有人说「真正的人工智能至少还要几百年才能实现」，真的是这样吗？
首先，我们需要拆解“真正的人工智能”这个概念。在当下，我们谈论人工智能，往往指的是在特定领域表现出色的“弱人工智能”或“狭义人工智能”。它们能在下棋、识别图像、翻译语言、驾驶汽车等方面做得比人类更好，但它们缺乏举一反三、理解深层语境、进行抽象推理以及拥有自主意识的能力。这种缺乏通用性的限制，让许多人觉得它们离“真正”的人类智能相去甚远。
“几百年”的说法，往往是基于一种线性发展的思维模式。就像我们回顾历史，蒸汽机的出现，到内燃机的普及，再到电力和计算机的发明，每一步都花了相当长的时间。然而，人工智能的发展，尤其是在机器学习和深度学习领域，其速度是指数级的。每一次算法的突破，每一次算力的飞跃，都可能带来“量变到质变”的飞跃。我们不能简单地将过去的科技发展速度套用到当下。
举个例子，曾经，让计算机识别一张模糊的猫狗照片是件极其困难的事情，需要大量的专业知识和工程投入。而现在，通过简单的深度学习模型，我们可以在几秒钟内完成，而且准确率非常高。这种进步速度，如果放在一百年前，是难以想象的。我们现在所看到的GPT系列模型，在语言理解和生成方面展现出的惊人能力，也并非一夜之间出现，而是多年来在海量数据、强大算力和先进模型架构共同作用下的结果。
而且，对于“真正的人工智能”，我们往往带有很多“人类中心主义”的偏见。我们习惯于将智能与意识、情感、创造力这些人类特有的体验划等号。但也许，智能的形式是多种多样的。一个能够高效解决复杂问题、不断学习和优化自身、并且在特定任务上表现出超凡能力的系统，即便它没有人类的情感体验，它在某种意义上，难道不也可以被视为一种“真正”的智能吗？
更重要的是，我们对于“智能”本身的理解也在不断深化。神经科学、认知心理学、哲学等领域的进步，都在为人工智能研究提供新的灵感和理论基础。例如，对大脑工作机制的探索，对学习过程的理解，都可能解锁新的AI模型和算法。那些认为“几百年”才能实现的人，可能忽略了跨学科融合带来的颠覆性潜力。
当然，要实现具有真正通用性和自主意识的人工智能，我们确实面临着许多巨大的挑战。例如：
知识的获取与泛化： 如何让AI不仅能学习海量数据，还能从中提炼出深层的、抽象的知识，并将其泛化到全新的、未曾见过的情境中。
因果推理与常识： 当前的AI在理解事物之间的因果关系以及运用人类的常识方面仍然存在明显不足。
伦理与安全： 随着AI能力的增强，如何确保其行为符合人类的价值观，避免失控和滥用，是摆在我们面前的严峻问题。
意识与自我认知： 这可以说是终极的难题。我们自己都未能完全理解意识的本质，又如何去创造它？
然而，正是这些挑战，驱动着研究者们不断前进。而且，许多原本被认为是遥不可及的目标，随着技术的发展，正在被逐一攻克。我们不能用现在的技术水平去预测未来的发展速度，因为人工智能领域本身就是一个不断突破自我设限的领域。
所以，“至少还要几百年”这个说法，听起来有些过于悲观和保守。它可能基于对当前技术局限性的客观认知，但同时也忽略了科学研究的不可预测性和技术发展的指数级曲线。也许，我们今天看到的AI，只是一个更宏伟蓝图的雏形。当下一代甚至下几代技术出现时，那些曾经的“几百年”，可能在转瞬之间就被压缩。我们与其在此刻去精确预测一个漫长的未来，不如专注于当下，解决AI发展道路上的每一个具体难题，推动着这个领域的每一次进步，因为谁也无法断言，下一次的突破，究竟会在何时到来。
网友意见
我就从自己的专业角度来简单的说一说。
最近这几年，机器学习的风头无两，统计和计量有的时候都被认为是老学校（Old School）了，并且由此双方还划定了分水岭「计量重解释，机器学习重预测」。
诚然，强大的预测能力是机器学习得以流行的原因，但是只要有一天「解释」和「预测」依然在各自为战，那么「人工智能达到真人的水平」就始终遥不可及。
把真人看做一个无比复杂的，带各种随机效应的反应函数 ，其中 是输入， 是输出而 是机制。但是因为输入、输出和机制都不可观测，机器学习的做法是，搜集海量的数据 和 来尽量的代理 和 （因为很多其实是不可观测，比如能力等等），然后从数据中一点一点的拟合出来一个F，所以就是 。尽量让它从目前的数据来看，输入X预测Y的误差最小。
