容易”对于人工智能来讲很不容易，用米切尔的话说，“因为我们在很大程度上没有意识到自己思维过程的复杂性”。
误区三：用人类语言来描述机器智能
人类倾向于将非人类的事物拟人化，从动物到无生命的物体，再到机器人和计算机，只要它不是人，就可被拟人。在拟人化过程中，人们往往会使用本用于描述人类活动或智能的词语（除非它们不符合语境，且可能混淆我们对人工智能的理解）。米切尔使用了20世纪70年代一位计算机科学家创造的术语“如愿记忆法”（wishful mnemonics）：像“阅读”“理解”和“思考”这样的词被用来描述和评估人工智能，但它们并没有帮助我们准确地描述人工智能是如何运作发展的。
米切尔表示，即使“学习”也是用词不当，因为如果一台机器真正“学习”到了某项新技能，它将能够在不同场景下应用此技；AI的确能从数据集中找到相关性，并通过模式识别来完成预测等任务，这也的确很重要且优秀，但它不同于人类的“学习”。
米切尔认为，用这种不准确的语言来描述，不仅会误导公众和媒体，还可能影响AI研究者思考其体系以及开展工作的方式。
误区四：智能存在于大脑
米切尔的另一个重要观点是，人类的智力不只是存在于大脑中，它还需要一个肉体。
这似乎不言自明：我们使用感官来接收和处理信息，我们通过自己的身体与世界互动。然而，人工智能研究的重点是大脑，AI试图理解它，复制其形式和功能的各个方面，让自己变得更像人类大脑。
如果智能仅存在于大脑，我们将有望推动AI接近人类的智力水平，例如，构建一个系统参数数量与人脑突触连接数量相同的神经网络，从而复制大脑的“计算能力”。
这类“智能”的构建可能适用于是指按照一组确定规则运行以实现既定目标的情况，例如赢得一局国际象棋或模拟蛋白质折叠的方式（事实证明计算机已经能出色地完成这两种任务）。但其他类型的智能会更多地受情绪、偏见和个人经验的影响。
回到GPT-3的例子：它的算法使用一组规则和参数来生成“主观（subjective）”智能（自主编写），这些规则和参数是由预先存在的主观智能（人类编写）的庞大数据集创建的。GPT-3被赞誉“具有创造性”，但它的写作依赖于它对人类写作中的单词和短语所建立起的关联——其中充满了偏见、情感、预先存在的知识、常识以及作者对世界的独特体验——都是通过身体体验到的。
米切尔认为，人类思考和运转方式的非理性和主观性并非我们智力的障碍，实际上反倒是人类智力的基石和推动力。通用人工智能领域的专家本·格策尔（Ben Goertzel）同样提倡“整体有机体结构（whole-organism architecture）”，他写道：“人类的身体和心灵一样重要，因此实现近似人类的通用人工智能需要将AI系统嵌入至能以微妙方式与人类日常生活互动的物理系统中。”
为什么我们如此热衷于创造人类智能的机器版本？人类的大脑进化了约六百万年，精密微妙而错综复杂，但也仍充满缺点。或许我们并不是想构建一个与自己一样聪明的机器大脑，而是试图建立一个比人脑更卓越的智能系统，以此帮助我们解决目前难以解决的问题。
人工智能领域已经发展了65个年头，现在的AI正编写仿佛出自人类手笔的文本，制作假脸，在辩论中坚持己方观点，进行医学诊断……尽管还有很多内容需要学习，但肩负宏伟目标的人工智能已取得优异成绩——而下一阶段的发展任务要求我们加深对自己的思维的理解。
本文作者凡妮莎（Vanessa）是 Singularity Hub的高级编辑。
资料来源：
END
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
