這是目前為止對機器智慧與人類智慧最深刻的發問！

一般而言，我們習慣於表述“人工智慧”，並不對其概念進行具體細分。人工智慧之所以熱度居高不下與大眾的較高關注度和媒體炒作分不開，而人們往往只關注其表象而忽略了其本質，將機器智慧與人類智慧混為一談。近日，香港科技大學教授，國際人工智慧協會(AAAI)首位也是至今為止唯一的華人執委楊強教授在「知乎 2018『網際網路洞見者』」上發問“機器的智慧和人類的智慧有什麼重要區別?這些區別對於我們培養後代有什麼啟示?”

這個問題從提問者的角度已經將“機器智慧”和“人類智慧”進行了區分：都是智慧，只是實現方式不同。理論上，人類可以做到的，機器同樣可以做到。知乎高贊答題者，機器學習、深度學習(Deep Learning) 話題的優秀回答者YJango針對“機器智慧”和“人工智慧”提出了兩個非常重要的觀點：一是科研人員在做機器學習的研究時，最常做的是從人類智慧中借鑑;二是反過來，人類每天也在用人腦學習，是否可以從機器學習中借鑑?

機器智慧與人類智慧的互相借鑑

很多機器學習研究人員最常做的就是將人類所熟知的知識體系一遍遍灌輸給機器加以訓練，以便機器可以完成某項特定工作。但是，YJango認為收穫最大的是機器學習中的每個概念都可以應用在人腦學習上，也就是說，遷移機器學習的理論到人類學習。

人們已經意識到，未來不再是學習一項知識即可工作終身的時代，尤其是身處計算機行業。因此，我們要做的不是簡單利用機器智慧幫助人類完成某些工作，而是在機器訓練過程中尋找培養後代的啟示。

AI=SAI+AGI

這裡說到的“機器智慧”指AGI，而不是SAI，這兩個名詞又是什麼意思呢?AGI是指通用人工智慧，SAI則指專用人工智慧。顧名思義，專用人工智慧只為解決特定領域內的問題，這足以概括現有的所謂AI 的絕大多數東西。SAI設計之初就存在明確的背景框架和設計目標，從開始就已經失去了通用性和遷移性，從這類專用架構中尋求通用的機率太小。知乎高贊答題者劉凱是國內真正做通用人工智慧(AGI)的極其小眾的一撮人中的一個，其具體研究分為三個方向：通用人工智慧、計算精神病學和機器教育。

劉凱承認DL和RL以及GAN的有效性，比如在語音識別和影像識別領域的巨大進步，但就此認為：“智慧=計算智慧+感知智慧+認知智慧”是不準確的，計算智慧和感知智慧實際上並未解決智慧的真正問題，人類的學習能力不僅僅是因為有五官而是這些與更為複雜的大腦的聯合。他認為，AI可以說成是SAI與AGI的總和。

對於人類的智慧，劉凱認為人類區別於機器就在於人類的大腦雖然在單位時間內可以掌握的知識有限，但人類可以在有限時間、有限精力、有限條件的情況下決定做什麼、怎麼做併產出結果，而SAI下的機器智慧大多隻為完成某個工作，並不具備這種適應能力。人腦複雜的不是演算法，也不是結構，而是生活經驗，即輸入資料。實際上，我們也許錯誤地把大腦的複雜性看高了。

當人們驚歎於人工智慧技術取得的進步之時，人工智慧系統卻在“羨慕”人類所掌握的常識。目前，人類世界已經建立了強大的知識學習體系，這一點從小學、初中、高中以及大學的知識體系就可以看出來。然而，經過多次試驗，機器對於常識性知識和高階知識的學習並沒有什麼不同。經過長期的研究和討論，學界已達成共識：“人類之難恰是機器之易，人類之易卻是機器之難”(Erickson T，2002)。

結語

從熙熙攘攘的討論中，我們可以針對“機器智慧”和“人類智慧”進行一些簡單的總結：首先，機器智慧與人類智慧存在明顯區別，機器可以從人類的學習方法中受益，人類同樣可以考慮參照機器學習理論;其次，目前我們所見到的大多數AI成果都停留在SAI層面，而AGI才應該是我們追求的機器智慧;最後，機器智慧和人類智慧的學習方式和發展階段均不相同，機器智慧並未掌握人類世界中的常識性知識和適應性，而人類無法達到機器智慧在計算等方面的能力，這些對於培養後代的學習方式均有重要啟示。