在一篇名為“慘痛的教訓”的熱門博客文章中，理查德·薩頓 (Richard Sutton) 認為，人工智能的進步源于更廉價的計算，而不是基于特定問題信息的人類設計決策。薩頓貶低了研究人員，他們根據(jù)對問題的理解將知識構建到解決方案中以提高績效。薩頓解釋說，這種誘惑有利于短期績效提升，而且這種虛榮心讓研究人員感到滿意。然而，這種人類的聰明才智是以犧牲人工智能的神圣命運為代價的，它阻礙了不需要我們幫助理解問題的解決方案的發(fā)展。人工智能的目標是從無到有地重建問題解決者，而不是直接解決問題。

在題為“更好的教訓”的反駁中，機器人專家羅德尼·布魯克斯 (Rodney Brooks) 辯稱，薩頓 (Sutton) 的通用解決方案示例忽略了人類的聰明才智而支持“蠻力”計算，[事實上] 是人類聰明才智的結果。布魯克斯提供了人類獨創(chuàng)性的例子，例如卷積神經網絡等網絡架構和平移不變性等計算特征，有效地論證了該領域將失敗的人類獨創(chuàng)性換成了更成功的人類獨創(chuàng)性。Brooks 的生態(tài)友好論點表明，讓人工智能學習一切“似乎迂腐到了極致”，并補充說學習一切“將推高計算成本……增加許多數(shù)量級。”

在一個這樣的例子中，Sutton 寫道，“1997 年擊敗世界冠軍 [Garry] Kasparov 的方法是基于大規(guī)模的深度搜索。”更深入的搜索可能會帶來更高的性能，因為在游戲的每一步都會評估更多的棋步。然而，回報是遞減的，并不是每個人都有興趣用未來的理論性能收益來換取更高的電費。盡管如此，關于深藍系統(tǒng)中沒有內置人類知識的說法是錯誤的。“大規(guī)模、深度搜索”是明確為游戲設計的，以大師提供的開局動作為基礎，評估函數(shù)是人類為國際象棋設計的，搜索算法不知道。

對于研究人員來說，與其提倡更深入的搜索，一個更有趣的問題是人類如何在我們不使用搜索的游戲中如此具有競爭力，更不用說深度搜索來評估每秒數(shù)百萬次移動了。人類國際象棋棋手可以通過預測優(yōu)勢并逆向尋找走法順序來分析十步走法。不幸的是，人類如何具有如此競爭力的問題被忽略了，因為該領域的人很少關心。薩頓指出了這一點，并敦促研究人員停止“建立我們的想法”，他說這“從長遠來看是行不通的”。這個聲明很奇怪，因為薩頓是現(xiàn)代計算強化學習的創(chuàng)始人之一，它是從現(xiàn)已失效的稱為行為主義的心理理論發(fā)展而來的。行為主義將精神狀態(tài)簡化為身體狀態(tài)，并凈化思想以支持環(huán)境刺激和行為反應。換句話說，強化學習是對我們的想法的回應。我想 Sutton 的意思是，如果這些理論已經失效，可以建立我們的想法。

與Ray Kurzweil一樣，Sutton 將 AI 未來的所有進步都歸功于摩爾定律。然而，摩爾定律因此人工智能的論點是一個范疇錯誤，更不用說反智了。這是一個類別錯誤，因為人工智能的進步需要的不僅僅是計算的進步。

這種想法忽略了實現(xiàn)真正的人工智能所需的哲學、本體論和技術突破，而這將無法通過蠻力搜索或學習來實現(xiàn)。它是反智的，因為它清除了所有支持摩爾定律的研究。這樣的聲明會指向 Yann LeCun、Geoffrey Hinton 和無數(shù)其他研究人員，并宣稱他們的工作不是開創(chuàng)性的。相反，他們被摩爾定律的恩典拯救了，這表明下一代人會原地踏步，什么都不做。

如果規(guī)模被認為是所有其他問題，那么將特定于問題的信息納入解決方案是以規(guī)模為代價的。但是，大多數(shù)企業(yè)只需要解決一些問題，主要是客戶面臨的問題。沒有通用公司這樣的東西，因此幾乎不需要通用解決方案。這是一個痛苦的商業(yè)教訓，因為特定問題的信息可以幫助您更快地獲得解決方案。此外，客戶關心穩(wěn)定的價值主張。機器學習是概率性的，具有不穩(wěn)定的價值主張，盡管受益于額外的計算能力，但仍然非常脆弱。因此，使用在后臺或前臺運行的非概率元素的更穩(wěn)定的系統(tǒng)可為客戶提供更持久的解決方案和更穩(wěn)定的價值主張。此外，僅機器學習的解決方案無法以精確的方式修復。你可以改進訓練數(shù)據(jù)，收集更多數(shù)據(jù)、調整參數(shù)或將一種解決方案替換為另一種解決方案以提高性能。但是，如果您需要專門解決某些問題并且不想更換整個系統(tǒng)，則除非使用非概率元素，否則無法保證改進。要注意的是，非概率元素不會超出少數(shù)程序員頭腦中所能掌握的范圍，應謹慎使用。關鍵是您的解決方案不需要知道或想要解決問題，但您和您的團隊需要。

薩頓的文章很短（相對簡潔的 1,116 字），讓我想知道為什么。為什么不像他在文章中提倡的那樣，等待寫一篇可以概括所有可能問題的文章，向讀者做出一個聰明的自我參照陳述呢？取而代之的是，薩頓只是根據(jù)他的職業(yè)生涯積累的知識，分享他對特定主題的獨特見解。拋開教學上的輕浮不談，我希望我們能夠接受科學需要科學家這一事實，而不是將所有潛力都轉移到摩爾定律上。在我們無所不能之前什么都不做是錯誤的。