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架構。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，比如深度傾斜網絡（比如專家系統），已經證明了其通用性。我們可以使用同樣的深度學習網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整和簡化，他們演示了一個給定目標的神經網絡(如“贏”)可以自己學習，并為實現這一目標而發(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。

轉移學習：這意味著一個系統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。這是我們人類的天性，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“經驗”來解決它們。在人工智能領域，我們還沒有實現這一目標。盡管在機器中，似乎至少有一條實現轉移學習的有希望的途徑，方法是將概率和非概率（“象征性”）方法結合起來。例如，假設一個系統能夠檢測出它的神經網絡在解決某個特定問題時所采取的步驟，并將它們轉換為一種啟發(fā)式算法，然后對這種特定領域的啟發(fā)式算法進行歸納，并用它來驅動神經網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，盡管神經系統科學家已經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，產生主觀體驗時，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”。