“我们并没有真正了解人类思维”，纽约市巴纳德学院的天文学家Janna Levin说，他同时领导了一个关于人工智能技术和伦理未来的小组。“我们认为，通过映射，我们可以理解人类思维，但这并没有实现。”
“当我们不理解人类思维时，我们又如何创造人工智能呢？”
据该小组的人工智能研究人员称，这是一个棘手的问题。我们无法完美地模拟人脑。相反，我们应该把时间花在解锁智力的基本原则上。
Max Tegmark是麻省理工学院的物理学家，也是生命未来研究所的主任。他说，过于关注大脑只是“碳沙文主义”（此理论认为身为以碳为主体的生物，尚未接触任何地外生命的人类很难凭空想像截然不同的生化理论）。尽管到目前为止科学家们还没有找到它的奥秘，但大脑的运作方式并没有什么神奇之处。“我们太沉迷于大脑的运作方式，”Tegmark说，“我认为这是缺乏想象力的表现。”
历史证明了他的观点。在维多利亚时代，一位名叫Clément Ader的工程师建造了第一个比空气重的飞行器。他模仿了蝙蝠来建造。这些机器不过是两侧有大型蝙蝠翅膀的椅子。Ader用这个几乎无法控制的装置飞行了几百米。但是，如果他是第一个飞行成功的人，为什么众人只知道莱特兄弟却不知道他呢？
Ader第三版的飞行器。虽然它可以维持飞行，但它的蒸汽动力引擎完全无法控制。
尽管用我们自己的形象创造人工智能并不是一种可行的方式，但小组当晚的讨论依然回到生物学领域。正如Levin所说，人类智慧和意识仍然是我们最好的例证。
“你可以从生物学中获得灵感，但你绝不能机械地复制它”，Facebook的人工智能研究主管扬·勒丘恩说。“从工程的角度来看，追溯进化将非常困难。”由于进化缺乏能动性，创造出有智力的猿猴靠的不是有意识的努力或决定。相反，我们能走到今天，是因为数百万年的随机突变，让我们活得足够长，能够繁衍后代。
最大化或简化我们大脑的智力和推理能力从来都不是问题的一部分。人类的大脑是极其复杂的。它充满了各种机制，可以在子宫里自我配置，还能长期自我修复。机器不需要这些，因为处理配置的过程由人类完成。它只需要接收数据，处理并学习数据。
人工智能先驱扬·勒丘恩在Pioneer Works的最新“科学争议”小组发表讲话。一起发言的还包括著名物理学家Max Tegmark和主持人Janna Levin，巴纳德学院的天文学家。
勒丘恩解释说，对于更传统的监督学习方法，人类必须在机器自身完成有意义的工作之前，向系统提供数以千计的例子。例如，一个图像识别算法需要看到无数的苹果，才能在照片中识别出一个苹果。第二种方法是强化学习，在这种学习中，人工智能系统或神经网络——与大脑相似的算法——彼此相互训练。这种方法通常只适用于游戏。一个下棋的人工智能可以玩几百万次游戏，了解游戏规则只需要分分钟而已。
但这两种方法都不完美。这两种方法都不会产生一种真正使其理解这个世界的人工智能。在监督学习中，人类仍在做着所有繁重的工作，而那些下棋电脑则一无所知。
“我们用非常愚蠢的方式训练神经网络，”勒丘恩说，“和人类与动物训练自己的方式完全不同。”婴儿在两个月大的时候就知道物体永存性。当他们半岁的时候，他们能凭直觉感知物质世界的运作方式。但我们无法在我们的机器中启动这种无监督的学习（如果有人能成功，那么很可能是勒丘恩和他的Facebook团队，因为只有大公司才有资源和架构来训练高水平的神经网络）。但在小组讨论中，他耸了耸肩：“我们也没办法做到这一点。”
这就是为什么对人工智能来说，生物基础是至关重要的，而非对人类大脑的完美重构。没有其他模式供程序员参考。人类的大脑是一个科学奇迹，但并不是唯一的答案。这些研究人员需要记住，人类和隐藏在我们头骨中的超级计算机没有什么特别之处，它们不应该试图创造出新的东西。
