圣菲研究所教授、《人工智能：思考人類的指南》的作者Melanie Mitchell表示，這些目標迷失的一部分原因是對人工智能和自然智能的錯誤假設。

[[398806]]

在最近一篇題為“為什么人工智能比我們想象的更難”的文章中，Mitchell提出了四個關于人工智能的常見誤區。

1.狹義人工智能和通用人工智能只是規模不同

如今采用的人工智能可以很好地解決狹義問題。人工智能系統可以在下圍棋和國際象棋方面超越人類，以超乎尋常的準確性在X射線圖像中發現癌變模式，并將音頻數據轉換為文本。但是，可以解決特定問題的人工智能系統設計并不一定會使人們更容易解決更復雜的問題。Mitchell將第一個誤區描述為“通用人工智能是是狹義人工智能的一種延伸。”

Mitchell在文章中寫道：“人們看到狹義人工智能系統做了一些令人驚奇的事情，因此通常會認為該領域在朝著通用人工智能邁進的道路上走得更遠。”

例如，當今的自然語言處理系統已經朝著解決翻譯、文本生成、特定問題答疑等諸多不同問題的方向發展了很長時間。與此同時，現在還有能夠實時將語音數據轉換為文本的深度學習系統。每一項成就的背后都是數千小時的研發工作，以及在計算和數據上花費大量資金。但是人工智能社區仍然沒有解決創建能夠進行開放式對話而又不會長時間失去連貫性的問題。這樣的人工智能系統還需要解決更復雜的問題。它需要具備常識，這是人工智能尚未解決的關鍵挑戰之一。

2.簡單的事情很難實現自動化

視覺對于人工智能來說仍然是一個難以克服的挑戰。

人們通常希望更聰明的人來解決更復雜的事情，其實這需要多年的學習和實踐。例如包括具備微積分和物理方面的專業知識，而與象棋大師下棋或背誦很多詩歌則是更艱難的任務。

但是數十年來的人工智能研究證明，一些更艱巨的任務更容易實現自動化。人們認為理所當然的簡單任務卻很難實現自動化。Mitchell將第二個誤區描述為“容易的事情很容易解決，而困難的事情則更難以解決。”

Mitchell在文章中寫道，“人類可以不加思索做很多的事情，了解所看到的東西，進行對話，在擁擠的人行道上行走而不會撞到任何人，這對機器來說是更艱巨的挑戰。與其相反，讓機器去做對人類來說非常困難的事情通常會更容易;例如，解決復雜的數學問題，精通國際象棋和圍棋之類的游戲，以及采用數百種語言翻譯文章，這對于機器來說都變得相對容易。”

例如機器人的視覺。數十億年來，生物體已經開發出用于處理光信號的復雜設備。動物利用眼睛觀察周圍的物體，在周圍的環境中導航，尋找食物，發現威脅，并完成許多對其生存至關重要的任務。人類也從祖先那里繼承了這些能力，并且在無意識的情況下使用它們。但是，其基本機制確實比使高中和大學學到的數學公式更為復雜。

如今，研究人員致力于開發像人類視覺一樣多功能的計算機視覺系統。并且成功地創建了人工神經網絡，可以大致模擬動物和人類視覺系統的某些部分，例如檢測物體和分割圖像。但是它們很脆弱，對各種各樣的干擾都很敏感，而且它們不能模擬生物視覺所能完成的全部任務。這就是需要采用其他技術的原因。例如，用于自動駕駛汽車的計算機視覺系統需要采用先進的其他技術，例如激光雷達和地圖數據。

另一個被證明是非常困難的領域是感覺運動技能，人類無需經過特別訓練即可掌握這些技能。例如行走、奔跑和跳躍。這些是人們無需特意思考就可以完成的任務。實際上，人們在走路時可以做其他事情，例如聽音樂或打電話。但是，對于當前的人工智能系統而言，這些技能仍然是一項巨大而復雜的挑戰。

Mitchell寫道：“人工智能比我們想象的要難，因為我們很大程度上不了解自己的思維過程的復雜性。”

3.采用擬人化術語描述人工智能

將當代的人工智能系統與人類智能進行類比，會對人工智能的發展現狀產生錯誤的印象。

人工智能領域通常充斥著一些術語，使其與人類智能處于同等水平。我們使用諸如“學習”、“理解”、“閱讀”和“思考”之類的術語來描述人工智能算法的工作方式。盡管這種擬人化的術語通常是幫助傳達復雜軟件機制的稱呼或簡寫，但可能會誤導人們認為當前的人工智能系統的工作方式與人類的思維方式類似。

Mitchell將這一誤區稱為“如愿記憶法(wishful mnemonics)”，他指出：“這種稱呼或簡寫可能會誤導試圖理解這些結果的公眾(以及報道這些結果的媒體)，并且還會無意識地影響甚至人工智能專家的思考方式，以及他們開發的人工智能系統與人類智能的相似程度。”

