马文·明斯基在其著作《情感机器》[1] 中讨论了人类大脑思维运行方式，尝试设计能理解、会思考的人工智能，也讨论为什么会有莫拉维克悖论。书中明斯基提出「所有的现代程序都不具备常识性知识 (Commonsense Knowledge)」[1] 所以会给人感觉有时不够智能。这些常识性知识和推理包括 [1]：

正面经验 (Positive Expertise)：知道在哪种情况下该使用哪种类型知识。

负面经验 (Negative Expertise)：知道不该采取哪种行动，因为可能会使事情变得更糟。

调试技能 (Debugging Skills)：当常规方法不再适用时，还有其他可供选择的方法。

适应技能 (Adaptive Skills)：知道这样把原有知识应用到新情况之中。

明斯基提出了框架表示常识的结构化知识表示。这属于机器学习中的符号主义（Symbolists），不同与当前联结主义（Connectionists）的深度学习。目前该领域还在探索期，已有一些基于知识图谱方面应用。并且这些常识性知识和推理难以在深度学习模型中得到解决。迁移学习也是试图在联结主义框架下将通用领域的训练结果迁移到特定领域，目前也还在探索期。

　　（来源：情感机器 [1]）

「专家是一位无须思考就知道结果的人」[1], 所谓常识可以认为是一种直觉。爱迪生说过「天才就是 99% 的汗水+1% 的灵感，但没有这 1% 的灵感那 99% 的汗水也是徒劳」，灵感既大师在决策时的直觉。「郝伯特·西蒙对比过国际象棋世界冠军十年间不同的下法，认为这是这是全部职业强选手的集体经验而积累起来的知识的结果。专家和新手区分不仅仅是前者具有大量和多样的信息，而且是他的直觉经验使他能发现他所面对的形势中的熟悉模式，长期记忆中储存大量的棋子的共同模式，通过识别这些模式，从长期记忆中重新找到大量相关信息。」[5], 这些并不需要大量复杂的全局计算，而「AlphaGo 中使用蒙特卡罗树搜索（Monte Carlo Tree Search，MCTS) 结合估值网络（Value Network）来做可选方案集合选取。」[6] 两者完全是不同的途径。目前要让人工智能有如小孩般的学习能力与通用常识都很遥远。更别说像大师、领域专家为各样的决策提供建议。扎克伯格在搭建他的智能助理 Jarvis 时也说「我们距离了解学习的本质仍然很遥远…我们仍然不知道将从一个领域中获得的想法应用到另一个完全不同的领域中去。「[7]

　　数据，样本在哪里？

另一个问题是，目前的深度学习需要端到端的样本数据。AlphaGo 是使用段位以上围棋专业棋手对弈样本，并通过自我对弈扩大样本数。而智能助理面对个人方方面面的任务、事件，更加无法得到那些专业的正样本数据。并且每个助理面对客户的情况都是不同的，个体都是独立的，不可能得到训练所需的样本数据。

不可能获得实质理性所需的全局信息

罗振宇在跨年演讲中说道「在人工智能逻辑里，它不关心人类对一件事情的定义，但是它可以输出你要的答案。只要有大量的数据，它就能用跟人完全不同的思路，达到同样的结果。」真是如此吗？笔者并不认同，人工智能是和人的思维不同，但不等于有大量数据就能得到同样效果或更好效果。因为「我们知道，通过深度学习和大数据，一定能得到一个更优的模式识别效果。但前提是我们假设未来和历史特征向量是符合同一概率分布。未来当然不会和历史是同一概率分布，就像彼得·林奇说的『你无法从后视镜中看到未来。』哈耶克也说过『我们做出的预测有可能被否定，因为他们只具有经验的意义。』」[6] 哈耶克举过一个例子，对一场足球比赛，如果我们熟悉球赛，了解球队，并可以监测赛场上每一刻球员状态包括心肺、肌肉等等，但球赛的结果还是超出了科学预测的范围。因为我们的基于经验的预测能力也仅限于事件的一般特点，并不包括预测每个具体事件的能力。所以即使有足够的数据，机器也不一定能得出比从 1990 年起每次国足比赛都押输更牛逼的策略。

另外一点是，智能助理能得到每个具体事件决策所需要的所有信息吗？即使人类生活在《黑客帝国》电影中的 Matrix，其中的机器人主宰也不是能掌控所有信息，如电影所说总有些自由意志是不可知。哈耶克说过「社会的经济问题就是一个知识利用的问题，而这种知识并没有完整的给予任何一个人」。所以即使在大数据时代也不可能获得全局知识与信息。

三 智能助理该做什么