谷歌旗下總部位于倫敦的人工智能公司Deep Mind上周在機器學習方面取得了重大突破，宣布AlphaGo Zero可以在沒有人為干預的情況下自主學習。人工智能已經(jīng)可以做很多人類無法做到的事情，但我們距離打造“像人類一樣”的人工智能還有多遠？在我們達成目標之前，我們需要解決哪些關鍵問題？

為了回答這個問題，我將提出，為了讓機器變得和人類一樣聰明，必須克服五個里程碑式的難題：普遍性、轉(zhuǎn)移學習、自主學習、常識和自我意識。讓我們依次來看看看看我們今天人工智能的發(fā)展水平。

普遍性：這意味著我們開發(fā)出一種方法，或者一種可以應用于任何其他獨立于領域問題的系統(tǒng)架構(gòu)。我認為這個問題在很大程度上得到了解決。人工智能的概率方法，比如深度傾斜網(wǎng)絡（比如專家系統(tǒng)），已經(jīng)證明了其通用性。我們可以使用同樣的深度學習網(wǎng)絡和算法來解決幾乎所有問題——這是一個很好的機器學習的范例。

自主學習：這就是Deep Mind的“AlphaGo Zero”所取得的成就。通過對第一個AlphaGo所使用的原始強化學習方法的調(diào)整和簡化，他們演示了一個給定目標的神經(jīng)網(wǎng)絡(如“贏”)可以自己學習，并為實現(xiàn)這一目標而發(fā)明策略。這是一個重大的突破，它讓我們離人工智能更近了一步。

轉(zhuǎn)移學習：這意味著一個系統(tǒng)可以使用或抽象地利用它通過解決特定問題積累的知識，并將這些知識應用于解決不同的問題。這是我們?nèi)祟惖奶煨?，我們會在問題中“看到固定的模式”和“問題之間的相似性”，我們運用積累的“經(jīng)驗”來解決它們。在人工智能領域，我們還沒有實現(xiàn)這一目標。盡管在機器中，似乎至少有一條實現(xiàn)轉(zhuǎn)移學習的有希望的途徑，方法是將概率和非概率（“象征性”）方法結(jié)合起來。例如，假設一個系統(tǒng)能夠檢測出它的神經(jīng)網(wǎng)絡在解決某個特定問題時所采取的步驟，并將它們轉(zhuǎn)換為一種啟發(fā)式算法，然后對這種特定領域的啟發(fā)式算法進行歸納，并用它來驅(qū)動神經(jīng)網(wǎng)絡去解決另一個問題。

常識：這是一個非常難的問題。舉個例子，“邁克爾·菲爾普斯在北京奧運會上獲得了400米蝶泳金牌”。當你讀到這句話的時候，你會立刻、隱隱地想到一長串的事情;例如，菲爾普斯在獲得獎章時身上是濕了的，他必須在進入游泳池之前把襪子脫掉等等。這種邏輯假設與原始陳述的關聯(lián)在計算機中是極其難以編碼的。我們距離解決常識問題還有很長的路要走。但是，一個好的開始就是研究神經(jīng)科學能教給我們怎樣形成、保留和使用記憶的方式。人類記憶的功能或許是在機器中開發(fā)常識的關鍵。

自我意識：人類的自我“意識”仍然是神秘的，盡管神經(jīng)系統(tǒng)科學家已經(jīng)取得了一些突破性的進展，當我們意識到一些事情的時候，比如當“我”或“自我”出現(xiàn)，產(chǎn)生主觀體驗時，我們的大腦會發(fā)生什么。對許多人來說，高層次的意識可能是人類在面對未來智能機器時保持某種優(yōu)勢的“最后堡壘”。然而，創(chuàng)造出模仿自我意識的機器并非不可能。我之所以說“模仿”，是因為，除非我們找到一種客觀的方法來衡量人類的意識，否則我們將永遠無法斷定一臺機器是否“真的”有意識。那些讓我們相信他們有自我或個性的機器應該相對容易開發(fā)，但他們是否會真正地擁有自我意識，我們只能知道我們是否能解決了“意識的難題”。