近十年来，人工智能不断是头条旧事，由于系统在图像辨认、自然言语处理和游戏等长期存在的人工智能应战方面获得了疾速停顿。科技公司已将机器学习算法植入搜索和引荐引擎以及面部辨认系统中，OpenAI 的GPT-3和 DeepMind 的AlphaFold有望提供更多实践运用，从写作到编码再到迷信发现。
理想上，我们正处于人工智能的春天，对技术的投资迅速增长，并且对它可以完成什么以及何时完成的悲观和能够性的压倒一切的心情。
由于后面提到的实践运用以及广义的人工智能在我们许多人每天运用的技术中的分散——比如我们的智能手机、电视、汽车和真空吸尘器，仅举几例，这次的感觉能够与之前的人工智能春天不同。但也有能够我们正乘着人工智能的短期提高浪潮，这将很快成为自 1956 年成立以来该范畴特征的提高、资金和心情的潮起潮落的一部分。
在过去的几十年里，人工智能未能完成许多预测；例如，许多人预示着2020 年将是自动驾驶汽车末尾填满道路的一年，在乘客坐上去享用旅程时无缝地运送他们。但成绩比预期的要困难得多，而不是成群结队的机器人出租车，最先进的项目仍在实验中。与此同时，该范畴的一些人以为，假如没有一系列关键的打破，人工智能的主导方式——一种基于神经网络的机器学习——能够很快就会得到动力。
在上周发表在 arXiv 预印本服务器上的一篇题为“为什么 AI 比我们想象的更难”的论文中，波特兰州立大学计算机迷信教授Melanie Mitchell目前就职于圣达菲研讨所，她以为 AI 堕入了低潮。活动循环次要是由于我们还没有真正了解人类智能的本质和复杂性。Mitchell 将这一总体观点分解为围绕 AI 的四个常见曲解，并讨论了它们对该范畴将来的意义。
1.广义智能的提高是通向通用智能的提高
人工智能令人印象深入的新成就往往伴随着这样一种假设，即这些相反的成就正在让我们更接近人类程度的机器智能。但是，正如米切尔所指出的，不只狭窄和普通的智能与爬树和登月一样不同，而且即便狭窄的智能照旧在很大程度上依赖于大量的特定义务数据和人类辅助训练。
以GPT-3，其中一些引为已超过了“窄”的情报：该算法训练写入文本，而是学会了翻译，写代码，自动完成图像和做数学题，以及其他义务。但是，虽然理想证明 GPT-3 的功能比其创建者预期的更广泛，但它的一切技能照旧在它所训练的范畴内：即言语——口语、写作和编程。
在没有训练的状况下纯熟掌握与言语有关的技能将表明具有普通智力，但这不是 GPT-3 的状况，任何其他最近开发的 AI 也不是这种状况：它们本质上照旧很窄，虽然本身很重要，但不应与通向片面了解普通情报所需的世界的步骤混为一谈。
2. 人类容易的事，机器也应该容易
是AI更聪明不是一个四十岁？在大多数的感觉，答案能否定的，那是由于技能和义务，我们以为为“易”实践上要复杂得多，我们给他们的信贷，一个S ^莫拉维克悖论音符秒。
四岁的孩子非常擅长根据他们与周围世界的互动来找出因果关系。例如，假如他们触摸炉子上的锅并烧伤手指，他们就会明白烧伤是由锅热惹起的，而不是由圆形或银色惹起的。对人类来说，这是基本常识，但算法很难做出因果推断，尤其是在没有大型数据集的状况下，或者在与训练时所处的环境不同的状况下。
人类潜看法中发生的感知和选择，都是终身的阅历和学习价值，即便是“碰烫的东西会烫到你”这样的初级程度。由于我们达到了这种知识是反思性的程度，甚至不需求无看法的思索，我们以为它“容易”，但恰恰相反。“人工智能比我们想象的要难，”米切尔写道，“由于我们在很大程度上没无看法到本人思想过程的复杂性。”
