發展簡史

人工智能的原始構想產生于60年前，人們希望能構建像人類一樣學習和思考的機器，并且在長達幾十年的時間里，為著這個目標而苦苦探索。學者們始終沒有找到合適的方法來實現如此靈活智能的機器，因此他們將目標轉而解決更加實際和具體的智能化問題，也就是今天我們通常所說俠義范圍內的人工智能產品。

近來，通過”對計算機進行編程“，到“教會“計算機學習的轉變過程，學者們對人工智能的分支之一的深度學習方面有了較大突破。一方面深度學習方法雖然在某些方面十分有效，但是另一方面它的能力范圍幾乎完全取決于訓練數據，而傳統方法原則上卻可以實現實時自適應學習。它們所解決的問題是高度專業化和固化的，十分依賴于訓練數據的質量和范圍：例如通過電話收集的語音數據訓練的語音識別系統在用于麥克風語音的識別上表現不會太好; 同時在高速公路駕駛過程中訓練的圖像識別模型依舊無法應對城市道路; 諸如此類缺乏泛化性的模型常常困擾著工程師們，人們一直在期待著通用AI模型的誕生已解決這些問題。

俠義范圍內人工智能的局限

當前AI的核心問題并不在于它們解決專業化的問題的能力—— 它們已經在某些領域完全超遠了人類的表現。其核心問題在于但它們本質上是狹義的（設計上是局限的），并且它們從原理上就具有與生俱來的不變性。 傳統編程以及較新的“訓練有素”的AI都受到這個來自設計缺陷上的基本限制：無論他們擁有什么樣的能力，它們的表現都是基于一定模式的，不會隨著時間變化。人工智能在某些程度內可以被設計出有一定的學習和適應能力，但是通常而言，為了對其現有功能進行更改或擴展，需要額外對其進行編程或使用新數據集進行再訓練和測試。

人工智能存在以下兩個局限問題。首先:俠義的人工智能系統無法動態適應新的情況 ——無論是新的感知線索還是情境; 或者新詞，短語，產品，業務規則，目標，響應還是要求。然而，在現實世界中，事物總是在變化，而根據下文對智能的定義，又要求其有應對變化的能力！

第二個也是更重要的問題在于目前的人工智能不具備能夠思考，學習或解決問題的能力，它們僅僅是將程序員的解決方案嵌入到他們旨在解決和感知的問題之中。 這種固化的思維方式，真的能算的上是“智能”嗎？

總而言之，我們需要遠超出目前解決方法的能力來解決問題 —— 目前人工智能的應用范圍非常有限，它們不能利用他們當前的知識和技能來獲得新領域的技能。 無法直接從用戶交互中學習，它們沒有記憶并甚至會一遍又一遍地犯同樣的錯誤。 此外，他們不具備推理和解釋問題的能力，理解非常有限，沒有常識。所以目前的人工智能可能和我想象的“智能”相去甚遠。

那么到底什么是智能呢？

一般而言，智力的定義是：對世界的認知能力，對各種目標的實現能力和將新知識與技能整合到自身現有知識體系的能力的綜合體現。它必須在現實世界中，在知識和時間有限的情況下實時運行。

此外，人類智能（與動物智能相對）的特殊之處在于：我們具有形成和使用高度抽象概念的能力以及運用符號進行思考和推理的能力。

人工智能作為對人類智能的模仿，也該如此。真正的人工智能必須至少體現以下幾個方面的基本能力：

1）實時主動的交互獲取新的知識和技能的能力。包括一次性學習：即從單個示例中學習新內容的能力。

2)要真正理解語言，進行有意義的對話，并能夠在語境，邏輯和抽象方面進行推理。

3)短期記憶能力：能了解行動的背景和目的，包括其他行動者（心理理論）的行為。

4）積極利用現有知識和技能加速學習的能力。

5）通過形成抽象和本體的知識層次來概括現有知識的能力。

6）動態管理多個潛在沖突的目標和優先級，并選擇適當的選擇輸入激勵并專注于相關任務的能力（重點和選擇）。

7）識別并適當的響應人類的情緒（具有情商，情商），以及認識自己認知狀態的能力(內省）。

8) 能夠通過有限的知識，計算能力和時間來迅速完成上述所有工作。例如，當面對現實世界中的新情況時，我們需要快速的做出反應，而不是等待在專業超級計算機上重新訓練數天的大規模神經網絡后才能得到結果的反饋。

