圣达菲研究所教授和《人工智能：思考人类的指南》的作者梅兰妮米切尔说，由于对人工智能和自然智能的错误假设，其中一些目标已经失去。在最近一篇题为“为什么人工智能比我们想象的更难”的文章中，米切尔提出了关于人工智能的四个常见误区。1.狭义AI和通用AI只是规模上的不同现在用AI可以很好的解决狭义问题。人工智能系统可以在围棋和国际象棋方面胜过人类，以惊人的准确性在X射线图像中发现癌变模式，并将音频数据转换为文本。然而，能够解决特定问题的人工智能系统的设计并不一定能让人类更容易解决更复杂的问题。米切尔将第一个神话描述为“AI通用智能是狭义AI的延伸”。米切尔在文章中写道：“人们看到狭义的AI系统正在做令人惊奇的事情，因此他们通常认为该领域在通向通用人工智能的道路上更进一步。”例如，今天的自然语言处理系统长期以来一直致力于解决许多不同的问题，例如翻译、文本生成、特定问题回答等。同时，现在有能够将语音数据转换为深度学习系统实时转化为文本。每项成果的背后都是数千小时的研发工作，以及在计算和数据上花费的巨额资金。但人工智能界仍然没有解决创造出能够有一个开放的对话，长时间不失去连贯性。这样的人工智能系统还需要解决更复杂的问题。它需要常识，这是人工智能尚未解决的关键挑战之一。2.简单的事情很难自动化愿景仍然存在对人工智能来说是一个不可逾越的挑战。人们通常希望更聪明的人去解决更复杂的事情，这需要多年的学习和实践。例子包括拥有精通微积分和物理，同时与大师下棋或背诵大量诗歌是更困难的任务。但数十年的人工智能研究已经证明，一些更艰巨的任务更容易实现自动化。人们认为理所当然的简单任务很难自动化。米切尔将第二个神话描述为“简单的事情很容易解决，困难的事情更难解决”。米切尔在文章中写道，“人类可以在不考虑所见所闻的情况下做很多事情，进行对话，在拥挤的人行道上行走而不撞到任何人，这对机器来说是更艰巨的挑战。相反，机器通常更容易做人类很难做的事情；例如，解决复杂的数学问题，掌握国际象棋和围棋等游戏，翻译数百种语言的文章，这对机器来说非常困难。变得相对容易。“例如，机器人视觉。数十亿年来，生物体已经开发出处理光信号的复杂设备。动物用眼睛看周围的物体，在环境中导航，寻找食物，发现威胁，并执行许多任务。任务，对其生存至关重要。人类也从他们的祖先那里继承了这些能力，并在不知不觉中使用它们。然而，底层机制确实比高中和大学学习的数学公式更复杂。今天，研究人员正在致力于开发计算机视觉与人类视觉一样多才多艺的系统。并成功创建了人工神经网络，可以大致模仿动物和人类视觉系统的某些部分，例如检测物体和分割图像。但它们很脆弱，对各种干扰都很敏感，并且它们无法模拟生物视觉可以完成的全部任务。这就是为什么其他技术是必要的。例如，自动驾驶汽车的计算机视觉系统需要先进的其他技术，例如激光雷达和地图数据。另一个被证明非常困难的领域是感觉运动技能，人类在没有特殊训练的情况下就可以做到。示例包括步行、跑步和跳跃。这些是人类无需特别思考就可以完成的任务。事实上，人们可以在走路时做其他事情，比如听音乐或打电话。然而，这些技能对于当前的人工智能系统来说仍然是一个巨大而复杂的挑战。米切尔写道：“人工智能比我们想象的要难，因为我们基本上没有意识到我们自己思维过程的复杂性。3.使用拟人化的术语来描述人工智能当代人工智能系统和人类智能之间的类比会给人一种错误的状态印象人工智能发展的领域。人工智能领域经常充斥着将其与人类智能水平相提并论的术语。我们使用“学习”、“理解”、“阅读”和“思考”等术语来描述人工智能算法的工作原理.尽管此类拟人化术语通常是标题或有助于传达复杂软件机制的术语的速记，但可能会误导人们认为当前人工智能系统的工作方式与人类的思维方式相似。米切尔称这个神话为“一厢情愿的助记符”，并指出：“这个术语或缩写可能会误导试图理解这些结果的公众（以及报道它的媒体），甚至会在不知不觉中影响人工智能专家的思维方式，以及他们开发的人工智能系统类似于人类智能。”“随心所欲”的方法也导致AI社区以误导的方式命名算法评估基准。例如，考虑由人工智能领域的一些领先组织和学术机构开发的通用语言理解评估(GLUE)基准。通用语言理解评估(GLUE)提供了一组任务，可以帮助评估语言模型将其能力泛化到更广泛范围的能力。