蓋瑞·馬庫斯指出，只有建立一個全新的航道，才可能達到“可信的AI”這一目標。馬庫斯系統性地闡述了對當前AI研究界的批判，從認識科學領域中針對性地給出了11條可執行的建議。

第一，沒有銀(yin)彈——破除對“終極算法(fa)”的迷(mi)信(xin)

深(shen)(shen)度學習落入(ru)(ru)了“尋找銀彈”（銀彈在(zai)歐(ou)洲(zhou)民間傳說中(zhong)是吸血(xue)鬼和(he)狼人克(ke)星，引(yin)申(shen)義為致命武器、殺手锏）的(de)陷阱，用充滿“殘差項”和(he)“損失函數(shu)”等術語的(de)全(quan)新數(shu)學方法(fa)來分析世界(jie)，依然局限(xian)于(yu)“獎勵(li)最(zui)大化”的(de)角度，而(er)不去(qu)思考，若想獲得對世界(jie)的(de)“深(shen)(shen)度理(li)解”，整個體系中(zhong)還需要引(yin)入(ru)(ru)哪些東(dong)西。

神經科學(xue)告訴(su)我們大(da)腦(nao)是極為(wei)復(fu)雜(za)的(de)(de)。真正擁有智慧和復(fu)雜(za)性(xing)的(de)(de)系統(tong)，很有可(ke)能(neng)像大(da)腦(nao)一(yi)(yi)樣充滿復(fu)雜(za)性(xing)。任何一(yi)(yi)個(ge)提(ti)出(chu)將智慧凝練成為(wei)單(dan)(dan)一(yi)(yi)原則的(de)(de)理論，或是簡化成為(wei)單(dan)(dan)一(yi)(yi)“終極算法”的(de)(de)理論，都將誤(wu)入歧(qi)途。

第二，認知(zhi)大量利(li)用內部表征(zheng)——人類的認知(zhi)不是從(cong)出生(sheng)后的學(xue)習才開始，而是依賴于進(jin)化留(liu)下的先天表征(zheng)

從嚴格的(de)技術意義上(shang)(shang)講(jiang)，神經網絡也(ye)具有(you)表征(zheng)，比如表示輸入、輸出和隱(yin)藏單元的(de)向量，但幾乎完全不具備更加(jia)豐富的(de)內容(rong)。在經典人工智能中，知識完全是由這(zhe)類(lei)表征(zheng)的(de)積累所組(zu)成的(de)，而(er)推理(li)則是建立在此基(ji)礎之上(shang)(shang)的(de)。如果(guo)事(shi)實本(ben)身(shen)模糊不清，得到正確的(de)推理(li)就(jiu)會(hui)難于上(shang)(shang)青(qing)天。外顯表征(zheng)的(de)缺失，也(ye)在DeepMind的(de)雅達利(li)游戲(xi)系統中造成了類(lei)似的(de)問(wen)題(ti)。DeepMind的(de)雅達利(li)游戲(xi)系統之所以在《打磚(zhuan)塊》這(zhe)類(lei)游戲(xi)的(de)場景發(fa)生(sheng)稍(shao)許變化時便(bian)會(hui)崩潰，原因就(jiu)在于它實際(ji)上(shang)(shang)根本(ben)不表征(zheng)擋板、球(qiu)和墻壁等抽(chou)象概念(nian)。

沒(mei)(mei)有這樣的表征，就(jiu)不可能有認(ren)知模型。沒(mei)(mei)有豐富的認(ren)知模型，就(jiu)不可能有魯棒(bang)性。你所能擁(yong)有的只(zhi)是(shi)大(da)量的數據，然后指(zhi)望著新事(shi)物(wu)不會與之(zhi)前(qian)的事(shi)物(wu)有太大(da)的出入。當這個希望破滅(mie)時，整個體系便崩潰了(le)。

在為復(fu)雜問題(ti)構建有(you)效(xiao)系統時(shi)，豐富的(de)表(biao)征(zheng)通常是必不可少的(de)。DeepMind在開發以人類(或超人)水(shui)平下圍棋的(de)AlphaGo系統時(shi)，就放棄(qi)了(le)先前雅達利(li)游戲系統所采用的(de)“僅(jin)從像素學(xue)習”的(de)方法(fa)，以圍棋棋盤和圍棋規則(ze)的(de)詳細表(biao)征(zheng)為起(qi)步，一直用手工(gong)的(de)機制來尋(xun)找走棋策(ce)略的(de)樹形圖和各種(zhong)對抗手段。

