利用现在非常火爆的AI算法，例如深度神经网络，蒙特卡洛搜索树这类算法，特定领域的智能貌似就在不远的未来，也许就几十年。但是对于通用人工智能AGI（相当于强AI），离我们貌似还很远，DeepMind最近的Alpha Zero，基于自我对弈强化学习加自我对弈蒙特卡洛树搜索，在没有真实棋局训练的情况下，完全是自我对弈训练，从围棋泛化到国际象棋和日本将棋。对于AGI来说，泛化能力的重要性不言而喻。有人认为这条路是对的，但有些人并不这么认为，例如NIPS（神经信息处理系统大会）上两位认知科学大牛。我对AI方面的了解甚至都算不上入门，这里，在我有限的理解下，记录一下我的一些想法。

我们对AI的期望是什么嗯？像《Her》中的Samantha，善解人意，可以成为一个虚拟情人，像《West World/西部世界》或者《Humans》里的人形机器，完全模拟人的行为。人形机器人随着制造业，新材料的发展，或许会越来越像人的外观。但是在认知和思想上模拟人类的思维肯定不是一件容易的事，能肯定的是会在很多方面超越人类个体的能力。

说起模拟，仿生学技术并不是完全模仿，而是进一步简化抽象，当然是受限于我们的认识和技术能力，不能做到完全模仿，因此我们的那些仿生成果看起来复杂和笨重。例如进行如下对比，飞机和小鸟，蝙蝠和雷达。但仿生确实给我们带来了很多益处，解决了很多问题。神经网络最开始也是模拟神经元的，但也仅仅是一个简单的抽象，之后的所有事情就和其它仿生工程一样，变成了工程学和数学。我发现完全模拟生物的表征、行为从来不能够解决我们的问题，都需要进行一些转变，转化为人类已经掌握的工具上面。我们无法理解小鸟是怎么拍打翅膀飞起来，所以我们最开始的模仿小鸟的飞行尝试都是失败的，直到我们知道了空气动力学，将翅膀转化为上凸下平的机翼，将拍打转化为可控的利用发动机的涡轮输出。那么人工智能，我们的目的是希望机器像人一样工作。人是一个各种能力的集合，并且可以从无到有学习到某种能力，我们也想让机器从无到有学习到某种技能，于是我们研究各种算法，用很多数据来进行训练，然后转化成机器能识别的规则存储起来，等到任务来了，利用这些规则进行输出，这是我们当前阶段能做的事情。但是这并没有完全达到我们的要求，我们人从生下来基因就是固定的，基因可以类比为AI的算法，我们学习的时候仅仅是数据的输入，我们的大脑提取规则并存储。从这里看来通用人工智能的工作就是找到一个通用的学习模型或算法，无论是什么数据都能在我们可接受的资源消耗和时间复杂度下学到规则。

人类智能的获取的思考，Marcus 提出了一个有关「认知」的公式：Cognition=f（a, k ,e），其中 a 代表先天的算法，k 代表先天知识，e 代表经验。小孩子刚出生并没有智慧或认知，但有基因，可以认为是算法a，一些刚生下来就有的生物的本能，暂且认为是先天知识k，之后的所有经历都是训练数据，人从经历中获取到规则，那就是经验e。不同的人的智能水平也是不一样的，有的人是好人，有的人是坏人，有的人是文盲，有的人是科学家，有的人是音乐家，有的人的工程师，除了训练数据不同之外，还有监督修正的作用。其实这和目前机器学习的方法类似，我们的需要数据，需要根据score进行supervise。需要注意的一点是人类的学习是一个连贯性的行为，之前学到的一个简单的能力可能是下一次学习的前提条件。所以通用人工智能需要考虑的一个重点可能是训练数据的问题，当然也可以直接拿训练好的不同的规则模块来堆积。

最后是机器会不会有认知和意识，从人类的角度一定是不希望它们有自主的意识。但从创造的角度，自主的意识似乎是一种必然，但或许是不同于人类的意识。假如我们的宇宙是被某种东西创造的，我们自以为我们有的自主意识，在它们眼中看来又算什么？？