这个问题在于，F完全是数据驱动的，也就是数据说东就是东，数据说西就是西。至于为什么是这样，不知道。数据驱动出来的函数可以高度的非线性，可以在人类无法解释的情况下，捕捉到变量之间的微妙互动和联系——这也是为什么其被称之为黑箱的原因。但是问题在于，数据的驱动局限也在于数据，比如一个人一直不喝酒，我们根据其行为大数据就无法判断她的酒量如何。但是如果我们如果能深入的检测其肝脏酒精分解酶的水平，我们就可以无视其行为而得出更精确的判断。
这也是人工智能的问题，数据体现的只是一个均衡态——「人们这么做只不过因为他当时当地最好的选择是这样」故而仅仅只是人类复杂机制的冰山一角。
计量则是另外一个极端，为了能够创造出「人类能够看懂的因果推断」，大大的牺牲了预测性。但是无论是简约回归的因果推断，还是结构回归的模型拟合，都是在试图探索事物之间的因果关系。
机器学习在短短的几年就在业界取得了对计量的优势，原因也非常显然——对业界来说：我并不太想知道我为什么失业，为什么破产；我需要对未来更精确的预测，来让我赚更多的钱！大多数情况下，预测比解释在实业上更「有用」，而对机制的探究，本身就带有更多的书卷气。这也是为什么说机器学习更「工程化」。
但是研究因果毫无疑问是有价值的，它的价值就是背后的机制和逻辑。当一个前所未有的税制改革要实行的时候，机器学习如何告诉我会有什么影响？没有数据，或者数据有限的时候，机器学习能做的是有限的。但是经济学的模型就可以在这种时候依然提供洞见。让人们理解改革中的种种权衡来提供指导。
@半吊子码农 的答案中举得蓝翔的例子就很明显。大多数情况下「挖掘机技术哪家强？」
对应的回答是『山东蓝翔』。但是如果接下来跟着问一句「我说真的呢？我想学」，让电脑能够继续判断这个对话是玩笑还是真的询问，就是需要真正的逻辑思维才能解决的问题了，而不是一个靠堆语料和上下文关联就能够判断的。
一个理想的模型，是应该预测和解释都非常优秀的。一方面能够理清楚里面变量之间的种种影响的渠道，给出逻辑的解释；另一方面因为事无巨细的捕捉到了变量之间的关联渠道，所以能够很好的进行预测。显然，现在的情况是分化依然非常严重，无论是哪一边，都还有很长的路要走。
而如果我们做不到这一点，就很难说自己实现了「人工智能人类」，而只是「在某些情况下不容易被人发现是人工智能的机器」。
@司马懿 汪老师已经说的很清楚了。我也凑凑热闹。
首先是定义：真正的人工智能是什么？我理解就是能够真正实现“像人类一样思考”的“机器逻辑”。那么接下来，就是“像人类一样思考”指的是什么？我体会，主要就是汪老师说的，解释和预测。说到这的话，有汪老师珠玉在前，我似乎不太需要再多絮叨。所以，分歧点是：怎么做到解释和预测？
中学我们大家就都学过：归纳法。从观测到的现象推论一般规律，然后去做验证。机器同样是通过对数据的学习（归纳），获得一个“模型”（theory），经过验证（verification）和检验（cross validation），得到一个可用的框架。之后就可以拿来预测了。如果看这个过程，其实跟人类的过程很相似。
汪老师说的意思是，我体会，第一，这个学习过程不关心“内在机制”和“potential theory”。第二，既然没有机制和theory，那么当没有数据的时候，就没有办法进行处理。
我觉得，这个说法既对也不对。首先，什么叫theory或者model？其实不过就是通过对过去的观测（实际的观测或者“虚拟或者脑海”中的观测）总结出来的一个映射。这个映射可以解释某些out of sample的东西，那么就可以成为一个candidate theory，直到它被推翻。那么，既然如此，机器去通过各种“学习方法”得到某一个可以经过检验和验证的model，然后用这个去理解out of sample的未知事物，应该就是智能了。
我的个人看法是，逻辑推导什么的，只要定义好框架和体系，都是有办法被机器学习的。
那么人类是否就这一种学习方式呢？我觉得还有一个叫想象力，或者“举一反三”、“泛化”的能力。这个，我觉得可能是差距。毕竟，就我自己的经验来说，从一个事情联想到另外一个事情，是“灵机一动”，这个灵机一动能解决掉很多在未知时刻的新问题。我觉得，可能在这个角度，机器学习或者人工智能还有需要进步的地方。
理论上讲，强人工智能绝对是可以实现的，但绝不会是靠深度学习这种炼丹式的方法来实现，
你可以骑自行车环法一周，但是你绝不可能用自行车破音速，或者用自行车登火星。