第(di)三，抽象和概括(kuo)在認知中發揮著至(zhi)關重要的(de)作用

我(wo)(wo)們(men)(men)(men)(men)的(de)(de)認知(zhi)大部分是相當抽(chou)象的(de)(de)。例(li)如，“X是Y的(de)(de)姐(jie)妹(mei)(mei)”可用(yong)來形容(rong)許多不(bu)同(tong)的(de)(de)人之(zhi)間的(de)(de)關系:瑪(ma)利亞·奧巴(ba)馬是薩沙·奧巴(ba)馬的(de)(de)姐(jie)妹(mei)(mei)，安妮公主是查爾(er)(er)斯(si)王子(zi)的(de)(de)姐(jie)妹(mei)(mei)，等(deng)(deng)等(deng)(deng)。我(wo)(wo)們(men)(men)(men)(men)不(bu)僅知(zhi)道哪(na)些具體(ti)的(de)(de)人是姐(jie)妹(mei)(mei)，還(huan)(huan)知(zhi)道姐(jie)妹(mei)(mei)的(de)(de)一般意義，并能(neng)把這種知(zhi)識用(yong)在(zai)個(ge)體(ti)身上。比如，我(wo)(wo)們(men)(men)(men)(men)知(zhi)道，如果(guo)兩個(ge)人有相同(tong)的(de)(de)父母，他(ta)們(men)(men)(men)(men)就是兄(xiong)弟姐(jie)妹(mei)(mei)的(de)(de)關系。如果(guo)我(wo)(wo)們(men)(men)(men)(men)知(zhi)道勞(lao)拉(la)(la)·英(ying)格斯(si)·懷德是查爾(er)(er)斯(si)·英(ying)格斯(si)和(he)(he)卡羅琳·英(ying)格斯(si)的(de)(de)女(nv)兒，還(huan)(huan)發現瑪(ma)麗·英(ying)格斯(si)也是他(ta)們(men)(men)(men)(men)的(de)(de)女(nv)兒，那么我(wo)(wo)們(men)(men)(men)(men)就可以推(tui)斷，瑪(ma)麗和(he)(he)勞(lao)拉(la)(la)是姐(jie)妹(mei)(mei)，我(wo)(wo)們(men)(men)(men)(men)也可以推(tui)斷:瑪(ma)麗和(he)(he)勞(lao)拉(la)(la)很(hen)可能(neng)非常熟識，因(yin)為絕大多數(shu)人都和(he)(he)他(ta)們(men)(men)(men)(men)的(de)(de)兄(xiong)弟姐(jie)妹(mei)(mei)一起(qi)生(sheng)活過(guo);兩人之(zhi)間還(huan)(huan)可能(neng)有些相像，還(huan)(huan)有一些共同(tong)的(de)(de)基因(yin)特征;等(deng)(deng)等(deng)(deng)。

認知模(mo)型(xing)和常識的(de)(de)基(ji)礎(chu)表征都建立在這些抽(chou)象關(guan)系的(de)(de)豐(feng)富集合(he)之(zhi)上，以復(fu)雜(za)的(de)(de)結構組(zu)合(he)在一(yi)起。人(ren)類(lei)可(ke)以對(dui)任何東(dong)西進行(xing)抽(chou)象，時間(“晚上10:35”)、空間(“北極”)、特(te)殊事件(“亞伯拉(la)罕(han)·林肯被暗(an)殺(sha)”)、社會政治(zhi)組(zu)織(“美國國務院”“暗(an)網”)、特(te)征(“美”“疲勞”)、關(guan)系(“姐妹”“棋局(ju)上擊敗(bai)”)、理論(“馬克思主義”)、理論構造(“重力”“語法(fa)”)等，并將(jiang)這些東(dong)西用在句子、解釋、比較或故事敘述(shu)之(zhi)中，對(dui)極其復(fu)雜(za)的(de)(de)情況剝絲抽(chou)繭，得到最基(ji)礎(chu)的(de)(de)要素，從而令人(ren)類(lei)心智獲得對(dui)世界進行(xing)一(yi)般性(xing)推理的(de)(de)能力。

