“没有机器人就没有人工智能”，作者说。

人工智能近几年一向都是火热的话题。少部分人，像霍金和特斯拉CEO马斯克，一向提示人类要小心人工智能。有可能人工智能会是人类迄今为止最巨大的发明，也是最后一项发明。阿尔法狗与人类的对弈无疑又将“人工智能”这一话题推优势口浪尖。

但谷歌AlphaGo是真正的人工智能吗？至少高泰机器人创始人Jean-Christophe Baillie认为它不是人工智能。

什么是人工智能，什么不是人工智能，从某种程度上来说，只是一个如何定义的题目。无法否认的是，谷歌AlphaGo确实克服了世界围棋冠军李世石。而且AlphaGo和类似的深度学习方法在近年来已经能够做到解决一些相称复杂题目。

但这就意味着我们进入周全人工智能时代或者强人工智能（Artificial General Intelligence，AGI）时代了吗？答案是否定的，下面我们来看看为什么。

建立强人工智能的关键点就是人工智能能够理解并开拓本身的世界，理解它将会碰到的，所有听到的、看到的，以及会说的、会做的任何事情。假如这一点无法做到的话，那么你只能停在现今人工智能的条理：对四周环境缺乏了解，只能寄托设计者饬令做出反应，也就是说，这小我工智能产品根本不知道它是谁，它从哪来，它要干嘛，而且对专业知识的掌握也是局促领域范围内的。

认知题目可能是如今人工智能领域尚未得到解决的最基本题目。

普林斯顿大学生理学系的Stevan Harnad是最早阐述这个题目的人之一，1990年发表论文《符号基础题目》（The symbol Grounding Problem）。。即使你不信赖我们正在对符号进行操作，这一点确实是值得嫌疑的，但是题目依然存在：体系内部的统统代表的接地题目都与外部的真实环境相联系。


更明确的说，认知题目涉及到下面四个小题目：

    你如何对智能体（人类或人工智能）从外界中所接收到的信息进行组织？

    如何这些有组织的信息与对应的外部世界建立联系，或者按照上面的话说，如何为人工智能建构“意义”？

    如何使各个产品的“理解能力”保持同等？（否则，各个产品就无法进行沟通。产品间无法互相理解，无法达到智能。）

    如何设计实体的决策（做什么和不做什么）机制?
       
   为什么机器人做不少事情却还像什么都没做过一样？如何将这统统都设计进它的动作程序？

第一个题目就是如何组织信息，这一题目已经被深度学习和类似的非人工监控性学习算法很好地解决，比如AlphaGo项目。因为迩来计算服从的进步以及对擅长并行信息处理的GPU（图形处理单元）的使用，我们在信息结构化这个领域已经取得了伟大的提高。这些算法真正做的是将表达在高维度空间的极其复杂的旌旗灯号降维，并在此过程中尽量削减信息损失。从信息处理的角度来看，这些算法可以“捉住”信息中最为关键的部分。

“没有机器人技术就没有人工智能••••••这个理念常被称为‘载体题目’。并且，人工智能领域的大多数研究人员都附和智能和载体是紧密相连、不可分割的团体。每个不同的身体都有着其与众不同的才能。这一点，在动物的世界里表现得很清楚。”

第二个题目，是将知识和实际世界联系起来，或者，创造“理解能力”的题目，这个题目与机器人技术紧密相干。由于机器人必要一个身体与外界互动，并且，为了与外界互动也必要如许与外界的联系。这也就是为什么我说人工智能离不开机器人技术了（虽然也有一些特别很是棒的机器人可以离开人工智能，但是这就是另外一个话题了）。

这个过程是从简单的事情开始的。比如，理解本身的身体部位，控制本身在身边的范围内达到预期的结果，学会建立本身对空间、距离、颜色等的理解。研究员凯文.里根及其“感觉活动理论”对这一题目进行了广泛研究。不过他的研究只是所有统统的开始，由于接下来你还要在基础的感觉活动结构上建立越来越多的抽象概念。我们还没有达到这一步，但这正是这个题目的研究近况。

