網訊：要超越人類智能，機器人仍有很長路的路要走。這因為人類非常擅長展望未來與制定計劃。同時質量非常重要（它使我們有別于其他動物），我們在機器人中真的無法對它們進行模擬。

　　據美國加州大學伯克利分校的計算機科學家Stuart Russell所說：“人類非常善于在不同的抽象層次上做決策，這是一種被稱為‘分層決策’的特性。”

　　計算機不能模擬分層決策也不能完成許多人類可完成的任務。人類可以展望未來、做計劃以及基于抽象觀點來做決策。想象一下去另一個城市開會。當你到達一個新城市，你不用思考你從機場到街上所走的每一步，而只需要根據指示牌走到機場出口。你不需要計劃你要打車的動作，當你腦海中閃現“我要打車”這一想法時，身體就自然而然地做出相應動作。

　　“人類通過存儲非常豐富的抽象、高級動作的方式來對此進行管理，”Russell在Quanta的訪談中說到，“這就是我們最基本的生活方式，未來是分散的，有許多細節非常接近我們現在的時間點，但是我們做出的大量決策都是非常抽象的，比如獲得博士學位、生孩子等。”換句話說，我們對未來的假設是基于我們過去對世界的理解。幸運的是，我們擁有一些快捷鍵。

　　人類如何看待未來

　　首先，情感是非常重要的因素，它們幫助我們對事情和情況作出快速的決策。例如，當一個人在野外碰到一只熊的時候，會感到恐懼然后直接逃跑。但是人工智能沒有這些天生的情感來幫其做決策。一個機器人（除非被特別編程將熊識別為威脅）不會自動辨別大型動物會對其造成傷害。

　　第二，人類大腦運用智慧和對世界的現存經驗，能夠看出一個從來沒見過的事物是如何工作的。據NICTA（澳大利亞國家信息與通信技術研究院）計算機科學家Toby Walsh所說，這叫做“常識推理”。

　　例如，每一把椅子看起來都不一樣，它們有不同的椅背、不同的細節、可能是木頭、纖維或者塑料的，也會有不同的顏色。但是當我們這樣由四條腿支撐、有靠背的東西時，我們就知道它是椅子，可以坐。

　　你知道這是椅子，但是你怎么知道這是椅子的？

　　想象一下打車的情景，你從來沒見過出租車，更不用說打車了。你看到一個人揮舞手臂時有輛車會停下，那么根據常識，你推斷出這是一輛出租車。人類能夠注意到事情間的因果關系，并將其應用于決策。但是這種常識是基于先前的知識，而且我們很難將其編碼到人工智能系統中。

　　對于使用因果推理的計算機來說，它們需要知道場景中每一件事的確切規范，紐約大學從事常識推理工作的計算機科學家 Ernest Daviss說。機器人也需要多次看到同一場景以便完全了解發生了什么。人類則不需要，我們能夠采用想象未來的能力來思考不同場景以及推理它們是如何發生的。

　　人類目前領先機器人的另一點是同時處理很多不同任務的能力，我們現在擁有的大部分人工智能項目都對非常具體的任務很擅長，比如玩視頻游戲或者下象棋。但是人類能同時進行多項任務，比如理財、運動、撫養孩子或者打開包裹。“人工智能系統不能同時擁有所有能力，特別是同時結合視覺、語言和身體操縱。”人工智能發展協會（the Association for the Advancement of Artificial Intelligence）主席Thomas Dietterich說。

　　如何改進人工智能

　　因此，我們如何創造能像人一樣進行推理和決策的人工智能？Dietterich指出：“如何在人工智能中表示知識和信息”會是良好的開端。

　　Peter Norvig則認為阻止機器人和人類一樣智能的最大原因是征服感知。對于Norvig來說，人工智能系統只有在它們能更好地看到和感覺到這個世界的時候才能更好進行推理。“我們很擅長收集數據，并用這些數據來發展算法，但是僅僅基于數據的推理會讓我們遠離真實情況，”Norvig說，“我認為只有我們不斷地讓系統感知世界并與其交互，而不是讓其被動學習別人選擇好的信息，才能更好地改善其推理能力。”

　　孩子與人工智能有很多共同點

　　通過試驗和錯誤，機器人會像孩子一樣學習如何看、聽以及觸摸。當你長大的時候，你會以很多種不同的方式了解世界。會有老師或者父母指著一個物體告訴你它叫什么，這非常像機器學習算法中我們用來訓練人工智系統的方法。但是許多童年學習是隱式的，基于我們的能力進行推斷，填補空白以及建立預先的知識。這種學習方式正是我們今天的智能程序中所缺失的。

　　今天的機器學習系統每次學習一個新任務都是從頭開始。但是這非常耗時間，未來的智能機器需要擺脫這種方法來進行學習。“我們需要在持續學習（每次有新數據或算法需要測試時無需從頭開始訓練）上下功夫，”谷歌人工智能研究者Samy Bengio說，“這是非常困難的任務，需要花費很長時間來改進。”