據外媒(VentureBeat)報道，如果你是X戰(zhàn)警系列漫畫的粉絲，你一定對X教授的腦波增幅器(Cerebro)不陌生。這是一個虛構的設備，X教授用它來觀察人類的腦電波，并根據個人的思維特征來識別變種人。如果腦波增幅器真的存在，是否是一件可怕的事呢，全球范圍的大腦閱讀是否會讓人們沉迷其中?

雖然目前人類尚未有能力打造這樣一款神器(量子糾纏神經系統(tǒng))，然而社交網絡上鋪天蓋地的帖子卻正在從另一個方面展示著20億人的“大腦活動”。只是我們缺乏有效的方法來檢查和分析這些變相呈現的腦波，蘊藏其中的意義有待發(fā)掘。

在許多方面，軟件給人發(fā)聲提供了幫助?，F有工具能夠幫助消費者和企業(yè)之間快速對話溝通。這些工具使得企業(yè)通過開放、真實的對話吸引客戶群體，并了解客戶的需求和關注點。

然而，仍然有許多研究有待展開，特別是在統(tǒng)觀層面。通常社交網絡會顯示房間里最響亮的聲音。我們的技術只是收集和呈現聲音，而未能深入探究其下的原因。表象之下的原因不會自動呈現，而是需要復雜的推斷或者是冒險的假設。

人們通常只是關注網絡言論和流行熱詞，而不能深入理解它。知道當下在發(fā)生什么并不等同于對當下人事的充分理解?，F實人事是三維的，并非口頭言語那么簡單。

在過往，我們精密的算法和高超的技術從業(yè)者不足以把握人心和探究聯系因果的精微。以最近的美國大選為例，無論是復雜的民調，還是專家學者的分析，都沒能預測到最后的結果。在最后令所有人意外的結果出爐之后，各方又開始回過頭來試圖弄明白到底哪里出錯了。有人認為社交網絡對本此大選影響重大，答案也許就藏在數十億的社交帖子中。

有沒有可能使用人工智能來調查和獲得結論呢?試想一個隨時聽候差遣的AI，這個數字助理能夠分秒不斷地監(jiān)測和理解成千上萬的帖子，從紛亂信息中梳理出概要。

不過恐怕今日之AI尚不能勝任這個任務。

雖然我們的AI系統(tǒng)能夠抓取頭條新聞，但其能力常常有限。Uber等公司正在使用AI來讓自動駕駛汽車更好地感知周圍環(huán)境，從而可以智能地轉彎或躲避行人。但它們永遠不會長出翅膀學會飛行。谷歌打造的AlphaGo能夠擊敗人類最佳棋手，但關于圍棋的歷史文化它一無所知，它也無法“獨立”去進行另一場比賽。

今天的“人工智能”一詞仍然是一個誤稱。牛津英語詞典對智能(intelligence)的定義為“獲取并應用知識的能力”。以數字經濟麻省理工學院(MIT)數字經濟倡議的研究員兼AI意見領袖湯姆·達文波特(Tom Davenport)的話來說：“深度學習并不是深刻的學習。”另一位專家奧倫·埃佐尼(Allen Institute of AI)也有類似意見：“AI只是簡單的數學的大規(guī)模執(zhí)行。”簡單說，AI實質只是一種強大的計算方式，并沒有達到人腦那種堪稱智能的方式。

那么，未來AI有沒有可能實現自足的智能水平呢?

目前的AI研究正朝著更深入的方向前進。該領域的一個主要目標是使機器偽裝成人類，并通過圖靈測試?，F在我們有了進階版的圖靈測試：威諾格拉德模式挑戰(zhàn)(Winograd Schema Challenge)。圖靈測試檢驗機器能否思考，而威諾格拉德模式進一步檢測AI系統(tǒng)的常識推理能力以及對世界的運作方式的了解程度。

威諾格拉德模式挑戰(zhàn)讓人們意識到當下的AI水平并不像人們設想的那樣順利。為了理解這個測試，我們來看看今年O’Reilly AI大會上的一個例子：

“大球穿過桌子是因為它由發(fā)泡膠制成”和“大球穿過桌子是因為它由鋼制成”。兩句話中“它”各指什么?這個問題隨便一個7歲的小孩子都能答得出。然而AI卻不具有思索貫通的能力，相反它只會從網絡上搜索大量信息，然后給出“它”的定義。

只有當AI實現更接近人類的深度學習和理解能力時，使用AI來處理人腦力不能及的龐大數據才能成為可能。

像威諾格拉德模式挑戰(zhàn)這樣的測試能夠敦促AI更好地理解語言暗示和事物之間的關聯?；镜恼Z言理解能力是實現強智能的基礎。只有在此之上，獨立習得和應用知識才能成為可能。

目前的AI只是略微超過了圖靈測試的水準，未來還有很多工作要做。