有研究表明，人工智能聽上去很厲害，但目前最先進(jìn)的人工智能還遠(yuǎn)遠(yuǎn)不能解決人類4歲兒童能夠輕松解決的問題，那么，人工智能會(huì)變得比4歲的孩子更聰明嗎?看看孩子們?nèi)绾翁幚硇畔⑷绾螌W(xué)習(xí)的，大家或許能獲得啟發(fā)。

每個(gè)人都聽說過人工智能的新進(jìn)展，尤其是機(jī)器學(xué)習(xí)，盡管人工智能的名稱令人印象深刻，但該技術(shù)在很大程度上是由檢測(cè)大數(shù)據(jù)集中的統(tǒng)計(jì)模式的技術(shù)構(gòu)成的，人類的學(xué)習(xí)方法可遠(yuǎn)不止于此。

人類是如何學(xué)習(xí)的

我們是怎么對(duì)我們周圍的世界了解得這么多的呢?即使還是兒童的時(shí)候，我們也能學(xué)到很多的東西，比如四歲的孩子已經(jīng)知道植物、動(dòng)物和機(jī)器;欲望、信念和情感;甚至恐龍和宇宙飛船。

科學(xué)已經(jīng)把我們對(duì)世界的認(rèn)識(shí)擴(kuò)展到不可想象的地步，擴(kuò)展到宇宙的邊緣和時(shí)間的開始，我們用這些知識(shí)進(jìn)行新的分類和預(yù)測(cè)，想象各種新的可能性，并在這個(gè)世界促成新的事情的發(fā)生，但觸及這個(gè)世界的只是一股觸及我們視網(wǎng)膜的光子流以及干擾耳膜的空氣，當(dāng)我們擁有的例證如此有限的時(shí)候，我們是如何用眼睛后面的幾磅灰色黏液來完成這一切的呢?

(來源于史密森學(xué)會(huì)雜志)

到目前為止，最好的答案是，我們的大腦基于觸達(dá)我們各種感官的具體特定而又混亂的數(shù)據(jù)進(jìn)行運(yùn)算，然后那些運(yùn)算產(chǎn)生了對(duì)世界的準(zhǔn)確描述，表現(xiàn)形式似乎是結(jié)構(gòu)化的、抽象的和層次化的，它們包括對(duì)三維物體的感知，構(gòu)成語言基礎(chǔ)的語法，以及“心智理論”等心智能力。

“心智理論”能讓我們理解他人的想法，這些表現(xiàn)形式使得我們能夠做出各種各樣的新預(yù)測(cè)，并以人類特有的創(chuàng)造性方式想象出許多新的可能性。

這種學(xué)習(xí)不是唯一的一種智力形式，但對(duì)人類來說尤其重要，這種智力是小孩子的專長，盡管孩子們?cè)谟?jì)劃和決策方面非常糟糕，但他們是世界上最好的學(xué)習(xí)者，事實(shí)上，很多將數(shù)據(jù)轉(zhuǎn)化為理論的過程發(fā)生在我們五歲之前。

人類兩種基本的學(xué)習(xí)方法

自亞里士多德和柏拉圖以來，有兩種基本的方法來解決我們?nèi)绾沃牢覀兯赖臇|西的問題，它們?nèi)匀皇菣C(jī)器學(xué)習(xí)的主要方法。

亞里士多德自下而上來解決這個(gè)問題：從感覺開始——光子流和空氣振動(dòng)(或數(shù)字圖像或錄音的像素或聲音樣本)，這樣看你能否從中發(fā)現(xiàn)學(xué)習(xí)模式，這種方法被像哲學(xué)家大衛(wèi)·休謨(David Hume)和密爾(J. S. Mill)這樣的古典聯(lián)想主義者以及后來的像巴甫洛夫(Pavlov)和斯金納(B. F. Skinner)這樣的行為心理學(xué)家進(jìn)一步發(fā)揚(yáng)。從這個(gè)觀點(diǎn)來看，表現(xiàn)形式的抽象性和層次性結(jié)構(gòu)是一種錯(cuò)覺，或者至少是一種附帶現(xiàn)象，所有的工作都可以通過關(guān)聯(lián)和模式檢測(cè)來完成，特別是如果有足夠數(shù)據(jù)的話。

