通用人工智能目前看起來實現(xiàn)的可能性比較大一些拳恋，似乎只要將所有領域的弱人工智能通過一定的方式連接起來，再加上一定的綜合分析算法砸捏，就有可能得到一個通用人工智能谬运。但是實際上可沒有這么容易。通用人工智能的關鍵在于如何將不同的領域能力進行整合垦藏，目前并沒有可行的整合方案梆暖。

先來看看一個有關智能的真實故事。

?日本烏鴉是目前公認的最聰明的一種烏鴉掂骏。在日本一所大學附近的十字路口轰驳，研究人員跟蹤和拍攝了一些烏鴉的有趣行為。

烏鴉（圖1）想吃堅果弟灼，可是它沒法砸碎堅果的外殼级解。剛開始，它試著把堅果從天上往下拋田绑，可是堅果殼不會碎勤哗。怎么辦呢？

在某次下拋后辛馆，它發(fā)現(xiàn)一個訣竅俺陋，如果拋下的堅果落在路上，正好被讓車軋過去（圖2）昙篙，堅果就會碎了。但是烏鴉到路中間去吃堅果是一件很危險的事诱咏，隨時會有車子呼嘯而過苔可，萬一被碾到它就犧牲了。但是烏鴉有辦法袋狞，它又開始觀察了焚辅，見圖3映屋。它發(fā)現(xiàn)在靠近紅綠路燈的路口，車子和人會根據(jù)燈的指示停下了同蜻。這時棚点，它必須進一步領悟出紅綠燈、斑馬線湾蔓、行人指示燈瘫析、車子停、人流停這之間復雜的因果鏈默责。甚至贬循，哪個燈在哪個方向管用、對什么對象管用桃序。搞清楚之后杖虾，烏鴉就選擇蹲在一根正好在斑馬線上方的一根電線上（圖4）。它把堅果拋到斑馬線上媒熊，等車子軋過去奇适，然后等到行人燈亮了（圖5）。這個時候芦鳍，車子都停在斑馬線外面嚷往，它終于可以從容不迫地飛下去，吃到了地上的果肉（圖6）怜校。

很神奇吧间影，日本烏鴉在這個過程中，表現(xiàn)出了相當強的智能茄茁，在很多地方遠遠超過目前的弱人工智能魂贬。

首先是生命只有一次，它可沒法象深度學習那樣有幾乎無限次的訓練樣本進行嘗試裙顽。它必須通過很少的次數(shù)就發(fā)現(xiàn)不能直接在路上吃堅果付燥；其次是烏鴉觀察和學習紅綠燈指示的很可能是別的地點，那個點沒有這些蹲點的條件愈犹。它必須學會將同樣的因果關系键科，遷移到當前的地點來用。這一點漩怎，當前很多機器學習方法是做不到的勋颖。比如，一些增強學習方法勋锤，讓機器人抓取一些固定物體饭玲，如積木玩具，換一換位置都不行；打游戲的人工智能算法藕坯，換一換畫面，又得重新開始學習柠偶。?

烏鴉這樣的智能體次哈，有幾個主要特點：

一是它具有感知胎署、認知、推理窑滞、學習和執(zhí)行的綜合能力琼牧。它能夠在復雜的世界中，認識和歸納出知識葛假，并指導自己的行為障陶。

二是它不需要大量數(shù)據(jù)，現(xiàn)實生活中它無法找到大量的數(shù)據(jù)來進行學習聊训。這一點是與現(xiàn)在的人工智能最大的差異抱究。

三是烏鴉的能耗非常小。人腦功耗大約是10-25瓦带斑，烏鴉就只有0.1-0.2瓦鼓寺，這比目前人工智能的能耗不知道要小多少。

現(xiàn)在還不知道怎么讓人工智能達到烏鴉的智能水平勋磕。也許新的技術(shù)路徑建立在對人類大腦結(jié)構(gòu)的最新認識之上妈候。

2013年以來,美國和歐盟在認知科學和腦科學領域啟動了人類大腦計劃（HBP：Human Brain Project）。他們獲得政府機構(gòu)的巨額經(jīng)費支持挂滓，以大科學協(xié)作的方式開展研究苦银。人類大腦計劃將通過研究大腦工作機制，發(fā)現(xiàn)大腦信息處理的基本原理赶站，并為此研發(fā)觀察幔虏、記錄和成像神經(jīng)回路活動的新技術(shù)。一些科學家認為該研究中的類腦計算（Brain-like）將是從弱人工智能到強人工智能的主要路徑贝椿，并提出了神經(jīng)擬態(tài)計算（Neuromorphic

Computing）方案想括。神經(jīng)擬態(tài)計算是基于人類大腦工作原理設計非馮·諾依曼傳統(tǒng)結(jié)構(gòu)的計算機來實現(xiàn)強人工智能愿景。根據(jù)神經(jīng)擬態(tài)學工程師烙博、德國海德堡大學物理學家卡爾海因茨·邁耶（Karlheinz?Meier）的觀點瑟蜈，相對于傳統(tǒng)計算機而言，神經(jīng)擬態(tài)計算應具備人腦的三大特性渣窜；低能耗铺根、容錯性、無須編程乔宿。

