本人作者、Novaquark创始人兼总裁Jean-Christophe Baillie表示，“没有机器人就没有人工智能。”在这篇文章中，他讨论了人工智能是什么，以及AlphaGo不能被称之为人工智能的原因。
什么是人工智能，什么不是？
毫无疑问，AlphaGo是由谷歌DeepMind设计的“人工智能围棋系统”，它是个非常聪明的系统。AlphaGo击败了围棋世界冠军Lee Sedol，而类似的深度学习方法已经被用于解决各个行业的复杂计算问题。多亏了AlphaGo，人工智能这个词汇再次成为人们关注的焦点。
然而，本文作者并不认为AlphaGo属于人工智能，因为它不涉及通用人工智能（AGI）。要建立通用人工智能，关键问题之一是让它避免受到设计者的限制，应该让它自身发挥出能量。它可以从自己遇到、听到、说过、做过的事情和体验中发展出内在的意义，就像人类一样。
而事实相反，如今的人工智能程序基本无法理解周围发生的事情，也无法处理其他领域的问题。那么什么是人工智能呢？这或许是人工智能最根本的问题。
1990年，认知科学家Stevan Harnad在他的论文《符号接地问题》中探讨了意义的问题，任何代表性的符号都存在于外部的现实世界中。例如，假设你必须学习汉语作为第二语言，而你所掌握的唯一信息来源是汉语字典。通过字典来学习的过程，就像是坐无休止的旋转木马，不断接触一个又一个没有意义的符号。那么你要怎么样跳出这个怪圈呢？符号要怎样才能拥有意义？这是典型的符号接地问题。
关于人工智能意义的问题在几十年前就被提出了，但直到今天也没有什么解决办法。这个问题可以细分为四个子问题。
1.如何构建人类或人工智能从外部接收到的信息？
这是有关人工智能意义的***个问题，关于构建信息。随着机器学习的快速发展，特别是深度学习和非监督学习的发展，这个问题近年来得到了很好的解决。包括AlphaGo在内的巨大进步，在一定程度上是源自图形处理器技术的进步，这种技术非常擅长处理信息。这些有效的算法，例如深度学习算法，是在一个高纬度空间中利用最有用的信息，去读取复杂的数据。
对于今天的人工智能来说，监督学习无疑是应用中最成功的。例如朴素贝叶斯分类（Naive Bayes Classification）、逻辑回归（Logistic Regression）和支持向量机（Support Vector Machine）这三种算法，每年可以产生数十亿美元的价值。但前面提到的非监督学习也在快速发展。聚类算法和主成分分析解决了监督学习无法解决的许多问题。
此外，半监督学习和强化学习在企业中也有着越来越广泛的应用。尽管有许多有用的、强大的算法来解决不同的人工智能问题，但是没有一个通用的人工智能系统可以应对所有情况，也没有人知道这么多人工智能系统中的哪一个可以用来构建通用人工智能。
在我看来，非监督学习的深度神经网络将为实现这一梦想提供***的帮助。例如，IBM的Watson整合了许多算法，以便处理各种各样的数据。然而，许多研究人员认为，如果没有认知心理学和神经科学的帮助，就不可能建立通用的人工智能。要实现这一梦想成真，还有很长的路要走。
2.如何将这些结构化的信息与外部世界联系起来，或者像上述所说，去创造意义？
在构建信息之后，第二个问题是将结构化的信息与现实世界联系起来，并为机器人技术赋予了根本意义。能够与外部世界进行互动的前提是拥有身体，因此没有机器人就没有人工智能。这一认识经常被称为“化身问题”。大多数人工智能研究人员如今都认为，对于人工智能来说，化身与智慧一样重要。从现实世界来看，尤其是动物的世界，我们可以发现每个不同的身体都有着不同形式的智慧。
这个化身问题起始于对身体部位的理解，然后控制它们，并在观察到的世界中产生预期的效果，***建立起自己对世界的理解。这一过程被称为“感觉运动理论”，J. Kevin O’Regan等人对此进行了研究。
3.如何将这一意义同步给其他人工智能媒介？
这个问题与文化的起源有关。与人类不同的是，有些动物的文化是通过舞蹈和嗅觉等方式来表达的。没有文化，这一智力的基本催化剂，那么人工智能将仅仅是一种学术上的尝试罢了。然而，文化是一种包含心理学和认知能力的学习过程。它不是可以手工编码进机器的东西。通过研究儿童如何掌握文化，研究人员正在试图理解这一学习过程。
这一过程也与语言学习紧密相连，它是一个渐进的过程：人工智能媒介通过与世界互动，从中获取新的信息，创造新的意义，再通过与其他媒介交流来创造新的意义，并选择出最成功的交流方式。在经历了成百上千次错误之后，研究人员可以建立起***大的人工智能系统。这是深度学习无法解释的东西。一些研究实验室，比如SoftBank Robotics，正在利用这一过程对复杂的文化传统获取更多信息。
4.为什么人工智能媒介需要做点什么？如何将这一切转化为行动呢？
***这一个问题是关于期望。人工智能媒介会因为内在动机而采取行动，比如说，人类的行为不只是为了满足生存需要，而是更加进一步的探索，这是由于内在好奇心的驱使。像Pierre-Yves Oudeyer这样的学者认为，简单的数学公式已经足以用来解释复杂的行为。
现有人工智能系统的局限性
根据作者的理解，目前世界上没有人工智能，甚至包括最常用和***的人工智能服务和应用程序，都不算。
虽然他的观点并不具有普遍性，但目前情况下，现有的人工智能系统的确存在局限性。Siri是苹果***的人工智能系统，但是如果你说的话超出了它的任务范围，它就无法识别你在说什么。SoftBank***的人工智能机器人Pepper则和Siri一样具有局限性。此外，尽管它配备了语音识别系统，但有时却无法识别语音背后真实的情绪，而且容易被骗。电商巨头阿里巴巴集团和旗下的在线支付服务商支付宝正致力于利用人脸识别技术取代密码。它的准确性很不错，但仍然无法识别有着相似面孔的双胞胎。
这些例子反映出，目前的人工智能还不是足够的智能。它们有时候甚至无法处理自己从外部世界获得的数据，更不用说互动了。
总而言之，我们很乐于看到深度学习的快速发展和AlphaGo的巨大成功，因为它们可以被大量应用在医学研究、环境保护和其他许多领域。然而，深度学习并不是人类掌握真正人工智能技术的良方。真正的人工智能能够从外部世界学习、与人类自然地互动，同时理解人类情感、意图和文化差异，并最终帮助我们创造一个更美好的世界。