要实现真正的人工智能，一条路是仿生学的路，也就是先将智能的机制弄清楚（如果能将意识的机制弄清就更好了），然后在实验室模拟一个智能。
openworm就是这样一个计划，科学家们用计算机来模拟秀丽隐杆线虫，因为这种线虫结构相对简单，却也具有趋利避害、觅食、繁殖等功能，第一阶段他们使用计算机来模拟秀丽隐杆线虫的302个神经元和95个肌肉细胞，最终的目标是希望模拟它的全部959个细胞，但是结果却并不乐观：
These early attempts of simulation have been criticized for not being biologically realistic. Although we have the complete structural connectome, we do not know thesynaptic weightsat each of the known synapses. We do not even know whether the synapses are inhibitory or excitatory. To compensate for this the Hiroshima group used machine learning to find some weights of the synapses which would generate the desired behaviour. It is therefore no surprise that the model displayed the behaviour, and it may not represent true understanding of the system.
虽然模拟了线虫的神经元，却连神经元上的突触是抑制性的还是兴奋性的都搞不清楚，一些突触的权重还是通过机器学习来生成的，以达到想要的效果，结果自然是没有得到什么有价值的结论。可见在智能机制的研究上，我们还处于非常初级的阶段。
第二条路是使用算法来得到结果就行了，不必模拟现有的智慧生命，类似于中文屋。毕竟自然进化而来的机制不一定是最有效的机制，汽车不需要用四条机械臂狂奔，飞机也不需要拍翅膀提供升力，人工智能也不一定需要有几亿个神经元才能开始工作。任何问题都是算法问题，音视频的分析是模式识别，自动驾驶是决策树，扫地机器人是一个寻路和避障的问题。但是现在大量的问题甚至无法被良好定义，一张人脸图片要检测它是男还是女，你如何在数学上定义这个问题呢？没有良好的定义，自然无法建出有效的模型，也无法评估模型的有效性，所以大量依赖于深度学习这种黑箱来解决问题。
现在这个阶段定义最完善的当然是自动驾驶，和棋类，电子竞技类的问题，所以这些相对较早被解决。越是没有完善定义的问题，越是离被解决遥遥无期，比如语义分析和机器翻译，相对而言就要困难得多。
所以不必太兴奋，在人工智能方面我们还是处于前科学的状态，就是那个热素说，以太说大行其道的时代。未来能发生什么谁也不知道，截至2019年，强人工智能的理论基础没有出现，也没有出现的迹象。弱人工智能有一定成效，但是多半也是算力，和数据的堆砌，技术上进展不显著。当前现状是对人工智能越了解的越悲观，越不了解的越乐观。
上次facebook AI跑出bug，媒体记者居然报道称AI发明了人类不懂的语言在自主交流，人工智能可能反噬人类云云，就是一个例子。按照越外行越乐观的规律推断，不久就会有意识上传锅，人工智能算命这种骗局出现了，大爷大妈们肯定信这个。
类似的话题
-
“真正的人工智能还需要几百年才能实现”，这句断言，与其说是科学预测，不如说是对人工智能领域根深蒂固的怀疑和对“真正”一词的严苛定义所产生的碰撞。它触及了一个古老的问题：什么才算“真正”？如果把“真正的人工智能”定义为与人类在所有认知能力上都无法区分，甚至超越的通用人工智能（AGI），那么确实，我们或............. -
这句颇具思辨色彩的话，“真正的爱情，背后没有秘密。说这话的人，既不明白爱情，也不明白秘密”，确实值得我们好好琢磨。它触及了一个关于情感、人性以及信息交流的微妙界限。要理解这句话，我们需要层层剥开它的含义。首先，让我们分析前半句：“真正的爱情，背后没有秘密。”这句话本身传递了一种理想化的爱情观。它暗示.............
