（本文來自華爾街日報，作為轉載分享）AI在未來如何實現真正的“智能”？這個問題似乎遭遇瓶頸。目前深度學習對人類大腦的模擬仍然處于初級階段，是否應該沿這條路繼續走下去？吳恩達認為，通過深度學習模擬大腦，未來的AI能夠比人類更快地完成精神層面的任務。也有研究人員認為，應從大自然中尋找靈感，讓AI建立關于世界的“心理模型”。

現在，我們已經將AI技術應用在自動駕駛和醫療上，甚至10多億中國公民的社會信用評分都可以依靠AI技術，現在我們已經在討論如何讓AI學會自己不會做的事情。AI技術曾經僅僅是一個學術問題，而現在已經成為高達數十億美元的人才和基礎設施的產業，而且關系到人類的未來。

關于這個問題的討論焦點是，目前構建AI的是否足夠。我們能夠通過對現有技術的調整，利用足夠強大的計算力，來實現被認為僅存在于人和動物身上的真正的“智能”？

關于這個問題，辯論的一方是“深度學習”的支持者 - 自2012年多倫多大學三位研究人員的一篇具有里程碑意義的論文以來，深度學習已經大受歡迎。雖然它遠非人工智能的唯一方法，但已經證明了我們能夠實現以前的技術無法實現的成就。

“深度學習”中的“深度”是指其網絡中人工神經元的層數。生物學上的“神經元”一樣，具有更多層神經元的人工神經系統能夠進行更復雜的學習。

吳恩達：模擬人腦，未來AI完成精神層面任務只需幾秒

要理解人工神經網絡，可以想象一下空間中的一堆點，就像我們大腦中的神經元一樣。調整這些點之間連接的強度，就是在大致模擬大腦學習時發生的事情。模擬結果產生一幅神經連接圖，圖中包括達到期望結果（比如正確識別出圖像）的最佳途徑。

吳恩達

今天的深度學習系統還達不到我們的大腦的復雜度。它們充其量看起來就像視網膜的外表面，只有少數幾層神經元對圖像進行初始處理。

這種網絡不太可能勝任我們大腦能完成的所有任務。因為它們并不能像真正的“智能”生物那樣了解世界，所以網絡顯得很脆弱，容易造成混淆。比如，研究人員能夠只改變圖像中的單個像素，就可以成功欺騙流行的圖像識別算法。

盡管存在局限性，深度學習還是為研發圖像和語音識別、機器翻譯和棋類游戲中擊敗人類的黃金標準軟件提供了強大動力。深度學習是谷歌研發定制化AI芯片和這些利用這些芯片運行的AI云服務的動力，Nvidia的自動駕駛汽車技術也是如此。

人工智能領域中最具影響力的人之一、曾在谷歌大腦工作并擔任百度前人工智能首席科學家的吳恩達表示，通過深度學習，計算機應該能夠完成普通人在一秒或幾秒內就能完成的任何精神層面的任務。而且計算機的完成速度甚至可以比人類更快。

推進AI需要從大自然中尋找靈感

而這場討論中同樣有研究人員持相反觀點，比如Uber公司人工智能部門的前負責人、現紐約大學教授Gary Marcus認為深度學習遠不足以完成我們能夠完成的各種事情。他認為，深度學習永遠無法取代全部的白領工作，無法引領我們走向全自動化的、“奢侈化共產主義”的輝煌未來。

Marcus博士表示，要獲得“通用智能”需要具備推理能力，能夠自己學習，建立關于世界的心理模型，這些都超出了現在AI的能力。

“目前我們利用深度學習取得了很多里程碑式的成就，但這并不意味著深度學習是建立思維理論或抽象推理的正確工具。”馬庫斯博士說。

為了進一步推進人工智能，“我們需要從大自然中獲取靈感。”Marcus博士說。也就是說要建立其他類型的人工神經網絡，并在某些情況下為其提供與生俱來的預編程的知識，就像所有生物都具備的天生本能一樣。

紐約大學教授Gary Marcus

研究人員還在努力讓AI建立關于世界的心理模型，一般嬰兒在一歲時就能建立這種模型了。因此，就算一個AI系統已經見過一百萬張校車的圖片，但當它第一次見到一輛翻車的校車時，可能還是認不出來。如果AI能夠構建一個心理模型，其中包括校車的車輪、黃色底盤等，認出翻車的校車可能就沒那么難了。

人工智能促進協會（AAAI）前主席Thomas Dietterich表示，努力尋找其他類型人工智能的深度學習是很好的做法，但重要的是，不能在總體上忽視深度學習和機器學習的神奇之處。

“對于機器學習研究來說，我們的目標是看看能在多大程度上讓計算機系統從數據和經驗中學習，而不是手工構建這些系統。”Dietterich博士說，問題不在于人工智能中的先天知識不好，人類一開始就根本不知道自己掌握了哪些先天知識。

Duvenaud博士說：“原則上，我們在研究如何構建未來的AI時不需要參考生物學。” 但他也表示，那些能夠成功實現以深度學習為重點的、更復雜的系統目前還沒有取得成功。

Marcus博士說，在弄清楚如何讓AI變得更智能、更強大之前，我們仍必須向AI系統中輸入大量現有的人類知識。也就是說，像自動駕駛軟件這樣的AI系統中的許多“智能”根本就不是“人工”的。雖然很多企業需要在盡量多的真實道路上訓練自動駕駛車，但現在，使這些AI系統真正獲得自駕能力，仍然需要人工輸入大量的邏輯，這些邏輯反映了構建和測試自動駕駛車輛的工程師們做出的決策。