【注：认知科学领域真正的大师级人物。关于思考，思考的非常深入的人，显然活在下一个世纪。】
编译 | 路雪、黄小天
来源 | Quartz
作者 | Nikhil Sonnad、Dave Gershgorn
侯世达，一个思考「思考」的人
人工智能研究初期的二十世纪五六十年代，目标是通过模仿人类直观理解世界的能力，创造像人一样思考和学习的计算机。但是「思考」（thinking）远比想象的要复杂，1950 年代的计算机还无法实现它。这令人灰心丧气，最终导致人们彻底放弃了对「思考」的思考，转向通过海量数据训练计算机解决具体任务，即导致了当下的人工智能（深度学习）大爆发。计算机在国际象棋上战胜人类，靠的不是对棋艺的不懈追求，而是检索数百万棋谱选择获胜的最优解。
2017 年，AI 似乎再次与这一古老的问题相遇：如何使计算机更像人。深度学习先驱 Geoffrey Hinton 在 Axios 的采访中说自己陷入了「深深的怀疑」，深度学习本质上是一种体力活。相反，计算机应该足够灵活，像人一样学习一切，而无需各种各样的数据集。
面对 AI 的这些转变，美国印第安纳大学认知科学与比较文学教授侯世达对「思考」（thinking）的思考从未间断。他认为当下的 AI 毫不「智能」，并担忧人类由此误入歧途。关于 AI 当前的现状，哪些做错了？前方又有哪些危险？带着这一初衷，Quartz 采访了侯世达。
Quartz：首先我们谈一下计算机对语言的理解能够达到什么程度。为了实现语言之间的高效翻译，机器必须对世界有深刻的理解，是吗？
编译 | 路雪、黄小天
来源 | Quartz
作者 | Nikhil Sonnad、Dave Gershgorn
侯世达，一个思考「思考」的人
人工智能研究初期的二十世纪五六十年代，目标是通过模仿人类直观理解世界的能力，创造像人一样思考和学习的计算机。但是「思考」（thinking）远比想象的要复杂，1950 年代的计算机还无法实现它。这令人灰心丧气，最终导致人们彻底放弃了对「思考」的思考，转向通过海量数据训练计算机解决具体任务，即导致了当下的人工智能（深度学习）大爆发。计算机在国际象棋上战胜人类，靠的不是对棋艺的不懈追求，而是检索数百万棋谱选择获胜的最优解。
2017 年，AI 似乎再次与这一古老的问题相遇：如何使计算机更像人。深度学习先驱 Geoffrey Hinton 在 Axios 的采访中说自己陷入了「深深的怀疑」，深度学习本质上是一种体力活。相反，计算机应该足够灵活，像人一样学习一切，而无需各种各样的数据集。
面对 AI 的这些转变，美国印第安纳大学认知科学与比较文学教授侯世达对「思考」（thinking）的思考从未间断。他认为当下的 AI 毫不「智能」，并担忧人类由此误入歧途。关于 AI 当前的现状，哪些做错了？前方又有哪些危险？带着这一初衷，Quartz 采访了侯世达。
Quartz：首先我们谈一下计算机对语言的理解能够达到什么程度。为了实现语言之间的高效翻译，机器必须对世界有深刻的理解，是吗？