這種自下而上的學(xué)習(xí)方法和柏拉圖的自上而下的學(xué)習(xí)方法一直共存，誰也無法一直壓過對(duì)方。

也許我們從具體的數(shù)據(jù)中獲得抽象的知識(shí)，是因?yàn)槲覀円呀?jīng)知道了很多的東西，特別是由于進(jìn)化，我們已經(jīng)有了一系列基本的抽象概念。像科學(xué)家一樣，我們可以用這些概念來構(gòu)建關(guān)于世界的假設(shè)，然后，如果那些假設(shè)是正確的，我們就可以預(yù)測(cè)數(shù)據(jù)應(yīng)該是什么樣的，而不是試圖從原始數(shù)據(jù)中發(fā)現(xiàn)模式，與柏拉圖一樣，笛卡爾(Descartes)、諾姆喬姆斯基(Noam Chomsky)等“理性主義”哲學(xué)家和心理學(xué)家也采取了這種方法。

有一個(gè)日常例子可說明上述兩種方法之間的差異，它就是解決垃圾郵件泛濫的問題，那些郵件數(shù)據(jù)由收件箱中長長的未分類的消息列表組成，現(xiàn)實(shí)情況是，其中一部分郵件是非垃圾郵件，一部分是垃圾郵件。如何使用數(shù)據(jù)來區(qū)分它們呢?

先來考慮自下而上的方法，你會(huì)注意到，垃圾郵件往往有一些特征：長長的收件人列表，發(fā)送自尼日利亞，內(nèi)文提及百萬美元獎(jiǎng)金或者壯陽藥，問題是，完全有用的非垃圾郵件也可能具有這些特征，如果你看了足夠多的垃圾郵件和非垃圾郵件的例子，你可能會(huì)發(fā)現(xiàn)垃圾郵件不僅往往具有這些特征，這些特征還往往以特定的方式出現(xiàn)在一起(尼日利亞來源以及提及100萬美元獎(jiǎng)金意味著有問題)。

事實(shí)上，可能有某種微妙的更高級(jí)的相關(guān)性可用來將垃圾郵件與有用的非垃圾郵件區(qū)分開來——例如，拼寫錯(cuò)誤和IP地址比較特殊，如果檢測(cè)到那些特殊的模式，就可以過濾掉垃圾郵件。自下而上的機(jī)器學(xué)習(xí)技術(shù)正是這樣做的，學(xué)習(xí)者會(huì)得到數(shù)百萬個(gè)例子，每個(gè)例子都有某些特征，每個(gè)例子都被標(biāo)記為垃圾郵件(或者其他的類別)，計(jì)算機(jī)可以提取出區(qū)分二者的特征的模式，即便那些特征非常微妙。

那么自上而下的方法呢?舉例來說，你收到了一封來自《臨床生物學(xué)雜志》編輯的郵件，它談到你寫的其中一篇論文，說他們想要發(fā)表你的一篇文章，郵件來源不是尼日利亞，內(nèi)文也沒有提及偉哥和百萬美元獎(jiǎng)金，該郵件沒有垃圾郵件的任何特征，但通過使用已有的知識(shí)，并以一種抽象的方式思考產(chǎn)生垃圾郵件的過程，你可以斷定這封郵件是可疑的：

1.你知道垃圾郵件發(fā)送者試圖利用人類的貪婪從人們身上榨取錢財(cái)。

2.你還知道，正規(guī)的“開放獲取”期刊已經(jīng)開始通過向作者而非訂閱者收費(fèi)來覆蓋它們的成本，你也不從事臨床生物學(xué)之類的工作。

綜合所有的這些因素來看，我就可以提出一個(gè)關(guān)于郵件來源的新假設(shè)，它的目的是誘使學(xué)者付錢在假期刊上“發(fā)表”一篇文章，這封郵件和其他的垃圾郵件一樣，都源自于可疑的形成過程，盡管它看上去一點(diǎn)也不像垃圾郵件，你可以從一個(gè)例子中得出這個(gè)結(jié)論，你可以跳出郵件本身，通過谷歌搜索發(fā)來郵件的編輯的信息來進(jìn)一步驗(yàn)證你的假設(shè)。

用計(jì)算機(jī)術(shù)語來說，你是從一個(gè)“生成式模型”著手，它包括貪婪和欺騙等抽象概念，且描述了垃圾郵件的產(chǎn)生過程，這讓你能夠辨別典型的來自尼日利亞的垃圾郵件，但同時(shí)也讓你想象到許多不同種類的潛在的垃圾郵件，當(dāng)你收到來自《華爾街日?qǐng)?bào)》的郵件時(shí)，你可以逆向推斷：“這看起來就像那種從垃圾郵件生成過程中生成的郵件。”

