编译 | Jennifer Zhu，张礼俊，bill，杨捷，Aileen

　　全文摘要：

　　□ 追踪人工智能中的核心未解决问题可以使我们坦诚地了解尚待实现的任务，并走向“强人工智能”（general artificial intelligence）。

　　□ 本文讲述了目前识别到的29个开放问题。

　　□ 我们对每个主要问题都提出了示例测试的建议，用以评估研究进展。

　　《重磅清单 | 当前AI领域尚未攻克的29个难题及进展评估百篇文献》??下面链接，保存之后查看：

　　引言

　　本文列出了人工智能中的开放性问题，根据人工智能路线图研究所重点关注的“ 开放性研究问题 ”主题，简要介绍该领域的最大挑战和现有技术水平。(译者注：人工智能路线图研究所是一个旨在研究和比较由人工智能领域工作者提出的各种人工智能路线图的新机构。)

　　这些挑战可分为：人工智能完备（AI-complete）问题，封闭域问题，以及常识推理、学习和感觉运动能力的基本问题。（译者注：对于计算机来说最困难的问题，被非正式地称为“人工智能完备”（AI-complete）的，以此说明解决了这些计算性问题就相当于解决了人工智能的核心问题——让计算机和人类或者强人工智能一样聪明。）

　　可以预见的是，作为第一次对人工智能开放性问题的调研，下面的清单难免有疏漏之处。欢迎读者提供反馈。

　　为了促进强人工智能的发展，GoodAI（https://www.goodai.com/）正在组织强人工智能挑战赛。这个比赛旨在通过从2017年初开始的一系列里程碑挑战赛解决下面列出的一些问题。（译者注：早在1956年，人工智能的先驱们就梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧同样本质特性的机器。这就是我们现在所说的“强人工智能”。这个无所不能的机器，有着我们所有的感知（甚至比人更多），我们所有的理性，可以像我们一样思考。而GoodAI是一家捷克公司，他们的长期目标是开发出能够实现科学、技术、商业等领域自动认知过程的通用人工智能。）

　　来源，方法和相关工作

　　本文罗列的人工智能问题来源于以下领域的文献：

　　● 机器学习

　　● 机器感知和机器人

　　● 开源人工智能问题

　　● 人工智能系统的评估

　　● 测试人类水准的人工智能的实现

　　● 基准和竞赛

　　筛选本文研究问题的三个标准如下：

　　1. 必须与强人工智能的实现高度相关

　　2. 问题有封闭的范围，不接受开放式扩展

　　3. 可被测试

　　这些问题所在的范围不同但常有交集。其中一些问题可以被完全包含在其他问题中。第二个标准（封闭范围）排除了一些有趣的问题，比如学习人类的所有职业；几个这种类型的问题将列在主要问题之后。为了确保问题具有可测试性，每个问题之后都附有示例测试。

　　下面列出的几个网站提供了一些具有挑战性的人工智能问题：

　　● 常识推理问题页面 （）提出了几个常识推理领域中的问题，例如“通俗心理学”（与心智理论和社会认知相关）和“物理推理”（与直观／朴素物理学相关）。

　　● 常识推理的Winograd架构页面（）介绍了Winograd架构和其他需要理解这个世界才可以解决的代词歧义问题。（译者注：Winograd架构是一个比图灵测试更有效的方法来确定一个计算机程序是否具有展示智能的能力。它观察计算机程序是否能够利用大量的知识来正确推理出故意含混的语句。而代词消歧问题是参与挑战的计算机程序需要回答一种特殊但简易的常识问题。人类可以根据常识和上下文信息了解代词的意义，但对这人工智能系统来说这是个很大的挑战。）

　　● OpenAI的研究请求（https://openai.com/requests-for-research/）展示了不同难度的机器学习问题，强调深层和强化学习。（译者注：OpenAI是微软与马斯克所创建的位于美国旧金山的人工智能研究团队。）

　　● AI?ON列出的开放式研究问题（）包含人工智能的应用问题和基本问题，同时强调深度学习。（译者注：AI?ON是一个致力于推进人工智能的开放社区。）

　　人工智能的挑战

　　本文剩下的部分将按下面的顺序列出人工智能领域的一些挑战：

　　1. 人工智能完备问题

　　2. 闭域问题

　　3. 共同推理

　　4. 学习

　　5. 感觉运动问题

　　人工智能完备问题

　　人工智能完备问题包含了所有或绝大多数符合人类智力水平的强人工智能问题。这个类别中的一些问题如下所列：

　　1. 开放领域对话（Open-domain dialog）

　　2. 文本理解

　　3. 机器翻译

　　4. 人类智力和能力测试

　　5. 核心解析（Winograd构架）

　　6. 复合词理解

　　（1）开放领域对话