从认知和系统任务的角度来看待人工智能的发展

近年来，人工智能已经取得了令人瞩目的成就。从战胜围棋世界冠军到顶级扑克玩家的胜利，再到机器翻译和目标分类等各个领域的卓越进步，人工智能的发展势头强劲。尽管人工智能系统取得了显著的进展，但它们仍然面临着一些重要的挑战。

目前，大多数人工智能系统的关注点相对局限，对于开放语境或家用多功能机器人的运转，我们仍有很长的路要走。AlphaGo这位围棋冠军“棋手”就不知道围棋的真正本质，当它面对一个不同于标准棋盘的长方形棋盘时，甚至需要从零开始接受训练。这表明在理解能力和灵活思考方面，人类大脑依旧远远胜过机器。深入研究人类大脑的工作机制，为我们提供了一个重要的视角和方向。

人类的大脑运作远比传统的人工智能模型复杂得多。大脑没有单一的运转模式，它由多个不同的区域组成，每个区域都有不同的运作方式。大脑中的每个区域都专注于处理不同类型的任务，从辨别颜色到计划假期，再到理解句子、移动四肢、记忆事实和感受情感等。人脑极其复杂且多样，拥有数以百亿计的神经元和突触，形成了一个高度互联的网络。真正的智能和灵活性来源于这种复杂性。任何试图将智能归结为单一原则或单一“主算法”的理论都可能会失败。

传统的人工智能侧重于深层含义表示，通过添加一系列事实来呈现事件。目前学习的方法只是用一堆矢量来粗略解释这一点，无法直接表示其意义。学习在推理和论证方面遇到了困难，特别是在处理模糊事实时。例如，当前的GPT-3和BERT等系统在面对某些问题时显得不够可靠。

人类认知是一种复杂的智慧，涉及多种不同的“行为主体”，各自处理不同类别的任务。相比之下，当前的趋势是倾向于使用单一的端对端模型，具有单一的同类型机制。这种系统虽然有一定的优势，但它们很难调试，并且缺乏所需的灵活性。以Nvidia的驾驶模型为例，该模型在复杂环境下的表现仍然有限。顶尖的人工智能开发者在处理复杂问题时通常会采用混合系统的方法，结合多种技术来解决单一问题。例如围棋比赛中取得胜利就需要结合学习、强化学习、游戏树搜索和蒙特卡洛搜索等技术。问答机器人和网络使用“厨房水槽”方法集成了许多不同类型的处理模块来实现更全面的功能。然而要实现真正的人类智慧水平仍然需要更多的任务要求和系统化的整合方法来完成。因此我们需要从人类大脑的工作原理中获得灵感并更复杂和灵活的人工智能系统以实现更广泛的应用和突破性的进展。