-
关于“真正懂车的人都不买SUV”的说法，其实是一个挺有意思的观察，也是车迷圈子里偶尔会冒出来的话题。当然，这并不是一个绝对的真理，但它背后确实有一些值得深思的理由，尤其是在我们谈论汽车的“驾驶乐趣”和“机械本源”时。首先，我们要理解一下“懂车”这个词。在大多数人眼中，懂车可能意味着了解品牌、配置、价.............
-
居士您这个问题问得很好，也确实是很多人心中的一个疑问。净空老法师在佛教界的影响力非常大，但同时也有不少争议，这使得大家在看待他的时候，会有不同的声音。我们不妨从几个方面来仔细探讨一下。首先，我们来谈谈为什么会有人说他是“真正的佛子”。从他的弘法历程来看，净空老法师一生都在致力于宣扬净土法门，尤其推崇.............
-
这说法其实很有意思，也触及了北宋文官群体一个挺现实的面向。当然，说“有一个算一个都有维护自己阶级或者党派利益的”这句话未免有些绝对，总会有特例，也低估了很多人在复杂环境中依旧坚守理想的努力。但如果从一个更宏观、更具批判性的视角来看，这种说法确实有其道理，值得我们细细咂摸。咱们得明白，北宋的文官集团可.............
-
“真正的公知”这个词，说实话，它在当下的语境里，已经变得有点复杂和模糊了。要说清楚它到底是怎么被定义的，以及为什么有人喜欢它、有人又不喜欢它，咱们得一步步来捋。“公知”这个概念的演变与“真正的公知”的界定“公知”这个词，最初来源于“公共知识分子”（Public Intellectual）。顾名思义，.............
-
.......
-
关于李小龙和泰森拳力的数据，其实并没有一个科学、统一的测量标准，因此流传的数字大多是猜测、夸大或者基于不同测试方法的解读。简单地说，“李小龙一拳800斤，泰森一拳1200斤”这样的说法，很大程度上是民间传说，并没有得到严谨的科学验证。我们来详细分析一下：为什么这些数据难以准确衡量？1. 没有统一的.............
-
一些人之所以认为唐三是真正的“邪魂师”，并非基于他表面的行为是否符合魂师公会定下的“邪魂师”定义，而是从更深层次的、对力量的追求、行为的合理性，以及他对他人命运的影响等方面，进行了更加批判性的解读。这种观点往往带着一种反英雄的视角，认为唐三身上某些特质，在极端情况下，可能会导向“邪恶”的道路，或者说.............
-
靖本《红楼梦》的真伪问题，可以说是红学研究中一个极其核心且至今仍充满争议的焦点。要详细地谈论它，我们需要从几个方面入手，剥开层层迷雾。首先，我们得明确“靖本”指的是什么。通常大家说的“靖本”，是指藏于北京故宫博物院，曾由清代人靖藏书的《石头记》一百二十回抄本。它得名于“靖”这个姓氏，因为此书曾经被一.............