第(di)四，認知系(xi)統是(shi)高度結構化的

我們可(ke)以(yi)(yi)預期，真正的(de)人工(gong)智能(neng)很(hen)可(ke)能(neng)也是高度(du)結構(gou)化的(de)，在應對(dui)(dui)給定的(de)認知挑(tiao)戰時，其大部分能(neng)力也將源自在正確(que)的(de)時間以(yi)(yi)正確(que)的(de)方式(shi)對(dui)(dui)這種結構(gou)進(jin)行利用。具有諷刺意味的(de)是，當前的(de)趨勢(shi)與這樣(yang)的(de)愿(yuan)景幾乎完全相反(fan)。現在的(de)機器(qi)學(xue)習(xi)界偏向(xiang)于(yu)利用盡(jin)可(ke)能(neng)少的(de)內部結構(gou)形成單一同質機制的(de)端到端模型(xing)。

在某種程度(du)上(shang)，這樣(yang)的(de)(de)系統從概念(nian)上(shang)來看(kan)(kan)更簡(jian)單(dan)(dan)，用不(bu)著為(wei)(wei)感知、預測(ce)(ce)等分別設計單(dan)(dan)獨(du)的(de)(de)算(suan)法。而且，初(chu)看(kan)(kan)起來，該模型大(da)體上(shang)效果還算(suan)理想，有一部(bu)令(ling)人印象深刻的(de)(de)視頻(pin)似(si)乎也證明了這一點。那(nei)么，既然(ran)(ran)用一個龐大(da)的(de)(de)網絡(luo)和正確(que)的(de)(de)訓練(lian)集就能簡(jian)單(dan)(dan)易(yi)行地(di)達(da)到目標，為(wei)(wei)什么還要將感知、決策(ce)和預測(ce)(ce)視為(wei)(wei)其(qi)中(zhong)的(de)(de)獨(du)立模塊，然(ran)(ran)后費心費力地(di)建立混(hun)合系統呢?

問(wen)題就在(zai)于，這樣的(de)系統幾(ji)乎不(bu)具備所需的(de)靈活性。

 在關鍵的應(ying)用場(chang)景中，最優秀的AI研究人員致力于解(jie)決復(fu)雜(za)問(wen)題(ti)時，常常會使用混(hun)合(he)系(xi)統，我們(men)預(yu)期(qi)，這樣的情況在未(wei)來會越來越多。AI和(he)大腦一樣，必須(xu)要有(you)結構，利用不(bu)同(tong)的工具來解(jie)決復(fu)雜(za)問(wen)題(ti)的不(bu)同(tong)方面。

第五(wu)，即便是看似簡單的認知，有時也需要(yao)多種(zhong)工具

大(da)腦也利(li)(li)用(yong)(yong)(yong)幾種不(bu)同(tong)(tong)的(de)模式(shi)來處(chu)理概(gai)念，利(li)(li)用(yong)(yong)(yong)定義，利(li)(li)用(yong)(yong)(yong)典型特(te)征，或利(li)(li)用(yong)(yong)(yong)關(guan)鍵示例。我們經常會同(tong)(tong)時關(guan)注某個類別的(de)特(te)征是(shi)什么(me)，以(yi)及為了令其滿足某種形式(shi)的(de)標準，必須符合什么(me)條件。

AI面(mian)臨的(de)(de)(de)(de)一個關(guan)鍵(jian)挑(tiao)戰，就是(shi)在捕(bu)捉抽象事實的(de)(de)(de)(de)機(ji)(ji)制(zhi)(zhi)(絕大多數哺乳動物是(shi)胎生)和(he)處理這(zhe)個世界不可避(bi)免的(de)(de)(de)(de)異常(chang)情況的(de)(de)(de)(de)機(ji)(ji)制(zhi)(zhi)(鴨嘴獸這(zhe)種(zhong)哺乳動物會產卵)之間，尋求相對的(de)(de)(de)(de)平衡。通用(yong)人(ren)工(gong)智能既需(xu)要能識(shi)別(bie)圖像(xiang)的(de)(de)(de)(de)深度學習機(ji)(ji)制(zhi)(zhi)，也需(xu)要能進行推理和(he)概括的(de)(de)(de)(de)機(ji)(ji)制(zhi)(zhi)，這(zhe)種(zhong)機(ji)(ji)制(zhi)(zhi)更(geng)接(jie)近于(yu)經典(dian)人(ren)工(gong)智能的(de)(de)(de)(de)機(ji)(ji)制(zhi)(zhi)以及規則和(he)抽象的(de)(de)(de)(de)世界。