人工智能新的令人興奮之處在于，人工智能研究人員最近開發(fā)出了這兩種強(qiáng)大而有效的學(xué)習(xí)方法，但評(píng)論認(rèn)為，這些方法本身并沒有什么新的深刻的東西。

自下而上的深度學(xué)習(xí)

在20世紀(jì)80年代，計(jì)算機(jī)科學(xué)家發(fā)明了一種巧妙的方法來讓計(jì)算機(jī)檢測(cè)數(shù)據(jù)中的模式：鏈結(jié)式(或稱神經(jīng)網(wǎng)絡(luò))架構(gòu)。這種方法在上世紀(jì)90年代陷入低潮，但最近隨著谷歌旗下DeepMind等強(qiáng)大的“深度學(xué)習(xí)”方法的崛起，它又重新煥發(fā)了生機(jī)。

例如，你可以為一個(gè)深度學(xué)習(xí)程序提供一組標(biāo)記為“cat”(貓)、“house”(房子)等等的網(wǎng)絡(luò)圖像。該程序能夠檢測(cè)區(qū)分這兩組圖像的模式，并使用這些信息正確地標(biāo)記新的圖像。

被稱為非監(jiān)督式學(xué)習(xí)的機(jī)器學(xué)習(xí)技術(shù)能夠從沒有標(biāo)記的數(shù)據(jù)中檢測(cè)出模式;它們就是去尋找一組特征——科學(xué)家稱之為因素分析。在深度學(xué)習(xí)機(jī)器中，這些過程在不同的層級(jí)上重復(fù)，有些程序甚至可以從像素或聲音的原始數(shù)據(jù)中發(fā)現(xiàn)相關(guān)的特征，例如計(jì)算機(jī)可能首先檢測(cè)原始圖像中對(duì)應(yīng)于邊和線的的模式，然后在這些模式中找到對(duì)應(yīng)于臉的模式，諸如此類。

另一種歷史悠久的自下而上的技術(shù)是強(qiáng)化學(xué)習(xí)。在20世紀(jì)50年代，斯金納(B. F. Skinner)在約翰·沃森(John Watson)的研究基礎(chǔ)上，通過給鴿子安排特定的獎(jiǎng)懲活動(dòng)，控制鴿子去執(zhí)行復(fù)雜的動(dòng)作——甚至指示空射導(dǎo)彈射向目標(biāo)。其基本理念是，鴿子得到獎(jiǎng)勵(lì)的行為會(huì)重復(fù)，而受到懲罰的行為不會(huì)重復(fù)，直到想要鴿子去做的行為做成了。即便是在斯金納的時(shí)代，這個(gè)簡(jiǎn)單的過程，一遍又一遍地重復(fù)，也可能會(huì)導(dǎo)致復(fù)雜的行為，計(jì)算機(jī)被設(shè)定成一次又一次地執(zhí)行簡(jiǎn)單的操作，操作規(guī)模之大超出了人類的想象，計(jì)算系統(tǒng)可以通過這種方式學(xué)習(xí)非常復(fù)雜的技能。

強(qiáng)化學(xué)習(xí)(來源于網(wǎng)絡(luò))

例如，谷歌的DeepMind研究人員將深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)結(jié)合起來，教計(jì)算機(jī)玩雅達(dá)利(Atari)的電子游戲，計(jì)算機(jī)根本不知道這些游戲是怎么玩的，一開始，它的行為是隨機(jī)的，它也僅僅得到屏幕在每個(gè)時(shí)刻的樣子以及它的得分情況方面的信息，深度學(xué)習(xí)幫助它解釋屏幕上的特征，強(qiáng)化學(xué)習(xí)則激勵(lì)系統(tǒng)獲得更高的分?jǐn)?shù)，這臺(tái)計(jì)算機(jī)很擅長玩其中的幾個(gè)游戲，但它也完全玩不好其他的對(duì)人類而言易如反掌的游戲。

