為了答復這個成績，我將提出，為了讓機械變得和人類一樣聰慧，必需戰勝五個里程碑式的困難：廣泛性、轉移進修、自立進修、知識和自我認識。 讓我們順次來看看看看我們明天人工智能的成長程度。

　　廣泛性：這意味著我們開辟出一種辦法，或許一種可以運用于任何其他自力于范疇成績的體系架構。我以為這個成績在很年夜水平上獲得懂得決。人工智能的幾率辦法，好比深度傾斜收集（好比專家體系），曾經證實了其通用性。我們可使用異樣的深度進修收集和算法來處理簡直一切成績——這是一個很好的機械進修的典范。

　　自立進修：這就是Deep Mind的“AlphaGo Zero”所獲得的造詣。經由過程對第一個AlphaGo所應用的原始強化進修辦法的調劑和簡化，他們演示了一個給定目的的神經收集（如“贏”）可以本身進修，并為完成這一目的而創造戰略。這是一個嚴重的沖破，它讓我們離人工智能更近了一步。

　　轉移進修：這意味著一個體系可使用或籠統天時用它經由過程處理特定成績積聚的常識，并將這些常識運用于處理分歧的成績。這是我們人類的本性，我們會在成績中“看到固定的形式”和“成績之間的類似性”，我們應用積聚的“經歷”來處理它們。在人工智能范疇，我們還沒有完成這一目的。雖然在機械中，仿佛至多有一條完成轉移進修的有愿望的門路，辦法是將幾率和非幾率（“意味性”）辦法聯合起來。例如，假定一個體系可以或許檢測出它的神經收集在處理某個特定成績時所采用的步調，并將它們轉換為一種啟示式算法，然后對這類特定范疇的啟示式算法停止歸結，并用它來驅動神經收集去處理另外一個成績。

　　知識：這是一個異常難的成績。舉個例子，“邁克爾·菲爾普斯在北京奧運會上取得了400米蝶泳金牌”。當你讀到這句話的時刻，你會連忙、隱約地想到一長串的工作；例如，菲爾普斯在取得獎章時身上是濕了的，他必需在進入泅水池之前把襪子脫失落等等。這類邏輯假定與原始陳說的聯系關系在盤算機中是極端難以編碼的。我們間隔處理知識成績還有很長的路要走。然則，一個好的開端就是研討神經迷信能教給我們如何構成、保存和應用記憶的方法。人類記憶的功效也許是在機械中開辟知識的癥結。

　　自我認識：人類的自我“認識”依然是奧秘的，雖然神經體系迷信家曾經獲得了一些沖破性的停頓，當我們認識到一些工作的時刻，好比當“我”或“自我”涌現，發生客觀體驗時，我們的年夜腦會產生甚么。對很多人來講，高條理的認識能夠是人類在面臨將來智能機械時堅持某種優勢的“最初碉堡”。但是，發明出模擬自我認識的機械并不是弗成能。我之所以說“模擬”，是由于，除非我們找到一種客不雅的辦法來權衡人類的認識，不然我們將永久沒法判斷一臺機械能否“真的”無意識。那些讓我們信任他們有自我或特性的機械應當絕對輕易開辟，但他們能否會真正地具有自我認識，我們只能曉得我們能否能處理了“認識的困難”。