要獲得適用(yong)范圍(wei)更廣的(de)AI，我(wo)(wo)們(men)必須將(jiang)許多不同的(de)工具組(zu)織在一(yi)起，有(you)些(xie)是老(lao)舊的(de)，有(you)些(xie)是嶄新的(de)，還有(you)一(yi)些(xie)是我(wo)(wo)們(men)尚(shang)未(wei)發現的(de)。

第六，人類思想(xiang)和(he)語言是由成分組成的(de)

在喬姆(mu)斯基(ji)看來，語(yu)(yu)言(yan)的(de)(de)(de)本質，用(yong)更(geng)早(zao)期(qi)的(de)(de)(de)一(yi)位語(yu)(yu)言(yan)學家威廉·馮·洪堡(Wilhelm von Humboldt)的(de)(de)(de)話來說，就是“有限(xian)(xian)方(fang)法的(de)(de)(de)無限(xian)(xian)使用(yong)”。借有限(xian)(xian)的(de)(de)(de)大(da)腦和有限(xian)(xian)的(de)(de)(de)語(yu)(yu)言(yan)數(shu)據，我(wo)(wo)們(men)創造出(chu)了(le)一(yi)種語(yu)(yu)法，能(neng)讓(rang)我(wo)(wo)們(men)說出(chu)并(bing)理解無限(xian)(xian)的(de)(de)(de)句(ju)子，在許多情況下，我(wo)(wo)們(men)可以(yi)用(yong)更(geng)小的(de)(de)(de)成分構造出(chu)更(geng)大(da)的(de)(de)(de)句(ju)子，比如(ru)用(yong)單詞和短(duan)語(yu)(yu)組(zu)成上(shang)面這(zhe)句(ju)話。如(ru)果我(wo)(wo)們(men)說，“水(shui)手(shou)愛(ai)上(shang)了(le)那個(ge)女(nv)(nv)孩”，那么我(wo)(wo)們(men)就可以(yi)將(jiang)這(zhe)句(ju)話作(zuo)為組(zu)成要素，用(yong)在更(geng)大(da)的(de)(de)(de)句(ju)子之(zhi)中，“瑪(ma)麗亞想象水(shui)手(shou)愛(ai)上(shang)了(le)那個(ge)女(nv)(nv)孩”，而這(zhe)個(ge)更(geng)大(da)的(de)(de)(de)句(ju)子還可以(yi)作(zuo)為組(zu)成要素，用(yong)在還要大(da)的(de)(de)(de)句(ju)子之(zhi)中“克(ke)里斯寫(xie)了(le)一(yi)篇關于(yu)瑪(ma)麗亞想象水(shui)手(shou)愛(ai)上(shang)了(le)那個(ge)女(nv)(nv)孩的(de)(de)(de)文章”，以(yi)這(zhe)樣的(de)(de)(de)方(fang)式(shi)接著類推(tui)，每一(yi)句(ju)話我(wo)(wo)們(men)都可以(yi)輕(qing)松理解。

神經(jing)網絡(luo)先驅學者(zhe)杰弗里·欣頓一直在為(wei)他提出的(de)“思維向(xiang)量”而發聲。在深(shen)度學習中，每個輸入和(he)輸出都可以被描述(shu)為(wei)一個向(xiang)量，網絡(luo)中的(de)每個“神經(jing)元”都為(wei)相(xiang)關向(xiang)量貢(gong)獻一個數字。由此，許多(duo)年以來，機器學習領域的(de)研究人員(yuan)一直試圖將(jiang)單詞以向(xiang)量的(de)形式進(jin)行編碼，認為(wei)任何兩個在意義上相(xiang)似的(de)單詞都應該使用(yong)相(xiang)似的(de)向(xiang)量編碼。

類似的(de)技(ji)術被谷歌(ge)(ge)所采用，并體現在了谷歌(ge)(ge)最近在機器翻譯方面取得的(de)進展(zhan)之中。那么，為(wei)什(shen)么不(bu)以(yi)這種方式來表征所有的(de)思想呢?

