【小哈划重点：本文从动机性、常识和决策这三个角度出发，分析现阶段机器智能与人智能之间的差异，并指出机器存在“展示动机的形成机制难以实现”、“形成常识的方法成本过高”、“智能决策模式尚未成熟”等诸多问题，强调人们需在人工智能发展高潮的时期保持警惕，主动解决行业发展的瓶颈，从而实现领域的平稳高效发展。】
上周在《“人工智能”从何处来？| 追问人工智能》一文中为大家梳理了人工智能的起源及其在未来可能的发展方向，人工智能从酝酿伊始几经起落，如今再次进入到一个蓬勃发展的阶段，对此很多人都有着这样的疑问：所谓的强人工智能是否能够达到？因为在较为通用的智能方面，其生产出的人工智能产品往往缺乏“温度”，还远远谈不上人们想要达到的程度，那么人工智能具体的发展瓶颈在哪里呢？
本文从动机性、常识和决策这三个角度出发，分析现阶段机器智能与人智能之间的差异，并指出机器存在“展示动机的形成机制难以实现”、“形成常识的方法成本过高”、“智能决策模式尚未成熟”等诸多问题，强调人们需在人工智能发展高潮的时期保持警惕，主动解决行业发展的瓶颈，从而实现领域的平稳高效发展。
毫无疑问，目前人工智能正处于蓬勃发展阶段，但是也要冷静地看到，人工智能的发展仍然存在一些问题，研究精力过多地集中在某些领域将会在一定程度上忽视其他领域。
在一些领域，人工智能的水平已经接近甚至超过了人类，而在其他的很多方面，人工智能与人类智能相比依旧相距甚远。同时，人工智能的应用已经给从社会到家庭，从工作到生活，从军事到医疗等不同范畴、多个领域都带来了明显的乃至革命性的变化。一方面，人工智能的发展是一个技术性问题，当前仍然存在很多缺陷，需要从技术上加以解决；另一方面，如同其他革命性的技术一样，人工智能的发展绝不仅仅是一个技术问题，它是一把双刃剑，既可以带来机遇，也能带来挑战，它在给人类带来不同改变的同时，也影响着人们对它的看法，影响着其未来。
纵观整个人工智能发展史可以发现，总是在人工智能的发展趋向取得大的突破时，冬天突然来临，而且每次来临的原因大同小异，均为现有的技术水平达不到人们的心理预期以及商业需要，所以不得不搁置，这也为正处于繁荣发展阶段的我们敲响了警钟，不能仅仅管中窥豹，从业者要有前瞻的目光，主动解决目前行业存在的瓶颈，这样才能使人工智能领域尽可能地平稳高效地发展。
相信很多人都有着这样的疑问：究竟我们能不能达到所谓的强人工智能？因为单从目前的智能程度来说，在较为通用的智能方面，人工智能还远远谈不上人们想要达到的程度。“阿尔法狗”的诞生，曾经令很多人眼前一亮，但现在仔细看来，“阿尔法狗”只能在围棋领域有所建树，不能跨越到其他情景之中。搜狗公司首席执行官王小川也曾说过，现在的人工智能还存在很多弱点，即使在3个月后，“阿尔法狗”也赢不下当初输掉的那场比赛。
那么，具体的瓶颈究竟在什么地方呢？
动机性
首先是动机性。在心理学上，动机一般被认为涉及行为的发端、方向、强度和持续性。动机也是有层次的，不同层级可以互相转换。马斯洛（Abraham Maslow）于1943年在《人类激励理论》一文中将社会需求层次与生理需求、安全需求、尊重需求和自我实现需求并列为人类五大需求，人处于不同的需求层次就会有不同的动机层次。有了动机后，人们的行为就有了指向性，这对于人的日常行为是非常重要的。
那机器究竟能否形成与人类似的动机呢？让机器产生动机的一大难点在于动机是很难被表征的。目前还没有研究清楚的展示动机的形成机制，表征的必要不充分条件是具有可以被清晰表达的框架，而且动机的转换边界并不清楚。因此，动机的权重值便无从下手，导致计算陷入僵局。另外，动机还有意识动机与无意识动机之分。目前，人工智能界对于意识层面的内容还知之甚少，更不要提进行表征了。
常识
其次是常识。常识被定义为在一定的文化背景下，人们拥有的相同的经验知识，比较常见的有空间、时间、文化、物理常识。常识对于我们的日常生活十分重要，尤其是在我们做出决定与判断的时候尤为如此。很多常识是潜移默化形成的，是文化与背景学习的产物。那机器如何形成常识呢？早在1959年，约翰·麦卡锡（JohnMcCarthy）就已经想过让机器拥有常识以变得更加聪明。目前的人工智能界有两种方法来解决这个问题。
第一种方法为让机器形成学习与观察周围环境的机制，就像一个孩子一样去学习，不过这样时间成本比较大，用户能否承担起这些成本还是未知数。明斯基曾说：常识是长期实践中总结出来的庞大知识体系，包含大量生活中学到的规则和异常现象、特性及趋势、平衡与制约等。
第二种方法就是建立大型的常识库，并将其存储到电脑中。其中最为著名的为CYC项目，这个项目由道格拉斯·莱纳特（Douglas Lenat）于1984年提出。首先通过采访与观察人的数据，然后由知识工程师对这些数据进行处理，以CYCL的形式整理成数据库。当然，这个常识库的成本过于高昂。目前常识库中比较可行的思路为让互联网上的每个用户共同建立这个常识库，并在特定的网页使用不同的语言来进行编写，这样就能节省很多时间与金钱，最为成熟的为OMCS（Open Mind CommonSense）。
决策
最后是决策。无论是人类的日常生活还是人工智能，最为关键的一步就是决策。如何让机器更加智能地进行决策，这是一个关乎未来人工智能走向的问题。人类的决策机制主要分为三大部分：理性决策、描述性决策与自然决策。
理性决策即认为人在决策时遵循着理性价值最大化的原则，比较具有代表性的有冯·诺伊曼提出的最大期望效用理论，伦纳德· 萨维奇（Leonard Savage）提出的主观期望效用理论等。
描述性决策认为人在进行决策时不完全遵循理性准则，其中丹尼尔·卡尼曼（Daniel Kahneman）与阿莫斯· 特沃斯基（AmosTversky）提出的前景理论是其中的代表。该理论认为，决策者依据价值函数、权重函数赋予选项不同的效用值，最终选取最大期望效用值做出决策。人也存在着启发式偏差，这会对决策产生影响。
自然决策专门研究人们如何在自然环境或仿真环境下实际进行决策，其中最著名的要属加里·克莱因（Gary Klein）提出的再认——启动模型（RPD），该模型认为人在决策时会依据以前的模式进行匹配。对于机器而言，进行智能决策可以借鉴人的决策习惯，可以将几种思维方式进行结合，并确认出一套判断机制，以便在特定情景下对决策行为进行抉择。例如，机器可以区分出时间与情景的压力，并建立起相对应的匹配机制，如当情景压力小时选择理性决策模式，而当时间压力大时选择自然决策模式等。
所以，目前人工智能界对常识、动机与决策问题中的难点解决办法看起来还不是很多，但这确是目前机器智能与人智能之间差异最为显著的地方，也是目前整个行业的瓶颈所在。如何让下一代人工智能产品更有“温度”，需要先在这几个问题上有所突破。
本文编辑、改写自刘伟《追问人工智能：从剑桥到北京》一书的部分章节，学术讨论请以原书为准。
作者刘伟，北京航空航天大学工学博士，北京邮电大学岗位教授，剑桥大学访问学者，科技委人机融合智能组首席科学家。