但是，与媒体所描绘的相反，如果AI代理在通用语言理解评估(GLUE)中获得比人类更高的分数，这并不意味着它比人类更能理解语言。“虽然机器在这些特定基准上的表现优于人类，但人工智能系统仍远未达到我们与基准名称相关联的人类能力，”米切尔写道。是FacebookAIResearch于2017年开展的一个项目，在该项目中，科学家们训练了两名AI代理根据人类对话任务进行谈判。在他们的博客文章中，研究人员指出，“更新两个AI代理的参数可能会导致与人类语言的差异，因为代理会开发自己的语言进行交互。”这导致了行业媒体警告的一系列文章，指出人工智能系统可能变得比人类更聪明，并且正在用自己的语言进行交流。而在四年后的今天，这些高级语言模型仍然难以理解大多数人在幼年时就能理解的基本概念。4.脱离身体的人工智能智能可以脱离身体而存在吗？这是一个困扰了科学家和哲学家几个世纪的问题。一种学派认为，智力全在大脑，可以脱离身体，又称“缸中之脑”学说。米切尔说“智力全在脑袋里”是人们的一种误解。有了正确的算法和数据，就可以创造出可以在服务器上运行并与人类智能相匹配的人工智能。对于这种思维方式的支持者，尤其是那些支持基于纯深度学习方法的人来说，达到人工通用智能的水平取决于收集适量的数据并创建越来越完善的神经网络。与此同时，越来越多的证据表明这种方法注定要失败。米切尔写道：“越来越多的研究人员质疑理解智能和利用‘全脑智能’信息处理模型创造人工智能的基础。”目标是提高生存机会。人的智力与身体的极限和能力密切相关。嵌入式人工智能领域正在扩大，旨在创建能够通过与不同环境交互来开发智能的代理。根据米切尔的说法，“神经科学研究表明，控制认知的神经结构与控制感觉和运动系统的神经结构密切相关，抽象思维利用基于人体的神经‘地图’。”越来越多的证据和研究表明，来自大脑不同感觉区域的反馈会影响人们的有意识和无意识思维。米切尔支持这样一种观点，即情绪、感觉、潜意识偏见、身体体验和智力是密不可分的。她写道：“在我们的心理学或神经科学知识中，没有任何东西可以支持将‘纯粹理性’与塑造我们的认知和目标的情感和文化偏见区分开来。相反，人类智能似乎是一个高度集成的系统，与密切相关属性包括情感、欲望、强烈的自我意识和自主性，以及对世界的常识性理解。目前尚不清楚这些属性是否可以分开。”CommonSenseforArtificialIntelligence发展通用人工智能人们对智能本身的认识需要调整。人们仍在努力定义什么是智能以及如何衡量人工和自然生物中的人工智能。米切尔写道，“很明显，为了更有效地实施和评估人工智能的进步和发展，我们需要开发更好的术语来谈论机器可以做什么。更广泛地说，我们需要了解有一个更好的对智能的科学理解，因为它体现在自然界的不同系统中。”米切尔在她的论文中提到的另一个挑战是常识，她将其描述为“当今最先进的人工智能系统所缺乏的问题”。雨伞提供的能力”。这种常识包括人们获得的关于世界的知识，并每天毫不费力地应用它。作为孩子，人们在没有明确指导的情况下通过探索世界学到很多东西，这包括空间等概念、时间、重力和物体的物理特性。例如，人们从小就知道一个物体不会消失，当它被另一个物体挡住时会持续存在；或者一个球滚过桌子后会掉落。人们使用这种常识来构建世界的心智模型，进行因果推理，并相当准确地预测未来状态。今天的人工智能系统缺乏这方面的知识，使它们变得不可预测且需要大量数据。事实上，人工智能助手和自动驾驶汽车是大多数人通过常识和实践学习的东西。这种常识还包括关于人性和生活的基本事实，人们在谈话和写作中省略描述的事情，因为他们知道读者和听众知道他们。例如，人们知道如果两个人在“打电话”，就意味着他们不在同一个房间。人们还知道，如果“有人伸手拿糖”，则意味着他附近某处有一个装糖的容器。这些知识对于自然语言处理等领域至关重要。米切尔写道：“还没有人想出如何在机器中获取这种知识或能力。这是人工智能研究的当前前沿，一个令人鼓舞的前进方向是利用这些能力开发的已知知识。”虽然人们还不知道很多问题的答案，但寻找解决方案的第一步是认识到自己错误的想法。米切尔写道：“了解这些神话及其微妙的含义，可以为创建更强大、更可靠、更智能的人工智能系统指明方向。”