因為句子(zi)和(he)(he)單詞不(bu)(bu)同(tong)。我們不(bu)(bu)能通過單詞在(zai)(zai)各(ge)類情(qing)況(kuang)下的(de)(de)(de)(de)用(yong)(yong)法(fa)來推測其意思(si)。例如(ru)貓的(de)(de)(de)(de)意思(si)，至少與我們聽說(shuo)過的(de)(de)(de)(de)所有“貓”的(de)(de)(de)(de)用(yong)(yong)法(fa)的(de)(de)(de)(de)平均情(qing)況(kuang)有些許相(xiang)似(si)，或(huo)(從技術角(jiao)度(du)講)像是深度(du)學習(xi)系統用(yong)(yong)于表征的(de)(de)(de)(de)矢量空間中(zhong)的(de)(de)(de)(de)一堆點。但每(mei)一個句子(zi)都是不(bu)(bu)同(tong)的(de)(de)(de)(de):John is easy to please(約(yue)翰(han)很好哄(hong))和(he)(he)John is eager to please(約(yue)翰(han)迫不(bu)(bu)及待的(de)(de)(de)(de)想要取悅別(bie)人)并不(bu)(bu)是完(wan)全(quan)相(xiang)似(si)的(de)(de)(de)(de)，雖然兩句話(hua)中(zhong)的(de)(de)(de)(de)字母乍看去并沒有多大區別(bie)。John is easy to please和(he)(he)John is not easy to please的(de)(de)(de)(de)意思(si)則完(wan)全(quan)不(bu)(bu)同(tong)。在(zai)(zai)句子(zi)中(zhong)多加一個單詞，就能將(jiang)句子(zi)的(de)(de)(de)(de)整(zheng)個意思(si)全(quan)部改(gai)變。深度(du)學習(xi)在(zai)(zai)沒有高度(du)結(jie)構(gou)化句子(zi)表征的(de)(de)(de)(de)情(qing)況(kuang)下工(gong)作，往往會在(zai)(zai)處(chu)理細微差別(bie)時遇到問題(ti)。

這個例子(zi)告訴我(wo)們:統(tong)計數字(zi)經(jing)常能(neng)近似地表(biao)示意義(yi)，但永遠(yuan)不(bu)(bu)可能(neng)抓(zhua)住真正的意思(si)。如果不(bu)(bu)能(neng)精(jing)準地捕(bu)捉單個單詞的意義(yi)，就更不(bu)(bu)能(neng)準確地捕(bu)捉復(fu)雜的思(si)想或描(miao)述它們的句子(zi)。

第七，對(dui)世(shi)界(jie)的魯棒(bang)理解，既需要(yao)自上向下的知識，也需要(yao)自下而上的信息

看(kan)一看(kan)這幅圖片(pian)。這是個(ge)字母，還是個(ge)數字?

很明顯，這幅(fu)圖片既可(ke)以(yi)是字(zi)母，也可(ke)以(yi)是數字(zi)，具體(ti)取決于它所在的上下(xia)文(wen)。

認知(zhi)心理學家(jia)將(jiang)知(zhi)識分為兩類:自(zi)下(xia)而(er)上的(de)信息，是直接來自(zi)我(wo)們(men)(men)感官(guan)的(de)信息;還有自(zi)上而(er)下(xia)的(de)知(zhi)識，是我(wo)們(men)(men)對世界(jie)(jie)的(de)先驗知(zhi)識,例如,字母(mu)和(he)(he)數字是兩個不同的(de)類別，單詞和(he)(he)數字是由來自(zi)這些類別之中的(de)元素(su)所組成的(de)，等等。這種模棱兩可的(de)B/13圖像，在(zai)不同的(de)上下(xia)文中會呈(cheng)現(xian)出不同的(de)面貌(mao)，因為我(wo)們(men)(men)會嘗試(shi)著將(jiang)落(luo)在(zai)視(shi)網膜上的(de)光線與合乎邏輯的(de)世界(jie)(jie)相結合。

