有些人認為，人類是按照造物主的形象設計的。當涉及到真正的人工智能（這可能是我們最偉大的發(fā)明）時，我們也曾嘗試做同樣的事情。人工智能的一個典型方法是用數字形式再現人腦。但頂尖科學家表示，靈感將來自其他地方。事實上，試圖完美地模仿人類大腦是在浪費時間。
“我們并沒有真正了解人類思維”，紐約市巴納德學院的天文學家Janna Levin說，他同時領導了一個關于人工智能技術和倫理未來的小組。“我們認為，通過映射，我們可以理解人類思維，但這并沒有實現。”
“當我們不理解人類思維時，我們又如何創(chuàng)造人工智能呢？”
據該小組的人工智能研究人員稱，這是一個棘手的問題。我們無法完美地模擬人腦。相反，我們應該把時間花在解鎖智力的基本原則上。
Max Tegmark是麻省理工學院的物理學家，也是生命未來研究所的主任。他說，過于關注大腦只是“碳沙文主義”（此理論認為身為以碳為主體的生物，尚未接觸任何地外生命的人類很難憑空想像截然不同的生化理論）。盡管到目前為止科學家們還沒有找到它的奧秘，但大腦的運作方式并沒有什么神奇之處。“我們太沉迷于大腦的運作方式，”Tegmark說，“我認為這是缺乏想象力的表現。”
歷史證明了他的觀點。在維多利亞時代，一位名叫Clément Ader的工程師建造了第一個比空氣重的飛行器。他模仿了蝙蝠來建造。這些機器不過是兩側有大型蝙蝠翅膀的椅子。Ader用這個幾乎無法控制的裝置飛行了幾百米。但是，如果他是第一個飛行成功的人，為什么眾人只知道萊特兄弟卻不知道他呢？
Ader第三版的飛行器。雖然它可以維持飛行，但它的蒸汽動力引擎完全無法控制。
盡管用我們自己的形象創(chuàng)造人工智能并不是一種可行的方式，但小組當晚的討論依然回到生物學領域。正如Levin所說，人類智慧和意識仍然是我們最好的例證。
“你可以從生物學中獲得靈感，但你絕不能機械地復制它”，Facebook的人工智能研究主管揚·勒丘恩說。“從工程的角度來看，追溯進化將非常困難。”由于進化缺乏能動性，創(chuàng)造出有智力的猿猴靠的不是有意識的努力或決定。相反，我們能走到今天，是因為數百萬年的隨機突變，讓我們活得足夠長，能夠繁衍后代。
最大化或簡化我們大腦的智力和推理能力從來都不是問題的一部分。人類的大腦是極其復雜的。它充滿了各種機制，可以在子宮里自我配置，還能長期自我修復。機器不需要這些，因為處理配置的過程由人類完成。它只需要接收數據，處理并學習數據。
人工智能先驅揚·勒丘恩在Pioneer Works的最新“科學爭議”小組發(fā)表講話。一起發(fā)言的還包括著名物理學家Max Tegmark和主持人Janna Levin，巴納德學院的天文學家。
勒丘恩解釋說，對于更傳統(tǒng)的監(jiān)督學習方法，人類必須在機器自身完成有意義的工作之前，向系統(tǒng)提供數以千計的例子。例如，一個圖像識別算法需要看到無數的蘋果，才能在照片中識別出一個蘋果。第二種方法是強化學習，在這種學習中，人工智能系統(tǒng)或神經網絡——與大腦相似的算法——彼此相互訓練。這種方法通常只適用于游戲。一個下棋的人工智能可以玩幾百萬次游戲，了解游戲規(guī)則只需要分分鐘而已。
但這兩種方法都不完美。這兩種方法都不會產生一種真正使其理解這個世界的人工智能。在監(jiān)督學習中，人類仍在做著所有繁重的工作，而那些下棋電腦則一無所知。
“我們用非常愚蠢的方式訓練神經網絡，”勒丘恩說，“和人類與動物訓練自己的方式完全不同。”嬰兒在兩個月大的時候就知道物體永存性。當他們半歲的時候，他們能憑直覺感知物質世界的運作方式。但我們無法在我們的機器中啟動這種無監(jiān)督的學習（如果有人能成功，那么很可能是勒丘恩和他的Facebook團隊，因為只有大公司才有資源和架構來訓練高水平的神經網絡）。但在小組討論中，他聳了聳肩：“我們也沒辦法做到這一點。”
這就是為什么對人工智能來說，生物基礎是至關重要的，而非對人類大腦的完美重構。沒有其他模式供程序員參考。人類的大腦是一個科學奇跡，但并不是唯一的答案。這些研究人員需要記住，人類和隱藏在我們頭骨中的超級計算機沒有什么特別之處，它們不應該試圖創(chuàng)造出新的東西。
