年度最理性AI分析文章：预测AI未来，大部分人陷入了7大误区(9)

不过这并不意味着那些系统就一无是处。它们对搜索引擎公司具有极大价值。光是把图像标记好了就能让搜索引擎填补从搜索文字到搜索图片的鸿沟。还要注意搜索引擎对任何查询往往都会提供多个回答然后让人对前面几个回答进行审核确定哪些是实际相关的。搜索引擎公司努力想要提高自身系统的表现，拿到最好的回答放到排名前5左右。但这需要人类用户的认知能力，所以他们不需要每次都先得到最好的回答。如果他们只得到一个回答，无论是搜索“巴黎的好酒店”，还是只提供“有趣的领带”一张可选图片的电子商务网站，其用处就没那么大了。
问题出在哪里呢？大家听说某个机器人或者AI系统已经能执行某种任务了。然后他们就从那种表现归纳出一种认知性相同任务预计具备的一般能力。然后他们再把这种泛化到机器人或AI系统。
今天的机器人和AI系统相对于我们能做的事情在能力上是极其狭隘的。人类的那种概括根本就不具备。而做出这种概括的人就错得太离谱了。
4. [A、B]手提箱单词（Suitcase words）
我在我的一片解释机器学习机制的文章中简单提到过手提箱单词（suitcase words，Marvin Minsky杜撰的词，意思是说一个单词包含有很多含义，就像手提箱打开后里面有很多东西一样）。在那篇文章中我讨论了“学习”这个词应用到人的身上可以有很多种类型的学习。正如我所说那样，人类用于学习不同类型的学习当然会有不同的机制。学习使用筷子跟学习新歌的调子当然是非常不同的体验。学习编写代码跟学习在特定城市穿行也会有很大的不同。
当大家听说机器学习取得了突飞猛进时，他们会考虑在一些新领域的机器学习，他们往往将人学习该新领域的心智模式套用过去。然而，机器学习是非常脆弱的，每一个新的问题领域需要研究人员或者工程师的大量准备，要有特定目的的编码来处理输入数据，需要特殊用途的训练数据，以及定制的学习结构。今天计算机的机器学习根本就不是像人类的那种海绵式的吸收，可以无需进行手术般篡改或者有目的开发的基础上就能在新的领域取得快速进展。
类似的，当大家听说计算机现在可以击败世界国际象棋冠军（1997年）或者围棋世界冠军（2016年）时，他们往往认为机器就像人一样在“下”棋。当然在现实中这些程序对游戏是什么样以及自己的下法其实是一无所知的。就像那篇大西洋月刊的文章指出那样，李世石只需要12盎司的咖啡就能思路敏捷，而AI程序Alphago作为分布式应用却需要大量的机器部署，并且要有超过100位科学家的背后支撑。