第二次世界大战后，技术蓬勃发展，人类得以造访月球，远距离交谈，最重要的是，使用机器实现了工作自动化。艾伦图灵是从事人工智能研究的数学家之一，专注于像人类一样思考的机器。随着时间的流逝，人工智能通过数据集的训练取得了进步，现在许多人相信它将在未来几年取代人类。但是可以吗？它能否像真正的人脑一样工作，成为电影《复仇者联盟：奥创纪元》中的幻视？本博客将深入思考这个问题。
人工智能的起源
第一个人工智能始于 1950 年代，众多科学家、数学家和哲学家致力于让计算机解决复杂问题并像人类一样“思考”。英国数学家艾伦图灵发表了一篇题为“计算机器与智能”的论文，他在文中建议机器应该像人类一样通过使用可用信息和逻辑推理来解决问题。那时，计算机只执行命令，不存储它们，因此它们不应该记住它们所做的事情。
五年后，Allen Newell、Cliff Shaw 和 Herbert Simon 用他们的程序 Logic Theorist 对它进行了初始化，该程序模仿了人类解决问题的技能。这导致了更多关于人工智能的研究，并产生了类似的人工智能程序，尤其是 Weizenbaum 的 ELIZA，它是第一个通过图灵测试的虚拟助手。
从 1957 年到 1974 年，计算机在存储和速度方面变得更便宜、更先进，通过使用机器学习算法（这些算法用于识别图像和寻找它们之间的关系），人工智能也取得了进步。
人工智能与人脑
为了制造 AGI（通用人工智能），我们只看我们拥有的东西，即人脑。为实现这一目标，AGI 读取提供的数据集并使用机器学习作为统计方法。在大多数电影中，人工智能都像人类一样思考（例如托尼·斯塔克的贾维斯）。但问题是，人工智能要到达那里还有很长的路要走。
常识在说明上述障碍方面起着至关重要的作用。例如，如果你在街上开车，看到一个孩子在一辆停着的汽车后面玩耍，你会不自觉地意识到他会突然出现在路上。这是因为你通过 EQ 使用你的经验，这使得 AI 很难注意到问题，因为它是一个不可预测的事件，它只使用智能，也就是知识。
挑战与局限
正如上一个标题所述，人工智能缺乏常识，因为它需要经验而不是知识。值得注意的例子是：
- 时间的存在及其对环境中的行为施加命令的能力。
- 一连串的事件，即原因可以预见地导致结果。
- 一个人（或 AGI）采取的行动会影响未来，这可能会影响这个人。
这对人工智能来说是一个巨大的缺点，因为常识消除了日常生活中的歧义。例如，AI 无法理解以下笑话：
“我认识一个叫史密斯的木腿人。”
“他的另一条腿叫什么名字？”
此外，常识的缺失也导致推理的缺失，随着时间的推移剥夺了 AI 理解因果关系的能力。从人类的角度来看，我们不知道人工智能是如何工作的。当问题出现时，我们无法识别和纠正它。
社会考虑
“世界上最美好的事物是看不见的，甚至是摸不着的。他们必须用心去感受。”
——海伦凯勒
除了我们的五种感官（视觉、听觉、触觉、嗅觉和味觉）之外，情绪在我们的生活中也起着至关重要的作用。它帮助我们理解我们无法通过数学方程式获得的感受，即使它是关于感知心跳的。虽然我们确实收到了“如何”的答案，但“为什么”得到了部分回答。以福尔摩斯为例：他是一个非常聪明的人，可以通过严格的观察得出惊人的结果，但他无法理解约翰华生在不同情况下的感受，因为他无法理解人性，因为这些信息不是通过图书。
就人工智能而言，这可能会导致高度智能的机器拥有比人类高得多的平均智商，并能解决多个复杂的问题，但它们将永远是反社会者，或者更糟的是，它们没有许多科幻电影中描述的情感，因为人工神经网络永远无法取代人脑。然而，他们可以尝试模仿我们在下一个标题中解释的不同情况下的反应。
尝试
模仿人类是人工智能模仿人类的最接近方式。情感分析的关键作用是计算句子、对话等中正面词和负面词的比例，然后输出一个人的整体情感。然而，缺点是如果你一直在讽刺，这将无法正常工作。但是也有人尝试完全复制人脑。
EPFL 的蓝脑计划是由 Henry Markram 领导的一项瑞士大脑研究计划。该项目成功构建了小鼠大脑的第一个副本，打开了了解大脑多层次结构和功能的大门。
另一个尝试是Spaun（“语义指针架构统一网络”），这是滑铁卢大学理论神经科学中心的Chris Eliasmith制作的架构。它由 250 万个模拟神经元组成，这些神经元组织成类似于特定大脑区域的子系统。它是在 Nengo 制造的，可以数数，如果有机械臂，甚至可以写数字。
未来
考虑到阻止 AI 模拟人脑的障碍，开发人员应该更多地研究更生物学上合理的结构，而不是仅仅使用数据集进行训练。为了解决这个问题，需要一种更全面的方法来显示视觉、语言和机器人等事物之间的关系，而不是从数据中读取单词。
同样重要的是要注意，人工智能可能不会被允许进一步发展，因为它可以使用个人数据来训练自己，这是下一代 Web 3.0 会注意到的。
结论
虽然今天的 AI，尤其是 ChatGPT，具有令人印象深刻的能力并产生了出色的结果，但它永远无法实现 AGI，除非它遵循孩子的思维过程并开始展示我们用来体验周围世界的相同常识性知识。
