在創(chuàng)造任何真正的新技術的過程中，有兩個連續(xù)的任務:創(chuàng)造一個理論概念和在實踐中實現這個想法。在這篇文章中，我將說出為什么盡管有一個成熟的理論概念，但在實踐中，我們離創(chuàng)造強大的人工智能仍然非常遙遠的主要原因。

不惜一切代價避免錯誤

人工智能原型實際實現的第一個例子是在控制系統中，這是一種基于雷達數據自動引導高射炮的設備，由英國數學家在第二次世界大戰(zhàn)期間創(chuàng)建。在這種系統中避免錯誤的愿望是完全合理的，但正如經常發(fā)生的那樣，開始時的第一步對整個未來的道路具有決定性意義。

精確度的演變

實現人工智能概念的下一個重要步驟是弗蘭克·羅森布拉特發(fā)明了一個簡單而有效的人工智能建模工具:感知器。同時，盡管許多人認為感知器是人工智能的變體神經網絡Rosenblatt自己認為他的發(fā)明只是一個研究工具，而不是一個能夠思考的機器。

總的來說，基于連接主義的系統(感知器是這個方向上最成功的模型)在創(chuàng)造強大的人工智能方面非常接近正確的軌道。但對準確性的渴望和對錯誤答案的恐懼戰(zhàn)勝了直覺，并最終導致了錯誤反向傳播系統的產生——這最終將感知器變成了計算器。

自20世紀90年代初以來，出現了一種基于智能(理性)代理的基于代理的方法。根據這一概念，智能是使用條件符號(一種規(guī)劃)的復雜數學計算，旨在實現為智能機器設定的目標。符號計算本質上是計算機代數或作為一系列常規(guī)符號的數學公式。

為了創(chuàng)造人工智能，我們越來越深入地研究計算和算法。

超級計算器的時代

(近幾十年來)計算能力的顯著提高已經結束了所謂的“人工智能發(fā)展的冬天“句號?，F代神經網絡依靠高性能的技術綜合體，在信息的全面列舉(處理)的幫助下工作。由于這一點，現代人工智能系統可以根據非常小的特征對數據進行分組，然后依次將這些組與分析所需的參數進行比較。

這種方法造成了學習的錯覺。例如，在阿爾法歸零一個國際象棋程序，甚至不知道游戲規(guī)則，在21天的獨立工作中，通過一個以前玩過的游戲的數據庫，成功超越了人類中國際象棋技能的領導者。

與此同時，一些科學家(諾姆·喬姆斯基非常清楚地描述了這一立場)明白，正是因為完全依賴統計方法，我們在創(chuàng)造人工智能方面的發(fā)展矢量正朝著錯誤的方向前進。

用寓言的語言來說——不管我們喜不喜歡，但試圖創(chuàng)造AI，我們還是在“指揮高射炮”。

問題的根源或者為什么記住形式不等于內容很重要

大腦由看起來像網絡的神經元組成這一事實并不意味著我們的新皮層像一個技術神經網絡一樣工作。我還要說更多——我們的大腦一點也不害怕犯錯，也不尋求表現出準確性。

為什么?

因為事實上我們的大腦不像計算器一樣工作，根本不做任何計算。當我們比較睡眠時和復雜腦力任務時大腦的能量平衡時(能量消耗幾乎不變，因此不可能通過腦力勞動減肥)，這一點尤其明顯。

我們的學習過程是關于記憶確切的答案，而不是與分析和參數一起工作。我們的智力與預先知道的正確答案周旋，這種預定數據的巨大數量和普遍性產生了涌現效應——從表面上看起來像是深度分析思維。這就是為什么多年來我們每個人都是天真和無能的孩子。為了學習如何做新的事情，我們必須長時間艱苦地重復。

我們智力的工作可以比作一個飛輪，它在我們童年時慢慢旋轉，直到死亡也一刻不停。正是因為這個原因，我們即使在睡夢中也會思考。

我們的大腦做出決策不是基于數據處理，而是基于之前決策的經驗。讓我們與機器如此不同的情緒和體驗，很難用算法的語言來描述，但基于一個簡單的“喜歡或不喜歡”的選擇，很容易形成。

還記得我們在文章開頭的論點——“理論模型和實際實現。”我們無法建立人工智能，因為我們建立了錯誤的理論模型。在旅程的最開始，我們不幸拐錯了路，忘記了形式不等于內容。

創(chuàng)造強大人工智能的正確方式或方法

不是計算，而是數百萬次決策的經驗創(chuàng)造了智慧。而且不要讓經驗這個詞誤導你，經驗并不是算法工作的結果——它只是知道答案(不一定是正確的)。

一個小孩子不會分析父母行為的參數——他只是重復并記住做什么和怎么做。因此，只有在一個過程的幫助下，AI才能在智力上變得像我們一樣——與活生生的人腦直接接觸的連續(xù)流學習(事實上是復制)。

因此，在腦機接口沒有它就不可能創(chuàng)造出強大的人工智能。但是新的個人人工智能的軟件塊將會很不尋常。

如果幾種加速旁路技術可以應用，很可能第一個工作原型的個體人工智能很快就會出現。無論如何，這正是我目前努力的方向。