对于人类来说，现在最重要的就是发明一个真正的人工智能：一个在绝大多数情况下可以独立思考并采取行动的机器或者软件。一旦这种人工智能出现，它就能帮助我们处理其他形形色色的问题。
幸运的是，有数千名研究者在进行人工智能方面的工作。虽然他们中的大多数都在尝试用已知算法解决新问题，但是，有些人正在研究人工智能的首要问题。我兼顾两者。在我看来，解决应用问题刺激了新算法的产生，而且有了新算法，我们就可能解决新问题。为了取得进步，有必要找一些试着用人工智能加以解决的具体问题；如果试着发明人工智能，却没有它适合用来解决的问题，你会感到无从下手。我选择的领域是游戏，而且我也会解释为什么这是最相关的研究领域，如果你认真对待人工智能的话。
但是，首先，让我们承认人工智能近期已然受到广泛的关注了，尤其深度学习这方面的研究遭到热捧，各大主流媒体争相报道，大公司巨额收购相关的初创公司。这几年人工智能也取得了许多令人瞩目的成就：识别场景中的物件、理解演讲内容、名字和人脸的配对、翻译文本。通过一些措施，近期ImageNet比赛的赢家在正确识别图片中的物件方面甚至做的比人更好。有时我会觉得Facebook的算法比我更善于在照片中认出我的好友。
深度神经网络的拿手绝活儿就是所谓的模式识别问题，鲜有例外。基本上就是输入大量数据(一张图片、一首歌、一段文字)，输出某些其他(通常小很多)的数据，比如一个名字、分类、另一张图或者其他语言的一段文字。为了学会这一技能，机器需要读取极大量的数据，找到其中模式。易言之，神经网络正在学习大脑感知系统所做的事：视觉、听觉、触觉等等。在较小范围内，他们也能做一部分我们大脑语言中枢的工作。
但是，这并不是智能的全部。人类并不会一天到晚坐在那里看东西。我们会有所作为：决策、执行以解决问题。我们对周边产生影响。(当然，我们有时候会在床上赖一天，但其他的大多数时候，我们总是以某种方式自主活动着的)。智能不断进化，帮助我们在一个充满危险的世界生存下去，而且做到这些需要与周边环境互动，规划行动复杂后果，也要不断适应变化中的环境。模式识别——识别物件或人脸、理解演说等功能——是智能很重要的一部分，但这只是一个不断思忖接下来怎么做的完整体系的一部分。想要研发人工智能，却只专注于模式认知，如同研发汽车却只专注轮胎。
为了建立一个完整的人工智能架构，我们就要建立一个体系，这个体系会涉及某种环境下的对应措施。怎样实现这一点呢？或许最显而易见的方法就是用机器人具身化人工智能(embodyAIinrobots)。而且实际上，我们也看到了，哪怕是那些最平凡的事情，比如随地形走路、拿起形状奇怪的物品，对机器人来说，都是很难完成的任务。80年代，机器人研究再度大量关注这类「简单」问题，也推动了应用领域的进步，也改善了人们对何为智能的理解。近数十年的机器人进步促使了自驾汽车的产生，这可能会成为人工智能在不久将来将要颠覆的社会领域之一。
1 2 3 4 5 6 下一页>