“如愿記憶法”也導致人工智能社區以令人誤解的方式命名算法評估基準。例如，考慮由人工智能中一些權威組織和學術機構開發的通用語言理解評估(GLUE)基準。通用語言理解評估(GLUE)提供了一組任務，這些任務可以幫助評估語言模型如何將其功能推廣到更廣的范圍。但是，與媒體所描述的相反，如果人工智能代理獲得的通用語言理解評估(GLUE)得分高于人類，則并不意味著它的語言理解能力要高于人類。

Mitchell寫道：“雖然在這些特定基準上機器的性能優于人類，但人工智能系統仍然遠遠不能與我們與基準名稱聯系在一起的人類能力相匹配。”

“如愿記憶法”的一個典型例子是Facebook人工智能研究公司在2017年開展的一個項目，其中科學家訓練了兩個人工智能代理以基于人類對話的任務進行談判。研究人員在他們的博客文章中指出，“更新兩個人工智能代理的參數會導致與人類語言的差異，因為代理開發了自己的語言來進行交互。”

這導致行業媒體撰寫了一系列文章提出警告，指出人工智能系統可能變得比人類更智能，并且正在以自己的語言進行交流。而在四年后的今天，這些先進的語言模型仍然難以理解大多數人在幼年時就能理解的基本概念。

4.與身體分離的人工智能

智力能與身體相互分離存在嗎?這是科學家和哲學家幾個世紀以來一直困惑的問題。

一種思想流派認為，智力全在大腦中，并且可以與身體分離，這也被稱為“缸中之腦”理論。Mitchell表示，“智力全在腦中”是人們的一個誤區。有了正確的算法和數據，人們就可以創建可以運行在服務器中并與人類智能相匹配的人工智能。對于這種思維方式的支持者，尤其是那些支持基于純深度學習的方法的人來說，達到通用人工智能的水平取決于收集適量的數據并創建越來越完善的神經網絡。

與此同時，越來越多的證據表明這種方法注定會失敗。Mitchell寫道：“越來越多的研究人員正在質疑‘智力全在腦中‘信息處理模式理解智能并創建人工智能的基礎。”

人類和動物的大腦也與自己的身體器官一起進化，其最終目標是提高生存機會。人類的智力與身體的極限和能力緊密相關。嵌入式人工智能的領域不斷擴大，其目的是通過與不同環境的交互來創建能夠開發智能的主體。

Mitchell指出，“神經科學研究表明，控制認知的神經結構與控制感覺和運動系統的神經結構緊密相連，抽象思維利用了基于人體的神經‘地圖’。” 越來越多的證據和研究證明，來自大腦不同感覺區域的反饋會影響人們的有意識和無意識思維。

Mitchell支持這一種觀點，也就是情緒、感情、潛意識偏見、身體體驗與智力密不可分。她寫道：“在我們的心理學或神經科學知識中，沒有任何東西支持‘純粹理性’與影響我們認知和目標的情感和文化偏見是分離的。與其相反，人類的智力似乎是一個高度集成的系統，具有緊密相連的屬性，包括情感、欲望、強烈的自我意識和自主意識，以及對世界的常識性理解。現在還不清楚這些屬性是否可以分開。”

人工智能的常識

開發通用人工智能需要調整人們對智能本身的理解。人們仍在努力定義什么是智能以及如何在人工和自然生物中衡量人工智能。

Mitchell寫道，“很明顯，為了更有效地實現和評估人工智能的進步和發展，我們將需要開發出更好的術語來談論機器可以做什么。從更廣泛的意義上來說，我們將需要對智能有著更好的科學理解，因為它體現在自然界的不同系統中。”

Mitchel在論文中提到的另一個挑戰是常識，她將其描述為“一種為當今最先進的人工智能系統所缺少的能力提供的保護傘”。

這些常識包括人們獲得的有關世界的知識，并且每天無需付出太多努力就可以應用。當人們還是孩子的時候，在沒有得到明確指導的情況下通過探索世界而學到很多東西，其中包括諸如空間、時間、重力、物體的物理屬性之類的概念。例如，人們在幼兒期間就知道，當一個物體被另一個物體擋住時，它并沒有消失并繼續存在;或者當球滾過桌子之后將會掉下來。人們使用這些常識來構建世界的心理模型，進行因果推斷，并以相當準確的方式預測未來的狀態。

當今的人工智能系統缺少這種知識，這使它們變得不可預測且需要大量數據。實際上，人工智能助理和自動駕駛汽車是大多數人通過常識和實踐學習的東西。

這些常識還包括有關人性和生活的基本事實，人們在對話和寫作中忽略對一些事物的描述，因為知道讀者和聽眾都知道這些。例如，人們知道如果兩個人在“打電話”，則意味著他們不在同一個房間。人們還知道，如果“有人伸手去拿糖”，則意味著在他附近某處有一個裝糖的容器。這種知識對于自然語言處理等領域至關重要。

Mitchell寫道，“還沒有人知道如何在機器中獲取這些知識或能力。這是目前人工智能研究的前沿領域，一個令人鼓舞的前進方向是利用這些能力開發的已知知識。”

盡管人們仍然不知道許多問題的答案，但找到解決方案的第一步是要意識到自己的錯誤思想。Mitchell寫道：“了解這些誤區及其微妙的影響，可以為創造更健壯、更可信、更智能的人工智能系統指明發展方向。”