通用人工智能借鑒生物智能來尋找方向夷都，以解決問題為主要目標，而不尋求和生物一樣具備情感和自我意識予颤。因此囤官，它更可能扮演人類忠實智力工具的角色，任勞任怨地為人類解決實際問題蛤虐。

還應該看到一點党饮，單獨的通用人工智能未必就比現(xiàn)有的弱人工智能強大。就像前文說過的驳庭，對于“一因一果”的領域刑顺，弱人工智能有最好的解決方案；對于“少因多果”的領域饲常，如果這個領域的數(shù)據(jù)足夠完整蹲堂，需要的能耗也在可接受的范圍，弱人工智能也能處理的非常好贝淤。

從進化論我們很容易可以推導出一個結(jié)論柒竞，生物體能用最有性價比的方式，獲取最大的生存優(yōu)勢播聪。這也是很容易理解的朽基，畢竟在殘酷生存競爭的自然界，獲取足夠多的能量對所有生物來說都是比較困難的离陶。因此稼虎，能在自然競爭中存活的生物都進化出了高效利用能量的能力。生物智能也是這樣的招刨，現(xiàn)代的認知科學已經(jīng)證明了人類智能往往不求精準地反映現(xiàn)實世界霎俩，找到所有問題的最優(yōu)解，而是努力地以盡可能小的能耗沉眶，從所能獲取的信息篩選出最重要的內(nèi)容打却，進而找到當前情況下的可行解。換句話說沦寂，就是夠用就好学密，而不是精益求精。

這種智能處理方式帶來了能耗低和快速求解的好處传藏。特別是面對“多因一果”的領域腻暮，人類往往通過邏輯判斷甚至是直覺，就能從紛繁復雜的事物表象中提取出最重要的一個或幾個原因毯侦，并迅速找到解決方案哭靖。

但是這種處理方式必然帶來了一個問題，就是解決問題的方案不一定是最優(yōu)的侈离，可能存在一定的錯誤概率试幽。就如上面的烏鴉，它發(fā)現(xiàn)了車子會在紅燈前停下卦碾，所以看到紅燈后可以安心地吃堅果铺坞∑鹂恚可是如果這時候有個醉漢無視紅燈駕車過來，烏鴉的生命就危險了济榨。如果烏鴉能有其它的信息獲取方式坯沪，比如它有伙伴留在交通燈桿上幫它觀察，并及時發(fā)出警告擒滑，它就知道有車過來腐晾，并馬上飛離地面。

通用人工智能如果是模擬生物智能來實現(xiàn)的丐一，那很可能也是一種快速求解的方案藻糖，那就一定會帶來錯誤概率。弱人工智能采用的大數(shù)據(jù)完全求解方案雖然慢一點库车，需要的能耗更多巨柒，但是出錯的概率肯定更低。到底哪種人工智能更適合凝颇，可能還需要根據(jù)實際情況來確定潘拱。

事實上，在很多特定領域拧略，對數(shù)據(jù)的占有和分析能力芦岂，才真正決定了人工智能的能力。在能收集到足夠多數(shù)據(jù)垫蛆，并完全分析出事物的“因”禽最，將問題完全收斂為“少因一果”的領域，弱人工智能仍然是足夠強大的袱饭。例如在交通控制領域川无，各種各樣的通用人工智能在開著各自的自動駕駛車輛，它們能夠根據(jù)當前路面各種復雜情況虑乖，判斷出哪里可能不堵車懦趋，從而快速到達目的地。但是疹味，有個專門用于交通管理的弱人工智能仅叫，它擁有全市的車輛運行數(shù)據(jù)，也有全市的監(jiān)控攝像頭數(shù)據(jù)糙捺，它還有專門用于車流控制的專用算法诫咱。那么顯而易見，在整體交通流量優(yōu)化方面洪灯，這個弱人工智能將大大強于眾多的通用人工智能坎缭。

因此，弱人工智能，只是在統(tǒng)籌推理上比較弱掏呼，難以處理“多因一果”的問題坏快，但是在解決“一因一果”或者“少因一果”的特定問題上，未必就是“弱”的哄尔。而通用人工智能假消，“強”在對問題的抽象、分析和推理能力岭接。這種能力使它更加像人，更能處理復雜情況臼予，面對多數(shù)“多因一果”問題也能應付自如鸣戴，但是它未必就是十全十美的，在特定問題上往往還有其局限粘拾。

某種意義來說窄锅，通用人工智能是弱人工智能的自然延伸和發(fā)展，其本質(zhì)上仍然是一種智力工具缰雇。只是它更加強大入偷，當然也就能為人類創(chuàng)造更大的價值，與此同時械哟，也可能給人類帶來更大的危害疏之。