為了答復(fù)這個成績，我將提出，為了讓機械變得和人類一樣聰慧，必需戰(zhàn)勝五個里程碑式的困難：廣泛性、轉(zhuǎn)移進修、自立進修、知識和自我認(rèn)識。 讓我們順次來看看看看我們明天人工智能的成長程度。

　　廣泛性：這意味著我們開辟出一種辦法，或許一種可以運用于任何其他自力于范疇成績的體系架構(gòu)。我以為這個成績在很年夜水平上獲得懂得決。人工智能的幾率辦法，好比深度傾斜收集（好比專家體系），曾經(jīng)證實了其通用性。我們可使用異樣的深度進修收集和算法來處理簡直一切成績——這是一個很好的機械進修的典范。

　　自立進修：這就是Deep Mind的“AlphaGo Zero”所獲得的造詣。經(jīng)由過程對第一個AlphaGo所應(yīng)用的原始強化進修辦法的調(diào)劑和簡化，他們演示了一個給定目的的神經(jīng)收集（如“贏”）可以本身進修，并為完成這一目的而創(chuàng)造戰(zhàn)略。這是一個嚴(yán)重的沖破，它讓我們離人工智能更近了一步。

　　轉(zhuǎn)移進修：這意味著一個體系可使用或籠統(tǒng)天時用它經(jīng)由過程處理特定成績積聚的常識，并將這些常識運用于處理分歧的成績。這是我們?nèi)祟惖谋拘裕覀儠诔煽冎?ldquo;看到固定的形式”和“成績之間的類似性”，我們應(yīng)用積聚的“經(jīng)歷”來處理它們。在人工智能范疇，我們還沒有完成這一目的。雖然在機械中，仿佛至多有一條完成轉(zhuǎn)移進修的有愿望的門路，辦法是將幾率和非幾率（“意味性”）辦法聯(lián)合起來。例如，假定一個體系可以或許檢測出它的神經(jīng)收集在處理某個特定成績時所采用的步調(diào)，并將它們轉(zhuǎn)換為一種啟示式算法，然后對這類特定范疇的啟示式算法停止歸結(jié)，并用它來驅(qū)動神經(jīng)收集去處理另外一個成績。

　　知識：這是一個異常難的成績。舉個例子，“邁克爾·菲爾普斯在北京奧運會上取得了400米蝶泳金牌”。當(dāng)你讀到這句話的時刻，你會連忙、隱約地想到一長串的工作；例如，菲爾普斯在取得獎?wù)聲r身上是濕了的，他必需在進入泅水池之前把襪子脫失落等等。這類邏輯假定與原始陳說的聯(lián)系關(guān)系在盤算機中是極端難以編碼的。我們間隔處理知識成績還有很長的路要走。然則，一個好的開端就是研討神經(jīng)迷信能教給我們?nèi)绾螛?gòu)成、保存和應(yīng)用記憶的方法。人類記憶的功效也許是在機械中開辟知識的癥結(jié)。

　　自我認(rèn)識：人類的自我“認(rèn)識”依然是奧秘的，雖然神經(jīng)體系迷信家曾經(jīng)獲得了一些沖破性的停頓，當(dāng)我們認(rèn)識到一些工作的時刻，好比當(dāng)“我”或“自我”涌現(xiàn)，發(fā)生客觀體驗時，我們的年夜腦會產(chǎn)生甚么。對很多人來講，高條理的認(rèn)識能夠是人類在面臨將來智能機械時堅持某種優(yōu)勢的“最初碉堡”。但是，發(fā)明出模擬自我認(rèn)識的機械并不是弗成能。我之所以說“模擬”，是由于，除非我們找到一種客不雅的辦法來權(quán)衡人類的認(rèn)識，不然我們將永久沒法判斷一臺機械能否“真的”無意識。那些讓我們信任他們有自我或特性的機械應(yīng)當(dāng)絕對輕易開辟，但他們能否會真正地具有自我認(rèn)識，我們只能曉得我們能否能處理了“認(rèn)識的困難”。