除此之外還有很多證據表明智力在現實情況中需要豐富的感知和運動基礎來支撐深入的決策和推理。顯然，理解現實世界的動態變化對于能夠推理人類活動至關重要。在思考的過程中，我們需要掌握物體的大小，形狀和紋理等特征，以及時空關系。抽象概念必須以某種方式落實到客觀世界中實實在在的物體上。未來也許我們可以借助于計算機的“大腦”，從而實現“模擬”感知和行動。但是這種“捷徑”是否符合常識推理仍然是一個懸而未決的問題。

如何實現真正的人工智能

實現真正意義上的人工智能，我們既需要工程解決方案，也需要正確的商業模式。

在技術方面，我們需要一種與現有技術完全不同的方法來實現 ，也許這就是'人工智能的第三次浪潮'。

一種稱為認知架構的方法可以作為一個經典案例，提供實現真正智能的框架 ，認知架構方法在AI中有很長的歷史。從本質上講，它是一個擁有核心“認知引擎”的想法，它支持傳統人工智能方法所需的所有基本功能。它是一個統一的，高度集成的支持結構和功能系統，它們協同工作，產生一般智能所需的所有認知能力。這些包括短期和長期記憶，模式匹配，預測，優先排序，推理，計劃等等。

這種方法有幾個重要的優點：

僅使用一個引擎用于許多不同的應用程序，而不是多個不同的系統

擁有可應用于多個領域的大量常識和技能基準

即時學習和整合新知識和技能的能力

輕松即時的與其他通用人工智能分享知識和技能

對工程方面來說太多了

雖然狹義的人工智能無法提供我們所需的所有智能和穩健性越來越明顯，但是仍舊有強大的實用和商業力量阻礙了通用人工智能的發展。主要表現為以下幾點：

首先，狹義的AI有幾個顯著的優點：設計師可以專注于一次解決一個具體問題，他們可以直接將大量特定的人類知識注入系統，也可以使用適合該特定應用的任何工程技術。他們還可以忽略可能適用于其他用例的所有限制。運用狹義的人工智能的過程中，我們無需弄清楚如何使系統充滿真實智能，這樣可以使得產品快的 進入市場。事實上，一個時不時會被我們犯的錯誤是：我們可以逐漸從狹義的人工智能變為廣義的人工智能。

另一方面，阻礙人工智能發展的因素是它的難度。它必須具有內生的泛華稟賦，能夠在很大范圍和動態區間內運行良好，而且能夠自主獲取在設計時可能沒有預料到的知識和技能。另外，在處理歧義和缺失知識方面的表現也十分關鍵，它必須明白自己何時知識不夠用，并知道如何解決這個問題。面對有限的知識和計算資源，它通常必須是有魯棒性的，并且不會出現重大的錯誤。

雖然針對通用人工智能的這些功能的價值和需求變得越來越清晰，但顯而易見的是，開發這樣的系統需要相當的遠見和方法。實現真正的通用人工智能真很難很難！

怎么樣促進通用人工智能的發展？

狹義的人工智能在涉及自然語言理解的應用中的缺點是最明顯的。用戶們希望，通過交互式語言系統能夠得到足夠聰明且富有成效的結果，我們希望我們的個人虛擬聊天機器人更像是電影中充滿人情味的智慧“助手”，而不是呆板的機器。通過與機器人交流，我們可以實現長時間的多輪對話，它能回憶起之前聊過的內容，并且能夠知道我們的偏好和對話目的。

人類語言是我們的智慧和成就的必不可少的組成。同樣，通用的人工智能也將需要完全的自然語言能力。雖然專注于機器人技術的AI開發也很重要，但這些系統最終還是需要能夠閱讀和遵循語言指令，并能夠用自然語言解釋他們的決策。

基于通用人工智能的設計將根據定義和設計來涵蓋這些高級要求。他們將有更深刻的理解能力，擁有短期和長期記憶，推理能力和大量的常識，從而達到能夠處理復雜對話的能力。

通過把人工智能與認知架構，改進的自然語言系統進行結合，將重新點燃和促進實現人工智能在創始之初的最初夢想 - 擁有自己的智慧，而不僅僅是人類賦予的聰明才智。