“AI”的局限性：人工智能改变未来，还有一个尚未突破的问题( 三 ) 全文共6211字

该框架将整合有关人体细胞、DNA、血液样本、气候，种群遗传学和大量科学文献的药物和治疗知识。它将不仅关注单个患者和医生，而是关注所有人类之间的关系，就像当前的医学研究可以在一组人类（或动物）的对照下进行测试一样。它将像现有银行系统应对此类财务和支付问题的方式来保留重要，出处和连续性的概念。尽管人们可能会预料到系统中会出现的一些问题，包括隐私，责任，保护问题等，但这些问题仅仅是暂时性的障碍。
现在需要解决的一个关键问题：研究经典的人工模拟人工智能是应对更大挑战的最好或唯一方法吗？实际上，最近有关机器学习的最为成功的案例都涉及到模仿人类的人工智能领域，例如计算机视觉、语音识别、游戏玩法和机器人技术。因此，也许我们只应等待某些领域的进一步发展。
本文在这里声明两点。首先，显而易见，人类模仿人工智能的进步是有限的，我们离实现人类模仿人工智能的期望还差得很远。然而现实是，在模仿人类的人工智能上取得一定进步的喜悦（和恐惧）助长了人们的过度期望和媒体报道，而这其他工程领域所没有的。
其次，要解决重要的IA和II问题，这些领域的进展还不够充分，也不够必要。例如无人驾驶汽车的开发，需要解决各种可能与人类能力无关的工程问题。整体运输结构（a型结构）可能会更像目前的空中交通管制系统，而不是目前一组松散、向前看、漫不经心的人类驾驶员。
它将比目前的空中交通管制系统更为复杂，特别是在使用大数据和自适应统计建模来为细粒度的决策提供信息方面。这些问题最为重要，而强调模仿人类的人工智能可能会分散人们的注意力。
文章插图
至于必要性方面，通常认为模仿人类的AI同时包含了IA和II的愿望，因为模仿人类的人工智能系统不仅能够解决传统人工智能问题（例如图灵测试），同时还是解决AI和II的最佳选择。
但这种说法没有历史依据：土木工程是通过尝试建造一个人工木匠或砌砖工而发展起来的吗?化学工程应该设计来建造一个人工化学家吗?更具有争议性的是：如果我们的目标是建立化工厂，我们是否可以先培养出一个人造化学家，然后观察他会想如何发展化工厂?
类似地，人类智能是我们所知道的唯一智能形式，第一步要努力模仿它。但事实上，人类并不擅长任何一种推理——因为人类会存在失误、偏见和弱点。此外，从根本上说，人类还没有进化到能够进行现代II系统必须面对的那种大规模决策，也没有进化到能够应对II环境中出现的模糊性。
有人可能会认为，一个人工智能系统不仅在模仿人类智能，而且它也会“正确” ，会任意放大问题。但现在是在科幻小说的世界里——虽然这样的推测在小说的背景中令人兴奋，但不应该是面对IA和II的关键问题时前进的关键策略。就它们自身而言，我们需要解决IA和II问题，而不仅仅是完全模仿人工智能的节奏。
识别不属于II系统中人类模拟人工智能研究的核心主题的算法和技术并不难。 II系统需要具备可以快速处理发展并且在全球范围内不连贯的分布式信息源的能力。这样的系统必须在做出及时、分布式的决策时应对云边缘的交互作用，并且还要处理长尾现象，也就是一些人的数据负荷很大，而另外一些人的数据却很少。它们必须要克服跨越机构和竞争边界的数据共享问题。
最重要的事情是， II系统必须将诸如激励和定价这样的经济理念纳入可以将人与人以及有价值的商品联系起来的统计和计算基础设施的领域。这种II系统可能被视为制造市场，而不仅仅只是提供服务。音乐、文学和新闻业等产业都迫切需要这样的市场出现，由数据分析将生产者和消费者联系起来。所有这些都必须基于新出现的文化、伦理和法律规范的框架才能实现。
文章插图
当然，经典的人类模仿人工智能问题仍然是非常有趣的。然而，现在过分强调通过数据收集来进行人工智能研究，实施“深度学习”基础设施，以及演示模仿那些松散定义的人类技能的系统——几乎没有对进化的解释概念——往往会分散人们对经典人工智能中主要开放问题的注意力。
这些问题包括将意义和推理纳入处理自然语言的系统中，推断、反映和解释因果关系，建立计算上可追踪的不确定性表示以及建立长期目标设定框架。这些都是人类模仿人工智能的经典目标，但它们很容易被忘却，在最近“人工智能革命”的争论中，这些目标还没有得到解决。