• 当前的“人工智能”仅以有限的“有样学样”方式运作。
• 几乎没有迹象表明此类系统能够跃升至更高层次的认知。
• 我们应集中精力，更好地将机器学习与人类操作者结合起来。
文学、电影和科技新闻中一个流行的桥段是：人类的造物将崛起并毁灭人类。近来，这种担忧表现为对人工智能变得无所不能、起而反抗并消灭人类的恐惧。
经济界纷纷跟风人工智能；在某段时期，如果你的投资路演中没有“人工智能”，就别指望获得融资。（小贴士：如果你只是使用谷歌服务为图片加标签，那你并不是在做人工智能。）
然而，真的有什么东西配得上“人工智能”这一称谓吗？我想指出，答案是否定的，而且我们当前的思路过于专注于研发系统，却很少考虑使用这些系统的人，从而使我们失去了真正的益处。
如今企业在实际环境中使用的，几乎完全是统计模式识别和复制引擎。基本上，所有这些系统都遵循“有样学样”的模式：它们输入一定量的数据，并尽可能逼真地模仿某种已知（或捏造）的输出。
在用于创造价值时，你向它们输入某个现实中的输入，然后读取预测的输出。如果它们遇到从未见过的情况怎么办？那么，你最好希望这些“新”事物与以前的事物足够相似，否则你那“智能”系统给出的回应将相当愚蠢。
但其中丝毫不存在理解、推理和语境，只是对以往所见事物的简单重现。一个被训练用于在图片中识别绵羊的图像识别系统，根本不知道“绵羊”究竟是什么意思。然而，这些系统在重现输出方面已变得如此出色，以至于它们有时看起来仿佛知道自己在做什么。
你可能会问，这还不够好吗？嗯，在某些有限的场景下，确实够用。但它并不“智能”，因为它缺乏任何推理能力，需要具备相关知识的用户来识别那些不太明显的异常值，而这些异常值可能带来有害的下游影响。
思维阶梯共有三级，如下图所示：
模仿：你模仿所见之事。为此，你无需任何理解，只需相关性。你能够记住并复制过去。实验室小鼠或当前的人工智能系统就处于这一级。
干预：你理解因果联系，并能够根据过去对世界的认知，推断如果现在采取某种行动会发生什么。这需要一个关于你想施加影响的那部分世界及其最相关下游依赖关系的心智模型。你能够想象不同的未来。在这一级，你会遇到狗和年幼的孩子，所以这并不是一个糟糕的位置。
反事实推理：最高层级，你会思考如果过去你做了这样或那样的事，会发生什么。这需要一个完整的世界模型，以及在头脑中模拟世界的方法。你能够想象多种过去和未来。在这一级，你会遇到乌鸦、海豚和成年人类。
要从一级攀升到下一级，你需要培养一整套全新的技能。你不能仅仅把模仿系统做得更大，就指望它突然能够推理。然而，这正是我们当前在不断扩大的深度学习模型上所做的事情：我们认为，只要赋予它们更强的模仿能力，它们迟早会神奇地发展出思考能力。除了自欺欺人的希望，以及向投资者和报刊兜售美好故事之外，几乎没有理由相信这一点。
而我们甚至还没有触及计算复杂性和经济与生态影响这一不断增长的模型问题。即便该方法奏效（而迄今为止它并未奏效），我们也可能根本无法将模型扩展到所需的规模。
这些系统所生成的一切，只是智能的表象。在通过模仿来实现人工智能生成的目标时，我们正在追随一种货物崇拜。
相反，我们应当坦然接受一个事实：当前的方式无法实现真正的人工智能，我们也应当停止这样称呼它。机器学习（ML）是一个非常贴切的术语，用于指代在其可适用的狭窄领域中具有出色能力的工具。对于任何工具而言，都不应试图把整个世界都当作自己的钉子，而应找出何处适用、何处不适用。
机器擅长以极小的不确定性快速且反复地执行任务。它们是第一级的统治阶层。
人类擅长在手头数据极少、不确定性很高的情况下，把握语境、理解事物并理清头绪。他们是第二级和第三级的统治阶层。
那么，如果我们将精力从当前执着于将人的因素从一切事务中剔除的做法上转移开来，转而思考如何结合两者的优势呢？为机器学习系统打造最佳的、以人为本的形态，找到恰当的人机界面，使二者都能大放异彩，具有巨大的潜力。机器学习系统负责准备数据、执行一些可自动化的任务，然后将结果交给人类，由人类依据语境进一步处理。
机器学习可以成为类似于首席执行官的得力幕僚、农民的役畜，或是应用程序用户的良好用户界面：赋能、节省时间、减少错误。
为特定任务构建机器学习系统相当容易，而且将来只会越来越容易。但要将数据及数据预处理结果与决策者（即人类）进行稳健、有效的整合，则是一项艰巨的任务。大多数机器学习项目在采用/与寻求使用它们的组织整合这一阶段失败，是有原因的。
论坛如何帮助各国政府负责任地采用人工智能技术？
解决这一问题是一项富有创造性的任务：它涉及领域理解、产品设计与沟通。与其一味追求规模，比如为了投放更具针对性的广告，真正的价值在于以巧妙的方式连接数据与人类，从而做出更好的决策，并能够解决更艰巨、更重要的问题。