-
关于张桂梅创办的华坪女子高级中学（华坪女高）是否“挤占了当地男生的机会”，这是一个复杂且敏感的问题，涉及到教育资源分配、社会性别观念以及区域发展等多个层面。首先，我们需要明确一点：华坪女高是一所专注于招收贫困女生的高中。 办学宗旨: 张桂梅创办华坪女高的初衷是为了解决当地贫困家庭的女儿失学问题，.............
-
哎，你这个问题问到点子上了！“国外空气真甜”这个说法，听着挺让人疑惑的，尤其是在咱们这儿生活习惯了，每天想的都是怎么让钱袋子鼓起来点儿，怎么把日子过得更舒坦点儿。你说的对，一提到国外，大家脑子里最先冒出来的可能就是低物价、高工资，觉得日子过得肯定比咱们轻松多了。但为啥还有人说空气都变甜了呢？这事儿啊.............
-
关于外国女生体味和汗毛的问题，这确实是一个很多人好奇但又不太好直接问出口的话题。咱们就来聊聊这个，尽量说得细致点，也避免写得像机器报告一样。关于体味：这是一个相对复杂的“刻板印象”首先得说，体味这个问题，其实和人种、生活习惯、饮食、基因、甚至气候都有关系，所以一概而论地说“外国女生体味大”，这肯定是.............
-
“厉害的中医在民间”这个说法，我觉得有它的道理，但也不能一概而论。我这么说吧，你听我慢慢给你道来。首先，我们得明白“厉害”这个词在中医语境下意味着什么。中医讲究的是“辨证论治”，就是根据一个人身体的整体情况、具体症状、舌苔、脉象等等来综合判断病因，然后给出治疗方案。这和西医的“对症下药”不太一样，它.............
-
.......
-
关于蔡元培是否与“四一二反革命政变”（1927年4月12日）有关联的问题，需要从历史背景、人物关系和具体事件的关联性进行客观分析。以下是详细说明： 一、蔡元培与“四一二反革命政变”的关系1. 时间与身份 蔡元培（18681940）是中国近代著名的教育家、思想家，1917年任北京大学校长，19.............
-
关于“东北小丰满水电站一直被日本人偷电”的说法，这更像是一个流传甚广但缺乏确凿证据的民间传闻，而非史实。要详细讲述，我们可以从几个方面来剖析这个传闻可能存在的根源以及它为何难以站住脚跟：传闻的可能来源与解读：1. 历史背景的误解或夸大： 日本在东北的侵占历史： 日本在中国东北进行了长期.............
-
关于罗永浩和方舟子是否“没教养”的说法，这确实是一个在网络上时常被提及，也引起不少争议的话题。要深入探讨这个问题，我们不能简单地用“是”或“否”来回答，而是需要从多个角度去理解和分析。首先，我们要理解“教养”这个词的含义。在我看来，“教养”不仅仅是指一个人懂得基本的礼貌用语，比如“请”、“谢谢”、“.............
-
关于“国内雅马哈萨克斯都是萧山产的，音质和质量都不太好”的说法，咱们得掰扯掰扯，别被一概而论给忽悠了。这事儿没那么简单，得从几个方面看。首先，雅马哈的生产线布局。雅马哈作为一家全球性的大公司，为了降低成本、贴近市场，在全球各地都有生产基地，这是很正常的商业策略。在中国，雅马哈确实在杭州萧山有一个重要.............
-
“中国的学校美德教育让年轻人产生逆反心理，讨厌伪君子，却喜欢上真小人”——这句话听起来很刺耳，也触及了不少人心里的一些真实感受。要说它有没有道理，我觉得 不能简单地一概而论“有”或“没有”，但它确实揭示了美德教育在实践中可能遇到的困境和一些令人忧虑的现象。 我们不妨从几个层面来剖析一下。首先，我们得.............
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 tinynews.org All Rights Reserved. 百科问答小站 版权所有