每天我們都在報道人工智能又解決了哪些問題，今天我們做一次逆向思考，人工智能尚未解決的問題有哪些？

想要理解AI欠缺什么，最好的辦法是描述一個需要將各種人類習以為常的認知能力結(jié)合在一起的場景。當代的人工智能和機器學習方法可以處理需要單一能力的問題（當然，處理效果各不相同），但整合這些能力卻仍然是一個遙不可及的目標。

想象一下你和你的朋友剛買了一個復雜的新棋類游戲，有一塊精致的板子和各種各樣的棋子、卡片以及復雜的規(guī)則。還沒有人知道怎么玩它，所以你們拿出說明書。讀完之后你們開始玩起來。有些人可能會犯一些錯誤，但幾輪下來，每個人都學會了游戲規(guī)則，至少可以嘗試贏得比賽。

在學習這個游戲的過程中發(fā)生了什么？

1.語言解析：讀游戲規(guī)則的玩家必須將符號轉(zhuǎn)換成口語。聽游戲規(guī)則的玩家必須分析口語。

2.模式識別：玩家必須把所朗讀的單詞和游戲中的物體連接起來。「十二面骰子」和「紅方士兵」必須基于語言線索被識別出來。如果該說明書有插圖，那么它們必須與現(xiàn)實中的物體相匹配。在游戲中，玩家必須識別出旗子和卡片的錯綜組合，以及事件發(fā)生的關(guān)鍵序列。優(yōu)秀的玩家還會學習去識別其他玩家的游戲模式，從而有效建立起有關(guān)他人心理狀態(tài)的模型。

3.運動控制：玩家必須能夠?qū)⑵遄雍涂ㄆ苿拥狡灞P上的正確位置。

4.規(guī)則遵守與規(guī)則推斷：玩家必須理解規(guī)則并檢查規(guī)則是否得到了正確的應用。在掌握了基本的規(guī)則之后，優(yōu)秀的玩家還應該能夠發(fā)現(xiàn)更高級別的規(guī)則或有助于他們?nèi)〉脛倮膬A向。這種推論能力與塑造他人思維模型的能力密切相關(guān)。（這在心理學中被稱為心智理論，theoryofmind）。

5.社交禮儀：玩家之間是朋友伙伴的關(guān)系，即使有些玩家犯了錯誤或擾亂了游戲進程，也應當友好相處。（當然，我們知道這并不總會發(fā)生。）

6.處理干擾：如果門鈴響了，外賣到了，玩家們必須能夠從比賽中抽身，與送貨人打交道，然后再投入到比賽中，回憶起游戲的進展，譬如輪到誰了。

在所有這些子問題中，AI至少取得了一些進展。但目前這一輪人工智能/機器學習領(lǐng)域的爆發(fā)主要還是模式識別技術(shù)進步的成果。

在當前的某些特定領(lǐng)域，人工智能的模式識別水平已經(jīng)優(yōu)于人類。但也有各種各樣識別失敗的情況發(fā)生。人工智能方法識別物體和序列的能力還不如人類模式識別那樣魯棒。

人類有能力創(chuàng)造出各類不變性表示。例如，即使視角不同、存在遮擋物、光照條件變幻莫測，人類仍然能夠識別出特定的視覺模式（譯者注：比如可以在黑暗里憑借眼睛認出一只貓，看到被建筑物遮擋到只剩一個尾燈的車，仍然能自動識別出車在建筑物后的位置）。我們的聽覺模式識別技能或許更加出彩，能夠在噪音干擾以及速度、音高、音色和節(jié)奏的起伏中識別出樂句。

毫無疑問，人工智能將在這一領(lǐng)域取得穩(wěn)步進展，但我們不知道隨著單個領(lǐng)域識別能力的不斷進步，將已習得的表示在新環(huán)境中泛化（generalize）的能力是否也會隨之提高。

現(xiàn)有的人工智能游戲玩家都無法解析這樣一句話：「這個游戲就像太空版的《卡坦島》（ThisgameislikeSettlersofCatan,butinSpace）」。語言解析可能是人工智能最為棘手的部分。人類可以使用語言獲取新信息和新技能，部分原因是我們擁有關(guān)于世界的豐富的背景知識。此外，我們可以利用上下文來十分靈活地運用這些背景知識，因此我們可以辨別出內(nèi)容之間相關(guān)與否。

對舊知識的泛化和重用隸屬于一個更為廣泛的能力：多技能整合?？赡芪覀兡壳暗姆椒ㄟ€達不到生物智能那樣輕易實現(xiàn)大規(guī)模能力集成。

一個常見的能力集成方面的挑戰(zhàn)是符號接地問題（symbolgroundingproblem）。即符號系統(tǒng)（例如數(shù)學符號或語言中的詞）如何與感知現(xiàn)象——視覺、聲音、紋理等相連接。

粗略地說，人工智能方法分為兩類：符號化（symbolic）和亞符號化（sub-symbolic）。符號化方法被用于「經(jīng)典的」或「傳統(tǒng)的」人工智能。它們非常適用于基于規(guī)則的確定性場景，比如下棋（但通常我們必須預先編碼好規(guī)則）。如果人類提前做了符號接地（symbol-grounding），符號處理過程就會很輕松。如果讓人工智能直接處理「原始」輸入信息，比如光、聲音、紋理和壓力這些數(shù)據(jù)，效果就沒那么好了。

在另一個極端，我們有亞符號方法，如神經(jīng)網(wǎng)絡（深度學習網(wǎng)絡是其中的一種）。這些方法接收原始輸入信息的數(shù)字化版本——像素、聲音文件等作為輸入。亞符號方法適用于許多形式的模式識別和分類問題，但是我們?nèi)匀粵]有可以從類別標簽轉(zhuǎn)換到基于規(guī)則進行操縱的符號系統(tǒng)的可靠方法。

所以綜上所述，想要了解人工智能問題的范疇，首先要了解智力本身——它遠比模式識別復雜得多。我們需要能夠建立起模式與符號表示系統(tǒng)之間的雙向連接，使語言的和基于規(guī)則的思維能夠整合在一個具身代理中，與現(xiàn)實世界進行實時的交互。