文章作者 Jean-Christophe Baillie，是 Novaquark 的創始人兼總裁，他提出了這個觀點：「沒有機器人，就沒有 AI」。在這篇文章中，他強調了什么是 AI 以及為什么 AlphaGo 不是人工智能。

　　AlphaGo

　　什么是 AI，什么不是 AI？

　　毫無疑問，由 Google DeepMind 設計的圍棋人工智能 AlphaGo 是一個很智能的系統。在擊敗世界冠軍李世石后，類似的深度學習技術被用來解決工業領域中的特別難以計算的問題。因為 AlphaGo，人工智能再一次成為焦點話題。然而，作者并不贊同 AlphaGo 就是人工智能，因為它不能讓我們在人工通用智能 （AGI） 上達到完全地智能。為了創建一個 AGI，其中一個關鍵問題就是它不能受到設計者的限制。它會自己理解這個世界。就像人類所做的一樣，它對自己所遇到的、聽到的、說出的以及所做的每一件事都做出自己的內在解釋。而與之相反的是，如今的 AI 程序基本上不會理解正在發生的事情，也不會處理其他領域的問題。所以，到底 AI 的定義是什么呢？也許這就是關于 AI 最基本的問題。

　　1990 年，認知科學家史蒂文·哈納德（Steven Harnad）在他一篇關于「符號接地問題 （The Symbol Grounding Problem）」［1］ 的論文中表達了意義的問題——即系統內部存在的任何表征與實際外部世界之間的連接。例如，假設你必須將漢語作為第二語言來學習，而且你僅有的信息來源是手頭的一部漢語詞典。瀏覽字典的旅途將會相當繁雜重復，因為需要從一個無意義的符號或者符號字符串 （定義詞） 到另一個定義詞，而不會停下來思考一下這個東西的意義是什么。你如何才能從符號到符號的繁雜重復中脫身呢？符號在無意義的符號之外又有什么接地的含義呢？這就是典型的符號接地問題。關于 AI 的意義的問題早在幾十年以前就提出來了，但是至今仍未解決。

　　AI 的意義的問題可以劃分為下面四個困擾我們的子問題：

　　如何組織 agent（人類或者 AI） 從外界接收到的信息？

　　這是 AI 意義的第一個問題，關于如何組織信息。隨著機器學習，尤其是深度學習和非監督學習的快速發展，這個問題在近幾年得到了較好的解決。包括 AlphaGo 在內的巨大的進步一定程度上都是由于 GPU 技術的前景，因為其的確擅長處理信息。

　　像深度學習這樣的高效算法所做的就是用最有用的信息在高維空間表達冗余和不可讀的數據。

　　對今天的 AI 而言，監督學習無疑是在實際應用中部署最多并且最成功的方法。樸素貝葉斯分類、Logistic 回歸以及支持向量機每年能創造數十億的價值。除此之外，上面提及的非監督學習也在快速發展。聚類和主成分分析解決了監督學習無法解決的很多問題。甚至，半監督學習和強化學習在產業界也被越來越廣泛地投入使用。

　　盡管有很多有用并且強大的算法來解決不同的 AI 問題，但是沒有能夠適用于每種情形的通用 AI，沒人知道哪種算法能夠幫助構建通用目標的 AI。在我看來，使用非監督學習的深度神經網絡會最有助于實現這個夢想。例如，IBM 的 Watson 結合了許多算法，從而能夠處理各種不同的數據。不過我們要實現 AGI，還有很長的路要走。

　　- 如何將這種結構化的信息與現實世界鏈接起來，或者，借用前文的定義，如何為 agent 構造「意義」？

　　在將信息結構化之后，第二個問題是如何將結構化的信息與現實世界鏈接起來，并給機器人賦予基本的意義。與世界交互的前提是擁有一個軀體，所以，沒有機器人就沒有 AI。軀體的實現通常被稱為「實體化問題」。現在很多 AI 研究者都認同：為了解決 AI 問題，實體化和智能一樣重要。從現實世界尤其是動物世界，我們可以看出，每一種軀體都有不同形式的智能。

　　實體化始于理解軀體的組成部分，并且控制它們以在觀察到的環境中產生期望的效果，然后建立自身對這個世界的概念。這個過程被稱為「感覺運動理論」，J. Kevin O’Regan 等研究人員已經對此做過許多研究工作。

　　- 如何將這種意義與其他 agent 同步？

　　這個問題與文化的起源有關。與我們人類不同，一些動物通過舞蹈和嗅覺等方式表現出有限和簡單的文化形式。沒有文化這種智力的基本催化劑，AI 只不過是學術上的好奇心而已。

　　然而，文化是一個與心理學和認知能力相關的學習過程。它不是那種能夠被手動編程到機器里面的東西。通過研究兒童如何獲得文化能力，研究人員正在努力了解這一過程。

　　這個過程也和語言學習緊密關聯，語言學習是一個進化的過程：通過與世界的交互，agent 獲取新的信息，創造出新的意義，通過新創造的意義與其他 agent 進行溝通，并選擇有助于溝通的最成功的結構。在從數百次試驗中的錯誤中學習之后，最終建成了最好的系統。這是深度學習無法解釋的東西。一些研究實驗室（如 SoftBank Robotics 等）正在通過使用這一過程進一步獲取復雜的文化習俗。

　　- 為什么 agent 會做所有的事情，而不是什么都不做？如何將這一切設置為運動呢？

　　最后一個問題是關于欲望。agent 做一些事情是出于「內在動機」的，就像人類一樣，不但要滿足生存需求，而且還要探索一些由內在好奇心驅動的東西。Pierre-Yves Oudeyer 等人已經證明，簡單的數學公式足以解釋復雜和令人驚訝的行為。

　　RobotCub

　　當前 AI 的局限

　　根據作者的理解，目前世界上并沒有真正的 AI，包括那些被廣泛使用的和出名的 AI 服務和應用。盡管他的觀點并不代表一般的想法，但是目前的 AI 確實有它們的局限性。

　　Siri（蘋果的虛擬個人助理）

　　如果你的句子超出了它的任務領域，Apple 公司最流行的人工智能 Siri 也不能識別你在說什么。

　　Pepper（軟銀的機器人）

　　軟銀最出名的 AI 機器人 Pepper 也有和 Siri 一樣的局限性。更有甚者，即便是配備了語音情感識別系統，它有時候也不能分辨出真正的情感，很容易被糊弄。

　　alipay（支付寶）

　　電商巨頭阿里巴巴和它的附屬在線支付服務支付寶曾使用面部識別技術替代密碼。其準確度是可以令人滿意的，但是它并不能區分長相相似的雙胞胎。

　　這些例子反映了一個事實，目前的 AI 并沒有足夠的智能。它們甚至不能很好地處理從外界接收到的數據，更別說與時節交互了。

　　總結

　　很高興看到深度學習的快速進步和 AlphaGo 的巨大成功，因為它們能夠在醫學研究、環境保護以及其他很多領域得到很多有用的應用。然而，深度學習并不是通向真正 AI 的靈丹妙藥。真正的 AI 是那種能夠從外部世界學習、與我們自然地交互，并能理解我們的情感、意愿和文化偏向的復雜智能，它最終能夠幫助我們創造有更加美好的世界。