AI目前有些比较成功的应用，比如广告的精准投放——非常挣钱的行业。但我们花那么多人力和财力来研究 AI 并不是用来干这个的。治疗癌症、模拟人脑、可靠的家庭机器人、安全的自动驾驶，这些才是需要突破的地方。

　　从 1980 到 2017 年，AI 有很大的发展，每一个领域都有进步，尤其是在语音和图像识别方面。但目前的状况是，有些领域的研究实际上已经停滞不前了——这才是我对AI发展最大的担忧。

除了在语音和图像方面取得的进展，其他领域的AI研究并未有好的解决方案

　　我的这种担忧是有原因的。AI 现在的问题，我认为，第一个是 Peter Norvig 在去年 EmTech Digital 数字峰会上提到的：采用工程方法去做机器学习是非常困难的，因为AI系统中的错误很难被核验、校准、修复。

　　第二个问题是：统计信息不等于知识。我很担心，从事机器学习研究的人不知道什么是知识工程（Knowledge Engineering），而知识工程是建构专家级系统和其他类型知识库程序的重要工具。这就是一个很大的问题。但实际上，我认为，我们其实并不需要海量的数据也能解决很多问题。

　　所以，我个人认为，AI的下一次技术爆发需要这些条件：

　　· 跨领域全球性合作，类似欧洲核研究组织（CERN）的机制；

　　· 来自不同领域的专家，比如程序验证方面的；

　　· 认知神经科学家的参与；

　　· 语言学家的参与；

　　此外，我还建议，多研究研究我们的孩子。这是我三岁的女儿Chloe（下图左），这两年她在语音学习方面有很大的进步——孩子们正在逐渐形成一个世界观或者一套理论。以 AI 研究的角度看，孩子们在主动学习、新鲜事物探索、强化学习、自然语言理解，以及常识推断方面的能力是非常强的。

　　但是，我们做AI并不是按照这种方式，AI现在只是处理输入的数据，但是小孩有一套机制和自己的理论。比如说，孩子碰到一个困难，他们会对这个困难产生某种概念，而机器只是简单的记忆。

　　那么，机器和人类的认知过程到底差在哪？进化会给我们很多启发。人类生来就有智慧，对时间、空间、物体都有很强的理解。人类对物体进行分类，从而产生规则和认知过程，同时产生符号学——而机器目前而言唯一能做的就是数据输入与输出。

Gary Marcus在EmTech Digital数字峰会上发表演讲

　　最后，DT君也向Marcus提了一个问题：随着神经网络技术的成熟，从云端往本地走是否是趋势？我们多久将不再需要云了，完全靠本地运算解决问题？

　　回答：云端AI解决方案往本地设备转移将是趋势。但目前来看，云端AI服务其实是一个累计数据和计算模型的过程，只有当累积了足够的数据和成熟的算法时，往线下转移才成为可能。

　　另外，目前的本地设备计算能力还不足以支撑 AI 应用，云端的数据累积正好为本地计算能力的发展提供了一个空档期。但这一趋势的最终实现恐怕还需要数年时间，具体是多久我也没法评估。

Gary Marcus的著作《代数的头脑》（The Algebraic Mind）

MIT Technology Review 中国唯一版权合作方，任何机构及个人未经许可，不得擅自转载及翻译。

分享至朋友圈才是义举

一个魔性的科幻号，据说他们都关注了