找到(dao)一種方法(fa)將自下而(er)上和自上而(er)下兩者(zhe)整合為一體，是人(ren)工智能的當務之急，卻常常被人(ren)忽視。

人類對任(ren)何一個概念(nian)(nian)的(de)認(ren)知，都取決于概念(nian)(nian)出(chu)現的(de)上下文和(he)其所屬的(de)理論框架。識別出(chu)不同的(de)應用場景(jing)，不僅可以(yi)顯著減(jian)少所需數據(ju)，還能夠讓AI變(bian)得更加可信任(ren)。如果(guo)AI可以(yi)區分(fen)畫中(zhong)的(de)一把刀和(he)真(zhen)實場景(jing)下的(de)刀，就(jiu)可以(yi)做出(chu)不同的(de)反應。

同時(shi)，人類會(hui)對每個(ge)事物和人的(de)(de)個(ge)體分別進行(xing)持續的(de)(de)觀察和跟蹤，以此(ci)來將(jiang)不同時(shi)間點的(de)(de)數據進行(xing)統一的(de)(de)分析。這也是AI需要(yao)向人類學習的(de)(de)方(fang)式(shi)。

第八，概念嵌于理(li)論(lun)之中

嵌入在理論中的(de)概念對(dui)有效學習至關重要。假設一位(wei)學齡前兒童第一次看(kan)到(dao)鬣蜥(xi)的(de)照片。從(cong)此(ci)之后，孩(hai)子們(men)就能認出(chu)其他照片上的(de)、視頻中的(de)和現實生活中的(de)鬣蜥(xi)，而且準確率相(xiang)(xiang)當高，很容易(yi)就能將(jiang)鬣蜥(xi)與(yu)袋鼠甚(shen)至其他蜥(xi)蜴區分開來(lai)。同(tong)樣，孩(hai)子能夠從(cong)關于動物的(de)一般(ban)知識中推斷出(chu)，鬣蜥(xi)會(hui)吃東西，會(hui)呼吸，它們(men)生下來(lai)很小，會(hui)長大，繁殖，然(ran)后死去(qu)，并(bing)意(yi)識到(dao)可能有一群鬣蜥(xi)，它們(men)看(kan)起來(lai)或(huo)(huo)多或(huo)(huo)少都(dou)有些相(xiang)(xiang)似，行為方式(shi)也(ye)相(xiang)(xiang)似。

沒有哪個事(shi)(shi)實是一座(zuo)孤島。通(tong)用(yong)人工(gong)智能(neng)若想獲得成功(gong)，就需要將(jiang)獲取到的(de)(de)(de)事(shi)(shi)實嵌入到更(geng)加豐(feng)富的(de)(de)(de)、能(neng)幫助將(jiang)這(zhe)些事(shi)(shi)實組織起來的(de)(de)(de)高(gao)層級理論(lun)之中。

第九，因果關系是理解世界的基礎

深度(du)學習能否(fou)成功，在(zai)嘗試之前是無法(fa)確證的(de)，AlphaGo的(de)設(she)計者在(zai)設(she)計之初(chu)也不確定能否(fou)取得如今的(de)成績，畢竟深度(du)學習能夠找到的(de)規(gui)律只是相關性，而非因果性。

圍(wei)棋的(de)(de)棋盤形(xing)式和(he)(he)游戲規則構(gou)成了一(yi)個相(xiang)對(dui)簡(jian)單的(de)(de)因(yin)果(guo)模型(xing)，只有勝(sheng)負(fu)的(de)(de)結果(guo)和(he)(he)單一(yi)的(de)(de)時(shi)間(jian)顆粒度，影響(xiang)勝(sheng)負(fu)的(de)(de)因(yin)素(su)只有自己如何下棋。因(yin)此(ci)，和(he)(he)贏棋相(xiang)關的(de)(de)走法，就(jiu)等同于導致AI更強的(de)(de)算法改進。

但現實中，尤其是在(zai)2B的應用場景下，AI需要在(zai)多維度和長時間尺度下，做出同時滿足多種評價標準的決策，此時相關性(xing)就不(bu)等(deng)同于因果(guo)性(xing)。

第十，我們針(zhen)對逐個的人和事件進(jin)行跟進(jin)