第三个题目就是文化起源题目。有些动物会表现出某种简单的文化情势，甚至是隔代获得的能力，不这这些文化情势特别很是有限，而且只有人类能够达对所获得的知识（也就是我们所说的文化）以指数级进行增加的极限。文化是智能的需要催化剂，假如人工智能没有文化交流能力的话就只是学术好奇心而已。

但是，文化是无法被手工编码进机器的，文化必须有一个学习的过程。皮亚杰和迈克尔•托马塞洛通过研究儿童习得文化的能力，他们发现，发展生理学是理解前面所说的学习过程的最佳体例。同时，发展生理学也为机器人学带来了新的学科，即“发展机器人学”。该机器人以孩童为模板（例如上图中的iCub机器人）。

“文化是理解能力必不可少的催化剂。一项人工智能产品，假如没与文化互动的能力，就只能被称作是一件学术研究的产物。但是，文化无法被编码进机器；它必须有一个学习的过程。”

此外，这还与语言学习研究密切相干，作为研究人员，语言学习也是我密切关注的话题之一。卢克.斯蒂尔以及其他研究人员的研究效果注解我们可以将语言获取作为一个进化过程：代理通过与外界互动来创造新的含义，并使用这些新的含义与其他代理进行沟通，然后再选择最成功的结构来帮助其进行沟通。和生物进化一样，经过数百次的试验和失败后，体系进化出了最好的意义和句法、语法转化结构。

这个过程已经经过实验测试。测试效果透露表现，其过程和天然语言的发展与增加过程有着惊人的相似。风趣的是，这必要习得一个概念后，敏捷学习。但像深度学习如许复杂的统计模型就很难诠释清楚了。一些实验室正在用这种体例进一步研究如何习得语法、手势和更复杂的文化习俗，尤其是我在法国机器人公司“亚鲁迪巴（Aldebaran）”创立的人工智能实验室。该公司如今是软银集团的一部分，而且已经创新了机器人NAO、Romeo,和Pepper。（见下图）

最后，第四个题目，就是我们所说的“内在动机”题目。智能体做了很多事情却就像没做过一样？生存必要并不足诠释所有人类的举动。

即使人被极好地喂养和珍爱起来，人类也不会只是坐着，什么也不做，等待饥饿再次来临。人类会做出很多其他举动：人类会进行探索、尝试，而这统统举动好像都是在某种内在好奇心的驱使下实施的。

研究人员Pierre-Yves Oudeyer已经发现了有关好奇心的简单数学公式，通过这一公式可以对机器人倾向进行透露表现，从而对其学习速率进行最大化。

在体系内部，好像必要如许的东西存在来驱动其经历前三个阶段：组织信息、将其与实体连接并创造意义，然后选择最具有沟通服从的体例来建立共同的文化，促进合作。在我看来，这才是一种强人工智能。

此外，深度学习的敏捷发展以及近期人工智能在围棋游戏所取得的成功确实是个好新闻，由于这些成功能够指导医学研究、工业、环境珍爱以及很多其他领域的相干应用的诞生。但正如我努力想说的，这只是题目的一部分。我不认为深度学习会是带领我们达到真君子工智能的杀手锏。


真正的人工智能，从机器的角度来说，可以学会在这个世界上生存，并且能够天然地和我们人类进行交流，能够深条理理解情感的复杂性、文化偏见，并且最终帮助我们建立一个更好的世界。

本文由爱客服译自IEEE SPECTRUM《Why AlphaGo Is Not AI》，作者是Jean-Christophe Baillie，法国人，他是Novaquark公司的创始人兼主席，该公司是一家总部位于巴黎的假造实际初创企业，专门开发双重宇宙（下一代网络世界，在这个网络世界里，参与者能够通过完全浸入式的游戏玩法创造整个文明）。

Baillie卒业于巴黎综合理工学院，完成计算机科学和理论物理的学习后，在巴黎第四大学（又称皮埃尔与玛丽-居里大学）获得人工智能和机器人学的博士学位，同时还在地球科学技术协会巴黎理工学院开发了认知机器人实验室，随后又创建了高泰机器人公司（2012年被阿鲁迪巴/软银集团收购）。本文最初在发表于Linkedln。