通過以類似的方式結(jié)合使用深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)，DeepMind的AlphaZero程序取得了成功，先后在國際象棋和圍棋比賽中擊敗人類棋手，盡管它只具備基本的游戲規(guī)則知識(shí)和一些謀劃能力。AlphaZero還有一個(gè)有趣的特點(diǎn)：它可以與自己進(jìn)行數(shù)億次的對(duì)弈，在此過程中，它會(huì)清除導(dǎo)致落敗的錯(cuò)誤，同時(shí)重復(fù)和闡明帶來勝利的策略，這種系統(tǒng)，以及其他涉及到生成對(duì)抗網(wǎng)絡(luò)技術(shù)的系統(tǒng)，會(huì)在生成數(shù)據(jù)的同時(shí)也在觀察數(shù)據(jù)。

當(dāng)你有計(jì)算能力將這些技術(shù)應(yīng)用于非常龐大的數(shù)據(jù)集、數(shù)以百萬計(jì)的電子郵件或Instagram圖片或者語音記錄時(shí)，你就得以解決以前看起來非常困難的問題，這就是計(jì)算機(jī)科學(xué)中令人興奮的地方。

但是值得記住的是，這些問題——比如識(shí)別圖片里的貓或者像“Siri”這樣的口頭詞——對(duì)于一個(gè)蹣跚學(xué)步的人類來說是輕而易舉的，計(jì)算機(jī)科學(xué)最有趣的發(fā)現(xiàn)之一是，對(duì)我們來說十分容易的問題(如識(shí)別貓)對(duì)計(jì)算機(jī)來說卻很難——比下國際象棋或圍棋困難得多。計(jì)算機(jī)需要數(shù)以百萬計(jì)的例子來對(duì)對(duì)象進(jìn)行分類，而我們只需用幾個(gè)例子就可以對(duì)這些對(duì)象進(jìn)行分類。

自上而下的貝葉斯模型

自上而下的方法在早期的人工智能發(fā)展中扮演了重要角色，在2000年，它也經(jīng)歷了一次復(fù)興，以概率模型或貝葉斯生成模型的形式出現(xiàn)。

使用這種方法的早期嘗試面臨兩種問題。首先，大多數(shù)的例證模式一般可以用許多不同的假設(shè)來解釋：你來自期刊編輯的電子郵件可能是非垃圾郵件，只是看起來不太可能。其次，生成式模型所使用的概念從何而來?柏拉圖和喬姆斯基說，你生來就有這些東西，但是我們?nèi)绾谓忉屛覀兪侨绾螌W(xué)習(xí)最新的科學(xué)概念的呢?小孩子又是如何理解恐龍和宇宙飛船的呢?

貝葉斯模型將生成式模型和假設(shè)檢驗(yàn)與概率論相結(jié)合，旨在解決這兩個(gè)問題。貝葉斯模型讓你計(jì)算出在給定的數(shù)據(jù)下，某一特定假設(shè)成立的可能性，通過對(duì)我們已經(jīng)擁有的模型進(jìn)行小的系統(tǒng)性調(diào)整，并根據(jù)數(shù)據(jù)對(duì)其進(jìn)行檢驗(yàn)，我們有時(shí)可以從舊的概念和模型中創(chuàng)建新的概念和模型，但是這些優(yōu)勢(shì)被其他的問題所抵消，貝葉斯技術(shù)可以幫助你選擇兩個(gè)假設(shè)中哪個(gè)更有可能，但幾乎總是有大量的潛在假設(shè)，沒有一個(gè)系統(tǒng)可以有效地全盤考慮它們。

貝葉斯模型(來源于網(wǎng)絡(luò))

紐約大學(xué)的布倫登·萊克(Brenden Lake)和他的同事們用這種自上而下的方法解決了另一個(gè)對(duì)人類而言很簡(jiǎn)單，但對(duì)計(jì)算機(jī)非常困難的問題：識(shí)別不熟悉的手寫字符。看看日本畫卷上的一個(gè)字，即使你以前從未見過它，你也可以分辨出它是否與其他日本畫卷上的字符相似或不同，你可能能夠畫出它來，甚至可以根據(jù)你看到的這個(gè)字符設(shè)計(jì)出一個(gè)虛假的日本字符。

