我們距離通用人工智能可能還有多遠？

其實人工智能的目標就是找尋那個通用人工智能，而類腦計算是實現(xiàn)它的一個重要途徑 。 通用智能和當下的智能到底有什么實質(zhì)性的區(qū)別， 作為本文結(jié)尾， 我們來看一下：

對數(shù)據(jù)的使用效率：?比如大腦對數(shù)據(jù)的應(yīng)用效率和 AI 算法并非一個等級， 你看到一個數(shù)據(jù)， 就可以充分的提取里面的信息，比如看到一個陌生人的臉， 你就記住他了， 但是對于目前的 AI 算法， 這是不可能的， 因為我們需要大量的照片輸入讓他掌握這件事。 我們可以輕松的在學完蛙泳的時候?qū)W習自由泳， 這對于 AI，就是一個困難的問題， 也就是說，同樣的效率， 人腦能夠從中很快提取到信息， 形成新的技能， AI 算法卻差的遠。

這是為什呢？ 可能這里的掛件體現(xiàn)在一種被稱為遷移學習的能力。雖然當下的深度學習算法也具備這一類舉一反三的遷移學習能力， 但是往往集中在一些真正非常相近的任務(wù)里， 人的表現(xiàn)卻靈活的多。這是為什么呢？ 也許， 目前的 AI 算法缺少一種元學習的能力。 和為元學習， 就是提取一大類問題里類似的本質(zhì)， 我們?nèi)祟惙浅Ｈ菀赘傻囊粋€事情。 到底什么造成了人工神經(jīng)網(wǎng)絡(luò)和人的神經(jīng)網(wǎng)路的差距， 還是未知的， 而這個問題也構(gòu)成一個非常主流的研究方向。

能耗比：如果和人類相比， 人工智能系統(tǒng)完成同等任務(wù)的功耗是人的極多倍數(shù)（比如阿法狗是人腦消耗的三百倍， 3000MJ vs 10MJ 5 小時比賽）。 如果耗能如此劇烈， 我們無法想象在能源緊張的地球可以很容易大量普及這樣的智能。 那么這個問題有沒有解呢？ ?當然有， 一種， 是我們本身對能量提取的能力大大增強， 比如小型可控核聚變實用化。 另一種， 依然要依靠算法的進步， 既然人腦可以做到的， 我們相信通過不斷仿生機器也可以接近。 這一點上我們更多看到的信息是， 人工智能的能耗比和人相比， 還是有很大差距的。

不同數(shù)據(jù)整合：?我們離終極算法相差甚遠的另一個重要原因可能是現(xiàn)實人類在解決的 AI 問題猶如一個個分離的孤島， 比如說視覺是視覺， 自然語言是自然語言， 這些孤島并沒有被打通。 相反，人類的智慧里， 從來就沒有分離的視覺， 運動或自然語言， 這點上看， 我們還處在 AI 的初級階段。 我們可以預(yù)想， 人類的智慧是不可能建立在一個個分離的認知孤島上的， 我們的世界模型一定建立在把這些孤立的信息領(lǐng)域打通的基礎(chǔ)上， 才可以做到真正對某個事物的認知， 無論是一個蘋果， 還是一只狗。

溝通與社會性：?另外， 人類的智慧是建立在溝通之上的， 人與人相互溝通結(jié)成社會， 社會基礎(chǔ)上才有文明， 目前的人工智能體還沒有溝通， 但不代表以后是不能的， 這點， 也是一個目前的 AI 水平與強 AI（超級算法）的距離所在。

有的人認為， 我們可以直接通過模擬大腦的神經(jīng)元，組成一個和大腦類似復(fù)雜度的復(fù)雜系統(tǒng)， 讓它自我學習和進化， 從而實現(xiàn)強 AI。 從我這個復(fù)雜系統(tǒng)專業(yè)的角度看， 這還是一個不太現(xiàn)實的事情。因為復(fù)雜系統(tǒng)里面最重要的是涌現(xiàn)，也就是說當組成一個集合的元素越來越多，相互作用越來越復(fù)雜， 這個集合在某個特殊條件下會出現(xiàn)一些特殊的總體屬性，比如強 AI，自我意識。 但是我們幾乎不可能指望只要我們堆積了那么多元素， 這個現(xiàn)象（相變）就一定會發(fā)生。

至于回到那個未來人工智能曲線發(fā)展展望的話題， 我們可以看到， 這些不確定的因素都會使得這條發(fā)展曲線變得不可確定。 然而有一點是肯定的， 就是正在有越來越多非常聰明的人， 開始迅速的進入到這個領(lǐng)域， 越來越多的投資也在進來。 這說明， AI 已經(jīng)是勢不可擋的稱為人類歷史的增長極， 即使有一些不確定性， 它卻不可能再進入到一個停滯不前的低谷了， 我們也許不會一天兩天就接近終極算法， 但卻一定會在細分領(lǐng)域取得一個又一個突破。無論是視覺， 自然語言， 還是運動控制。

能否走向通用人工智能的確是人工智能未來發(fā)展最大的變數(shù)， 或許， 我們真正的沉下心來去和大腦取經(jīng)還是可以或多或少的幫助我們。 因為本質(zhì)上， 我們在人工智能的研究上所作的， 依然是在模擬人類大腦的奧秘。 我們越接近人類智慧的終極算法， 就越能得到更好的人工智能算法。