东方时讯网
从优步先进的计算机视觉系统到Netflix的创新推荐算法，机器学习技术在我们的社会中几乎无处不在。他们过滤我们的电子邮件，个性化我们的新闻源，更新我们的GPS系统，并驾驶我们的私人助理。然而，尽管这些技术引领了人工智能的革命，但有些人会认为这些机器学习系统并不是真正的智能化。
从最基本的意义上讲，这个论点集中在机器学习从模式识别理论演变而来的事实上，因此，这种系统的能力通常只扩展到一个任务，并集中在从现有数据集进行预测。像麻省理工学院机器人学教授罗德尼布鲁克斯这样的人工智能研究人员认为，真正的推理和真正的智能是超越这些学习系统的几个步骤。
但是，如果我们已经拥有精通模式识别学习的机器，那么在我们拥有能够进行真正推理的机器之前，它将持续多久，一旦达到这一点，AI将如何发展?
了解人工推理在未来几十年将遵循的步伐和路径，是确保人工智能安全，并且不会对人类构成威胁的重要部分;然而，在有可能理解不同类别认知的机器推理的可行性，以及人工智能在继续演化过程中可能遵循的路径之前，有必要首先确定“推理”一词的确切含义。 ”
了解智力
Bart Selman是康奈尔大学计算机科学系的教授。他的研究致力于理解机器推理的演变。根据他的方法，推理被描述为获取信息，将它们组合在一起，并使用片段得出逻辑结论或设计新信息。
体育提供了一个很好的例子来阐述机器推理究竟是什么。当人类看到球场上的足球运动员踢球时，他们可以在很小的困难下确定这些人是足球运动员。今天的AI也可以做出这个决定。然而，人类也可以看到穿着足球服装的人在城市街道上骑自行车，他们仍然可以推断该人是足球运动员。今天的AI可能无法建立这种联系。
这个过程 - 获取已知的信息，将其与背景知识结合起来，并对未知或不确定的信息进行推断 - 是一个推理过程。为此，塞尔曼指出，机器推理不是关于做出预测，而是关于使用逻辑技术(如上面提到的诱导过程)来回答问题或形成推理。
由于人类通常不会通过模式识别和合成来推理，而是通过使用诸如归纳，演绎和绑架等逻辑过程，塞尔曼断言机器推理是一种更像人类智能的智能形式。他继续指出，创造具有更像人类推理过程的机器，并脱离传统的模式识别方法，是制定不仅能够预测结果而且能够理解和解释其解决方案的系统的关键。然而，塞尔曼指出，制造人类AI也是实现超人类认知水平的第一步。
由于这可能给人类带来生存威胁，因此有必要准确理解这种演变将如何展开。
制造(超级)心灵
看起来真正聪明的人工智能对后代来说是一个问题。然而，就机器而言，AI专家的共识是机器推理已经取得了快速进展。事实上，许多研究人员断言，在未来几十年内，人类认知将通过多种指标实现。然而，关于人工智能系统一旦实现人工智能将如何发展的问题依然存在。一个关键问题是这些进步是否可以加速进一步扩大到超人类智能。
这个过程是塞尔曼毕生致力于学习的过程。具体来说，他研究了不同类别认知的AI可扩展性的步伐以及机器中超人类认知水平的可行性。
塞尔曼表示，试图对机器何时以及如何超越人类进行全面陈述是一项艰巨的任务，因为机器认知是脱节的，并没有与人类认知完美平行。“在某些方面，机器远远超出了人类的能力，”塞尔曼解释说，“例如，当谈到数学的某些领域时，机器可以采取数十亿的推理步骤，并在一小部分时间内看到一个陈述的真实性。第二。人类没有能力做那种推理。“
然而，当谈到上面提到的那种推理时，意义来源于基于新数据整合的演绎或归纳过程，塞尔曼说计算机有些缺乏。“就人类擅长的标准推理而言，他们还不存在，”他解释道。今天的系统在某些任务方面非常擅长，有时甚至比人类好得多，但只在非常狭窄的应用范围内。
鉴于这些差异，我们如何确定人工智能将如何在各个领域发展，并了解在实现一般人类AI后它们将如何加速?
对于他的工作，塞尔曼依赖于计算复杂性理论，该理论有两个主要功能。首先，它可以用于表征用于解决问题实例的算法的效率。正如约翰霍普金斯大学的莱斯利霍尔所指出的那样，“广泛地说，算法的计算复杂性是衡量算法在特定大小的[问题]实例的最坏情况下需要多少步骤的度量。”其次，它是一种根据固有难度对任务(计算问题)进行分类的方法。这两个特征为我们提供了一种方法，通过提供一种确定最简单且最可能的进步领域的正式方法来确定人工智能将如何发展。它还提供了关于此可伸缩性速度的关键见解。
最终，这项工作很重要，因为我们的机器的能力正在快速变化。正如塞尔曼指出的那样，“我们衡量推理计划能力的方式是通过观察他们可以快速结合的事实数量。大约25年前，最好的推理引擎可以结合大约200或300个事实并从中推断出新的信息。目前的推理引擎可以结合数百万个事实。“当涉及到人类机器推理水平的扩大时，这种指数增长具有重要意义。
正如塞尔曼解释的那样，鉴于我们的人工智能系统目前的能力，看起来具有真正推理能力的机器似乎还有一段距离;然而，由于技术进步的速度过快，我们可能会开始看到具有智能能力的机器，这些机器在相当短的时间内大大超过了我们自己的机器。“十年后，我们仍然会发现它们[人工智能机器]非常缺乏理解，但是从现在起二三十年后，机器可能会建立起与年轻人相同的知识，”塞尔曼指出。预计何时会发生这种转变将有助于我们更好地理解我们应采取的行动以及当前一代必须投入的研究，以便为这一进步做好准备。