用于識(shí)別手寫字符的自上而下方法是，給計(jì)算機(jī)就每個(gè)字符提供數(shù)千個(gè)例子，并讓計(jì)算機(jī)提取出顯著的特征，而萊克團(tuán)隊(duì)則是給這個(gè)程序提供一個(gè)字符書寫過程的通用模型：筆畫要么向右，要么向左，完成一個(gè)筆畫以后，開始寫另一個(gè)，等等，當(dāng)程序看到一個(gè)特定的字符時(shí)，它可以推斷出最可能導(dǎo)致這個(gè)字符生成的筆畫順序——就像你基于垃圾郵件形成過程推斷出你的郵件可能是垃圾郵件一樣，然后它就可以判斷一個(gè)新字符是來自于這個(gè)筆畫順序還是來自于另一個(gè)不同的筆畫順序，它自己也可以產(chǎn)生一組類似的筆畫。

這個(gè)程序比應(yīng)用于完全相同的數(shù)據(jù)的深度學(xué)習(xí)程序要有效得多，而且它切實(shí)反映了人類的行動(dòng)過程。

這兩種機(jī)器學(xué)習(xí)方法各有優(yōu)缺點(diǎn)，在自下而上的方法中，程序一開始并不需要太多的知識(shí)，但是它需要大量的數(shù)據(jù)，并且只能以限定的方式進(jìn)行歸納，在自上而下的方法中，程序可以從幾個(gè)示例中學(xué)習(xí)，并做出更廣泛、更多樣的歸納，但是你需要在開始時(shí)為其灌輸更多的東西，許多研究人員目前正試圖將這兩種方法結(jié)合起來，利用深度學(xué)習(xí)來實(shí)現(xiàn)貝葉斯推理。

人工智能最近的成功在一定程度上是源于那些舊思想的延伸，但更重要的是，多虧了互聯(lián)網(wǎng)，我們有了更多的數(shù)據(jù)，多虧了摩爾定律，我們有了更多的計(jì)算能力來應(yīng)用那些數(shù)據(jù)。

此外，一個(gè)未被重視的事實(shí)是，我們所擁有的數(shù)據(jù)已經(jīng)被人類整理和處理過了，發(fā)布到網(wǎng)上的貓圖是典型的貓的圖片——人類已經(jīng)選擇的“好”圖片，谷歌翻譯之所以好用，是因?yàn)樗昧藬?shù)以百萬計(jì)的人工翻譯，將其歸納應(yīng)用到新的文本上，而不是真正理解句子本身。

兒童的學(xué)習(xí)方法與機(jī)器有何不同?

然而，關(guān)于兒童，真正值得注意的是，他們?cè)谀撤N程度上結(jié)合了每一種機(jī)器學(xué)習(xí)方法的最佳特征，并對(duì)它們完成巨大的超越。

在過去的15年里，發(fā)展主義者一直在探究孩子們從數(shù)據(jù)中學(xué)習(xí)結(jié)構(gòu)的方式，四歲的孩子只需要像自上而下的系統(tǒng)那樣從一兩個(gè)數(shù)據(jù)例子中歸納出非常不同的概念，就可以學(xué)習(xí)，但是他們也可以從數(shù)據(jù)本身學(xué)習(xí)新的概念和模型，就像自下而上的系統(tǒng)一樣。

例如，在實(shí)驗(yàn)室里，研究人員給孩子們一個(gè)“布利克特探測(cè)器”——一種他們從未見過的新機(jī)器，它是一個(gè)盒子，當(dāng)你把特定的物體放在上面時(shí)，它就會(huì)發(fā)光并播放音樂，研究人員只給孩子們舉了一兩個(gè)例子來說明這個(gè)機(jī)器是如何運(yùn)轉(zhuǎn)的，告訴他們，放兩個(gè)紅色的方塊在上面就可以讓它運(yùn)轉(zhuǎn)，放一個(gè)綠色方塊和一個(gè)黃色方塊則不行。

即使是18個(gè)月大的嬰兒也能立刻明白使得它運(yùn)轉(zhuǎn)的基本原理：兩個(gè)方塊必須是相同的。他們將這一原理推廣到新的例子中：例如，他們會(huì)選擇兩個(gè)形狀相同的物體來使得機(jī)器運(yùn)轉(zhuǎn)。在其他的實(shí)驗(yàn)中，研究人員已經(jīng)證明，孩子們甚至可以弄明白，是某種隱藏的無形屬性讓機(jī)器得以運(yùn)轉(zhuǎn)，或者是機(jī)器是基于某種抽象的邏輯原理運(yùn)轉(zhuǎn)的。

你也可以在孩子們的日常學(xué)習(xí)中看出這一點(diǎn)。即使數(shù)據(jù)相對(duì)較少，幼兒也能像成人科學(xué)家那樣迅速地學(xué)習(xí)抽象而直觀的生物學(xué)、物理學(xué)和心理學(xué)理論。

