本文作者系Rethink Robotics的聯(lián)合創(chuàng)始人、主席兼首席技術(shù)官Rodney Brooks。Brooks擁有斯坦福大學(xué)計算機博士學(xué)位，并在麻省理工學(xué)院任教多年，是著名的機器人教授。在創(chuàng)立Rethink Robotics之前，他創(chuàng)立了麻省理工學(xué)院電腦科學(xué)和人工智能實驗室，并聯(lián)合創(chuàng)辦了iRobot公司。Rethink Robotics 于 2008 年創(chuàng)立于波士頓，致力于為制造生產(chǎn)和分揀流程開發(fā)智能協(xié)作型的機器人。
上帝按照自己的模樣創(chuàng)造了人類。
人類按照自己的模樣創(chuàng)造了人工智能（AI）。
至少最開始的時候是這樣的。
人類和海豚、黑猩猩、倭黑猩猩一樣，可能是低于某個智能門檻的。一些聲稱擁有基于人工智能系統(tǒng)的公司經(jīng)常使用人力來處理其在線系統(tǒng)的棘手任務(wù)，而用戶對此并不知情。這可能會嚴重混淆公眾對現(xiàn)今的人工智能發(fā)展程度的認知。
我一直在思考我們需要進行哪些研究，要解決哪些問題，以及為了達到超級人工智能或人類智能水平，我們已經(jīng)解決了哪些難題。我們已經(jīng)孜孜不倦地嘗試了62年，但顯然直到現(xiàn)在我們才接近實現(xiàn)所有必要的突破。
愛因斯坦在1916年預(yù)言了引力波的存在，但是在99年之后，也就是2015年，我們?nèi)祟惒攀状翁綔y到引力波。
有一些事情的成功就是一個漫長的過程，需要大量的新技術(shù)，需要很長的時間將想法變得更成熟，也需要眾多出色的人才投身其中。我覺得人類智能水平的人工智能或許就是這樣的，而且更為復(fù)雜，可能要花上數(shù)百年時間才能得以實現(xiàn)。
過去62年里至少有四種人工智能的主要方法。當(dāng)然，其他人可能還總結(jié)了不同的方法。
在我看來，這四種主要方法以及大致的開始日期分別是：
1． 符號（1956年）
2． 神經(jīng)網(wǎng)絡(luò)（1954年，1960年，1969年，1986年，2006年…．）
3． 傳統(tǒng)機器人（1968年）
4． 基于行為的機器人（1985年）
符號
符號通常由字符串表示，這些字符對應(yīng)一個詞。然后人們設(shè)定了相互間的聯(lián)系，對其進行編碼，比如instanceof運算符和is字符串。
當(dāng)我們向搜索引擎輸入查詢時，我們選擇了用符號進入人工智能系統(tǒng)對世界的了解。系統(tǒng)做了一些推理和推論，然后生成一個網(wǎng)頁列表，它推斷出與我們正在尋找的內(nèi)容相匹配的信息（它實際上并不知道我們是與其數(shù)據(jù)庫中的“人”符號相對應(yīng)的） 。然后我們會瀏覽這些精選出來的信息，點擊最匹配的一兩個網(wǎng)頁，如果不是我們想要的資料，我們就會輸入一個新的符號或者修改原來的符號進行新的搜索。
神經(jīng)網(wǎng)絡(luò)
2014年11月17日，《紐約時報》報道了一則消息，向全世界展示了一個新功能。谷歌程序自動為以下圖片生成的標題：“一群年輕人在玩飛盤游戲”（A group of young people playing a game of Frisbee）。
我認為從那個時候起人們才真正開始注重深度學(xué)習(xí)。即使對于人工智能研究人員，尤其是基于符號的人工智能的研究人員來說，一個程序能做得這么好是一個奇跡。但是，我也覺得人們將表現(xiàn)和能力混淆了。如果一個人有同等水平的表現(xiàn)，能夠準確描述這個畫面，那么人們就很自然會期望這個人有足夠的能力去理解這個世界，他／她可能會回答以下每個問題：
飛盤是什么形狀？
大致上，一個人可以扔多遠？
人可以吃飛盤嗎？
一次大約有多少人可以一起玩飛盤？
一個三個月大的嬰兒可以玩飛盤嗎？
今天的天氣適合玩飛盤嗎？
但是生成上述標題的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)無法回答這些問題。
傳統(tǒng)機器人
在人工智能最初的幾十年，就是基于符號的人工智能那個階段，研究人員試圖通過制造機器人來實現(xiàn)人工智能。其中有些機器人可以四周移動，并能用來推東西。還有固定在指定位置的機器臂。但是同時具備上述兩種功能的帶鉸接臂的移動機器人在當(dāng)時是很難制造出來的。
基于行為的機器人
在1985年以前，我花了10年研究計算機視覺，嘗試從圖像中提取世界的符號描述，并在傳統(tǒng)機器人技術(shù)中建立機器人的計劃系統(tǒng)，以便讓機器人在模擬或現(xiàn)實世界中運作。
但是我備受打擊。
我開始思考昆蟲在現(xiàn)實世界中的導(dǎo)航能力，以及它們是如何用非常少的神經(jīng)元做到的（當(dāng)然少于現(xiàn)代深度學(xué)習(xí)網(wǎng)絡(luò)中人工神經(jīng)元的數(shù)量）。在思考它們是如何做到這一點時，我意識到簡單生物的進化路徑可能并非由為世界構(gòu)建的符號或三維建模系統(tǒng)開始的。相反，這種進化是通過感知和行動之間非常簡單的聯(lián)系開始的。
在這種思維導(dǎo)致的基于行為的方法中，有許多并行的行為同時運行，試圖理解一小部分感知，并憑借它們來驅(qū)動世界上的簡單行為。通常，行為會為機器人的執(zhí)行器提出相互矛盾的命令，并且必須采取措施解決這個沖突。但是，這不需要回到完整的世界模型中，而是解決沖突的機制在本質(zhì)上必然是啟發(fā)式的。正如人們猜想的那樣，進化會產(chǎn)生的這種啟發(fā)式的機制。
下面是這四種人工智能方法和人類小孩的得分對比：
從上表可以看到，如果人類小孩在這6項能力中每項得分為100分的情況下，四種人工智能方法各自的總得分才8到9分。我一如既往地認為我們可能嚴重高估了現(xiàn)階段人工智能系統(tǒng)的能力。
（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責(zé)任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