3.人类言语可以描画机器智能
人类倾向于将非人类事物拟人化，从动物到无生命的物体再到机器人和计算机。这样做时，我们会运用与讨论人类活动或智能相反的词语——除了这些词语不太符合上下文，而且实践上会混淆我们对人工智能的了解。米切尔运用了 1970 年代一位计算机迷信家创造的术语“如意助记符”。像“阅读”、“了解”和“思索”这样的词被用来描画和评价人工智能，但这些词并没有让我们准确地描画人工智能是如何运作或提高的。
米切尔说，即便“学习”也是用词不当，由于假如一台机器真正“学习”了一项新技能，它将可以在不同的环境中运用该技能；在数据集中找到相关性并运用辨认的形式停止预测或满足其他基准是一件很重要的事情，但这不是人类学习的“学习”方式。
那么为什么要对文字大惊小怪，假如它们是我们拥有的全部并且它们正在传达要点呢？嗯，米切尔说，这种不准确的言语不只会误导公众和媒体，还会影响人工智能研讨人员思索他们的系统和展开工作的方式。
4. 智慧全在我们的脑海中
米切尔的最后一点是，人类的智力不只仅包含在大脑中，还需求一个肉体。
这似乎不言自明；我们用我们的感官来吸收和处理信息，我们在我们的身体中与世界互动并穿越其中。但是，人工智能研讨的次要重点是大脑：了解它，复制其方式或功能的各个方面，并使人工智能更像它。
假如智能只存在于大脑中，我们将可以更接近于达到人类程度的人工智能，例如，构建一个具有与大脑具有突触衔接相反数量的参数的神经网络，从而复制大脑的“计算才能” 。”
绘制这种平行能够适用于“智能”是指按照一组规则运转以完成既定目的的状况 - 例如博得一局国际象棋或模拟蛋白质折叠的方式，这两种计算机曾经可以做到出色地。但其他类型的智力更多地受心情、成见和个人阅历的影响和影响。回到 GPT-3 的例子：该算法运用一组规则和参数来生成“客观”智能（它本人的写作），这些规则和参数是由预先存在的客观智能（由人类编写）的庞大数据集创建的。GPT-3 被誉为“创造性的”，但它的写作依赖于它在人类写作中的单词和短语之间建立的关联——其中充满了成见、情感、预先存在的知识、常识以及作者对世界的独特体验。世界，都是经过身体体验的。
米切尔以为，人类思索和运作方式的非感性、客观方面并不是我们智力的妨碍，而实践上是它的基石和推进力。龙头强者工智能专家本·戈尔策尔异样倡导“全机体结构，”令状ING，“人类是身体尽能够的头脑，所以完成人类一样AGI将可以在日常与之交互的物理系统需求嵌入AI系统以巧妙的方式探求人类世界。”
从这里到哪里？
这些曲解使人们对 AI 研讨人员和开发人员不应该做的事情毫无疑问。不太清楚的是如何行进。米切尔说，我们必须从更好地了解智能末尾——这不是一件大事或简单的义务。但是，人工智能研讨人员可以寻觅的一个好地方是研讨智能的其他迷信学科。
无论如何，我们为什么如此专注于创造人类智能的人工版本？它曾经退化了数百万年，非常复杂和错综复杂，但照旧充满了本人的缺陷。或许答案是我们并没有试图建立一个和我们一样好的人工大脑；我们正在努力建立一个更好的，这将协助我们处理目前无法处理的成绩。
人类退化发生在大约六百万年的过程中。同时，它已有65年了AI成为STU的范畴DY，并且它写相似人类的文字，制造假面孔，拿着本人的辩论，使医疗诊断，以及更多。虽然还有的 多少东西需求学习，似乎AI停顿相当在事物的宏伟计划好-在进一步把它的下一步是加深我们对我们本人的头脑的了解。 | 