你(ni)的(de)另一(yi)(yi)半以前(qian)當過記(ji)者，喜歡(huan)(huan)喝白蘭地(di)，不(bu)(bu)那么喜歡(huan)(huan)威(wei)士忌。你(ni)的(de)女兒以前(qian)特別害(hai)怕(pa)暴(bao)風(feng)雨(yu)，喜歡(huan)(huan)吃冰激凌，沒那么喜歡(huan)(huan)吃曲奇餅。你(ni)車子(zi)的(de)右后門被撞(zhuang)了個小坑，一(yi)(yi)年前(qian)你(ni)更換了車子(zi)的(de)變速(su)器(qi)。街角那家(jia)小商(shang)店，以前(qian)賣的(de)東(dong)西(xi)質量特別好(hao)，后來轉(zhuan)手給新老板之后，東(dong)西(xi)的(de)質量就一(yi)(yi)天(tian)不(bu)(bu)如一(yi)(yi)天(tian)。我們對(dui)世界的(de)體驗，是(shi)由許多持續(xu)存在、不(bu)(bu)斷變化(hua)的(de)個體組成(cheng)的(de)，而(er)我們的(de)許多知(zhi)識，也是(shi)圍繞(rao)著這些個體事物(wu)而(er)建立起來的(de)。不(bu)(bu)僅包(bao)括汽車、人物(wu)和商(shang)店，還包(bao)括特定(ding)的(de)實(shi)體，及其特定(ding)的(de)歷史和特征(zheng)。

奇怪(guai)的(de)(de)是(shi)，這并非深度(du)(du)學(xue)習(xi)(xi)與生(sheng)俱來的(de)(de)觀點。深度(du)(du)學(xue)習(xi)(xi)以類別為(wei)重點，而不以個體為(wei)重點。通常(chang)情況下，深度(du)(du)學(xue)習(xi)(xi)善于歸(gui)納(na)和概(gai)括:孩子(zi)都喜歡吃(chi)甜食，不那(nei)么(me)喜歡吃(chi)蔬菜，汽車有(you)四個輪子(zi)。這些事實(shi)(shi)，是(shi)深度(du)(du)學(xue)習(xi)(xi)系統善于發現和總結的(de)(de)，而對關于你的(de)(de)女兒和你的(de)(de)車子(zi)的(de)(de)特(te)定(ding)事實(shi)(shi)，則沒什么(me)感覺。

第十一(yi)，復雜的認知生物體并(bing)非白板一(yi)塊

人工(gong)智能要(yao)獲得真正的(de)進步，首先(xian)要(yao)搞(gao)清楚應該(gai)內置(zhi)何種知識和(he)表征，并以此(ci)為起點來啟(qi)動其(qi)他的(de)能力(li)。

我(wo)們(men)整(zheng)個(ge)行業，都需要(yao)(yao)學(xue)習如何(he)利用對實體對象的(de)(de)(de)核(he)心理解來(lai)進(jin)一(yi)(yi)步了解世界，在(zai)此(ci)基(ji)(ji)礎(chu)之上構建起系統(tong)，而不是單純憑借像素和(he)(he)行為(wei)之間的(de)(de)(de)相關(guan)(guan)性(xing)(xing)來(lai)學(xue)習一(yi)(yi)切，以此(ci)為(wei)系統(tong)的(de)(de)(de)核(he)心。我(wo)們(men)所謂的(de)(de)(de)“常識(shi)(shi)”，大(da)部分(fen)是后天習得(de)的(de)(de)(de)，比如錢包是用來(lai)裝錢的(de)(de)(de)、奶酪(lao)可以打成碎屑(xie)，但幾乎所有這(zhe)些常識(shi)(shi)，都始(shi)于對時間、空(kong)間和(he)(he)因果關(guan)(guan)系的(de)(de)(de)確定(ding)感(gan)知。所有這(zhe)一(yi)(yi)切的(de)(de)(de)基(ji)(ji)礎(chu)，可能(neng)就是表征抽象、組合(he)性(xing)(xing)，以及持(chi)續存在(zai)一(yi)(yi)段時間(可以是幾分(fen)鐘(zhong)，也可以是數(shu)十年)的(de)(de)(de)對象和(he)(he)人(ren)等個(ge)體實體的(de)(de)(de)屬性(xing)(xing)的(de)(de)(de)內在(zai)機(ji)制(zhi)。如果機(ji)器想要(yao)(yao)學(xue)習尚無法掌(zhang)握的(de)(de)(de)東(dong)西(xi)，那么從一(yi)(yi)開始(shi)就需要(yao)(yao)擁(yong)有這(zhe)樣的(de)(de)(de)基(ji)(ji)礎(chu)。