近年來，無論是自下而上還是自上而下方法，人工智能系統(tǒng)在機(jī)器學(xué)習(xí)方面所取得的顯著成就，都發(fā)生在一個(gè)由假設(shè)和概念構(gòu)成的有限而明確的空間中——一組精確的游戲片段和動(dòng)作，一組預(yù)先確定的圖像。相比之下，兒童和科學(xué)家則有時(shí)會(huì)以激進(jìn)的方式改變他們的概念，進(jìn)行范式轉(zhuǎn)變，而不是簡(jiǎn)單地調(diào)整他們已有的概念。

(來源于網(wǎng)絡(luò))

四歲的孩子能快速識(shí)別出貓和理解單詞的意思，但他們也能做出創(chuàng)造性的、令人驚訝的新推斷，這些推斷也遠(yuǎn)遠(yuǎn)超出他們的經(jīng)驗(yàn)范疇。例如，筆者自己的孫子最近解釋說，如果一個(gè)成年人想再次成為一個(gè)孩子，他應(yīng)該嘗試不吃任何健康的蔬菜，因?yàn)榻】档氖卟丝梢宰屢粋€(gè)孩子成長為一個(gè)成年人，這種看似合理的假設(shè)是任何成年人都不會(huì)接受的，小孩子才會(huì)做出這樣的假設(shè)。事實(shí)上，筆者和同事已經(jīng)系統(tǒng)地證明，學(xué)齡前兒童比大一點(diǎn)的兒童和成年人更善于提出不太可能的假設(shè)，我們幾乎不知道他們?cè)趺磿?huì)有這種創(chuàng)造性的學(xué)習(xí)和創(chuàng)新。

不過，看看孩子們都做些什么，可能會(huì)給程序員帶來一些有用的關(guān)于計(jì)算機(jī)學(xué)習(xí)方向的提示，兒童學(xué)習(xí)的兩個(gè)特點(diǎn)尤其引人注目，兒童是積極的學(xué)習(xí)者，它們不像人工智能那樣被動(dòng)地吸收數(shù)據(jù)。就像科學(xué)家做實(shí)驗(yàn)一樣，孩子們的內(nèi)在動(dòng)機(jī)是，通過他們無休止的玩耍和探索，從他們周圍的世界中獲取信息。

最近的研究表明，這種探索比表面上看起來更有系統(tǒng)性，并且能夠很好地找到有說服力的證據(jù)來支持假設(shè)的形成和理論選擇，所以，如果將“好奇心”植入機(jī)器，并讓它們與世界積極互動(dòng)，可能是讓它們的學(xué)習(xí)變得更真實(shí)、更廣泛的一條路徑。

其次，不同于現(xiàn)有的人工智能，兒童是社會(huì)和文化的學(xué)習(xí)者，人類不是在封閉的狀態(tài)下學(xué)習(xí)，而是利用過去幾代人所積累下來的智慧，最近的研究表明，甚至學(xué)齡前兒童也是通過模仿和聆聽他人來學(xué)習(xí)的，但是他們并不只是被動(dòng)地服從他們的老師，相反，他們以一種非常微妙和敏感的方式從他人那里獲取信息，對(duì)信息的來源和可信度做出復(fù)雜的推斷，并系統(tǒng)地將自己的經(jīng)歷與所聽到的內(nèi)容整合起來。

“人工智能”和“機(jī)器學(xué)習(xí)”聽起來很可怕，在某些方面確實(shí)如此，例如，這些系統(tǒng)被用來控制武器，我們真的應(yīng)該對(duì)此感到害怕。

然而，人的愚蠢比人工智能造成的破壞要大得多，我們需要變得比過去聰明得多，才能恰當(dāng)?shù)伛{馭這些新技術(shù)，但對(duì)于人工智能取代人類，還有無論是世界末日預(yù)言還是烏托邦式愿景，都沒有多少依據(jù)。

在我們解決學(xué)習(xí)的基本悖論之前，再好的人工智能也不如普通的四歲兒童。

(選自/史密森學(xué)會(huì)雜志 作者/Alison Gopnik 翻譯/網(wǎng)易智能 參與/樂邦 編輯/定西)

【網(wǎng)易智能訊 3月3日消息】

標(biāo)簽： 人工智能 孩子 聰明 學(xué)習(xí)