关于人工智能的四大误区

圣菲研究所教授、《人工智能：思考人类的指南》的作者Melanie Mitchell表示，这些目标迷失的一部分原因是对人工智能和自然智能的错误假设。

狭义人工智能和通用人工智能只是规模不同

如今采用的人工智能可以很好地解决狭义问题。人工智能系统可以在下围棋和国际象棋方面超越人类，以超乎寻常的准确性在X射线图像中发现癌变模式，并将音频数据转换为文本。但是，可以解决特定问题的人工智能系统设计并不一定会使人们更容易解决更复杂的问题。Mitchell将第一个误区描述为“通用人工智能是是狭义人工智能的一种延伸。”

Mitchell在文章中写道：“人们看到狭义人工智能系统做了一些令人惊奇的事情，因此通常会认为该领域在朝着通用人工智能迈进的道路上走得更远。”

例如，当今的自然语言处理系统已经朝着解决翻译、文本生成、特定问题答疑等诸多不同问题的方向发展了很长时间。与此同时，现在还有能够实时将语音数据转换为文本的深度学习系统。每一项成就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大量资金。但是人工智能社区仍然没有解决创建能够进行开放式对话而又不会长时间失去连贯性的问题。这样的人工智能系统还需要解决更复杂的问题。它需要具备常识，这是人工智能尚未解决的关键挑战之一。
 

采用拟人化术语描述人工智能

将当代的人工智能系统与人类智能进行类比，会对人工智能的发展现状产生错误的印象。

人工智能领域通常充斥着一些术语，使其与人类智能处于同等水平。我们使用诸如“学习”、“理解”、“阅读”和“思考”之类的术语来描述人工智能算法的工作方式。尽管这种拟人化的术语通常是帮助传达复杂软件机制的称呼或简写，但可能会误导人们认为当前的人工智能系统的工作方式与人类的思维方式类似。

Mitchell将这一误区称为“如愿记忆法(wishful mnemonics)”，他指出：“这种称呼或简写可能会误导试图理解这些结果的公众(以及报道这些结果的媒体)，并且还会无意识地影响甚至人工智能专家的思考方式，以及他们开发的人工智能系统与人类智能的相似程度。”