[算法前沿]--013-为何AI无法解决一般智能问题？

目前的人工智能系统与人类的智力相去甚远。直接表现是：AI只在特定任务中表现优异，无法将其能力扩展到其他领域。 目前用的AI算法都是可以用数据公式表示出来，并且在很大程度上能够解决此公式。 哪些未被发现以及无法用可计算的数字方式来代表，仍然是无法触及的空白领域。 在人工智能发展的历程中，科学家们经常发明新的方法来利用计算机巧妙的方式解决问题，前几十年的人工智能侧重符号系统。 最流行的机器学习形式是监督学习，其中模型接受一组输入数据（例如湿度和温度）和预期结果（例如下雨概率）的训练。机器学习模型使用此信息来微调，形成从输入映射到输出的一组参数。即使遇到以前没有见过的数据输入时，训练有素的机器学习模型也可以非常准确地预测结果。并不需要去制定明确的规则。 机器学习涉及问题的表述时，它的解决方法是将其设置为三组数字。一组数字表示系统接收的输入，一组数字表示系统生成的输出，第三组数字表示机器学习模型。 机器学习另一个分支是深度学习，常常被比作人脑，其核心是深度神经网络。深度学习模型可以执行非常复杂的任务，如对图像进行分类或转录音频 深度学习的威力在很大程度上取决于架构和表现力。大多数深度学习模型需要标记的数据，而且没有一种通用的神经网络架构可以用以解决所有可能的问题。 在构建模型的过程中，机器学习研究员必须首先定义要解决的问题，然后“找”一个大型训练数据集，然后找出能够解决该问题的深度学习架构。 训练期间从输入到输出都需要数据工程师来指定输入和输出，调整输入参数，神经网络层数和类型、学习效率、优化功能、损失功能和其他不可学习的方面。 许多的神经网络的威力是源自其设计和数据叠加的结果，不是其自主的智能。只能说巧妙的网络结构和数据相结合才有好的模型。 机器学习的其他分支也遵循相同的规则。例如，无人监督的学习不需要标记示例。但是，它仍然需要一个明确的目标，如网络安全中的异常检测。 强化学习是机器学习的另一个流行分支，与人类和动物智力的某些方面非常相似。 强化学习环境通常非常复杂，智能体可以执行的可能操作的数量非常大。因此，强化学习代理需要人类智力的大量帮助来设计正确的奖励、简化问题和选择正确的架构。 总结：目前人工智能工作的方法，是在研究员已经想出了如何构建和简化问题的基础上开发的，以便现有的计算机和流程能够解决这些问题。要拥有真正的一般智能，计算机需要拥有能够定义和构建自己的问题的能力。 大型神经网络并不能解决一般智能的根本问题。人工智能的缺陷往往是其创造者的缺陷，而不是计算决策的内在属性。只是你我都深陷其中不能自拔。