Google Search 和 Amazon Alexa 等狭义的 AI 应用程序非常擅长解决特定问题，但前提是你必须遵守脚本。

从自动驾驶汽车到超级碗广告中的跳舞机器人，人工智能 (AI) 无处不在。然而，所有这些 AI 示例的问题在于它们并不是真正的智能。相反，它们代表了狭义的人工智能——一种可以使用人工智能技术解决特定问题的应用程序。这与你我所拥有的非常不同。

人类（希望）显示出一般智力。我们能够解决广泛的问题，并学会解决我们以前没有遇到过的问题。我们有能力学习新情况和新事物。我们了解物理对象存在于三维环境中，并受制于各种物理属性，包括时间的流逝。人工复制人类水平的思维能力或通用人工智能 (AGI) 的能力在我们今天所认为的人工智能中根本不存在。

这并不是要从 AI 迄今为止所取得的压倒性成功中拿走任何东西。谷歌搜索是大多数人经常使用的人工智能的一个杰出例子。谷歌能够以令人难以置信的速度搜索大量信息，以提供（通常）用户想要的靠近列表顶部的结果。

同样，谷歌语音搜索允许用户说出搜索请求。用户可以说出一些听起来模棱两可的内容，并得到一个拼写正确、大写、标点符号正确的结果，最重要的是，通常是用户的意思。

它怎么运作得这么好？谷歌拥有数万亿次搜索的历史数据，以及用户选择的结果。由此，它可以预测哪些搜索是可能的，哪些结果将使系统有用。但不期望系统了解它正在做什么或它呈现的任何结果。

这凸显了对大量历史数据的需求。这在搜索中非常有效，因为每个用户交互都可以创建一个训练集数据项。但如果训练数据需要手动标记，这是一项艰巨的任务。此外，训练集中的任何偏差都将直接流向结果。例如，如果开发了一个系统来预测犯罪行为，并且使用包含种族偏见的历史数据对其进行训练，那么生成的应用程序也将具有种族偏见。

像 Alexa 或 Siri 这样的个人助理会遵循带有许多变量的脚本，因此能够给人一种比实际更有能力的印象。但正如所有用户都知道的那样，您所说的任何不在脚本中的内容都会产生不可预知的结果。

举个简单的例子，你可以问一个私人助理，“Cooper Kupp 是谁？” 短语“Who is”会触发对该短语的可变剩余部分的网络搜索，并且可能会产生相关结果。通过许多不同的脚本触发器和变量，该系统在实际进行符号操作时呈现出某种程度的智能。由于缺乏基本的理解，只有 5% 的人表示他们从未对使用语音搜索感到可惜。

像 GPT3 或 Watson 这样的大型程序具有如此令人印象深刻的功能，以至于带有变量的脚本的概念是完全不可见的，从而使它们能够创造出一种理解的外观。不过，他们的程序仍在查看输入，并做出特定的输出响应。AI 响应核心的数据集（“脚本”）现在如此庞大且多变，以至于通常很难注意到底层脚本——直到用户离开脚本。与引用的所有其他 AI 示例一样，为它们提供非脚本输入将产生不可预测的结果。在 GPT-3 的情况下，训练集是如此之大，以至于迄今为止证明消除偏差是不可能的。

底线？我们今天所说的人工智能的根本缺点是缺乏常识性的理解。这在很大程度上是由于三个历史假设：

• 过去 50 年来大多数人工智能发展的主要假设是，如果我们能够解决困难的问题，简单的智能问题就会迎刃而解。不幸的是，这被证明是一个错误的假设。最好用莫拉维克悖论来表达。1988 年，卡内基梅隆大学著名的机器人专家汉斯·莫拉维克 (Hans Moravec) 表示，让计算机在智力测试或跳棋时表现出成人水平的性能相对容易，但很难或不可能让计算机具备一年的技能- 在感知和移动性方面过时了。换句话说，困难的问题往往变得更简单，而看似简单的问题却变得异常困难。
• 下一个假设是，如果你构建了足够多的狭窄人工智能应用程序，它们将共同长大为通用智能。这也被证明是错误的。狭义 AI 应用程序不会以通用形式存储其信息，因此它可以被其他狭义 AI 应用程序使用以扩展广度。语言处理应用程序和图像处理应用程序可以拼接在一起，但它们不能像孩子轻松整合视觉和听觉那样整合在一起。
• 最后，人们普遍认为，如果我们能够构建一个足够大、有足够计算机能力的机器学习系统，它就会自然而然地展现出通用智能。这可以追溯到专家系统试图获取特定领域知识的时代。这些努力清楚地表明，不可能创建足够的案例和示例数据来克服潜在的缺乏理解。简单地操纵符号的系统可以创建理解的外观，直到一些“非脚本”请求暴露了限制。

为什么这些问题不是人工智能行业的重中之重？简而言之，跟着钱走。

例如，考虑为 3 岁儿童构建能力的开发方法，例如堆叠积木。当然，完全有可能开发一个 AI 应用程序，它可以像那个三岁的孩子一样学习堆叠积木。不过，它不太可能获得资助。为什么？首先，谁愿意将数百万美元和数年的开发投入到一个应用程序中，该应用程序执行任何三岁孩子都可以做的单一功能，但没有别的，没有更通用的？

然而，更大的问题是，即使有人资助这样的项目，人工智能也没有显示出真正的智能。它没有任何态势感知或上下文理解。而且，它还缺少一个每个三岁孩子都能做的事情：变成四岁，然后是五岁，最后是10岁和15岁。三岁孩子的先天能力包括长大为一个功能齐全、普遍聪明的成年人的能力。

这就是为什么人工智能这个词不起作用的原因。这里根本没有太多的情报。我们所说的大多数人工智能都基于单一算法，即反向传播。它被称为深度学习、机器学习、人工神经网络，甚至脉冲神经网络。它通常被描述为“像你的大脑一样工作”。如果您将 AI 视为一种强大的统计方法，那么你将更接近目标。