导语
加里·马库斯是认知科学家、AI领域的重要批评者，他在本次访谈中深入剖析了当前人工智能发展的核心困境。马库斯认为，尽管AI在特定任务上表现出色，但距离真正的人类级智能还有很长的路要走。他强调，当前以深度学习为主流的AI范式存在根本性缺陷，尤其是在常识推理、语言理解和灵活问题解决方面。马库斯主张，未来AI的突破需要结合符号操作与机器学习的优势，构建具备真正认知能力的混合系统。
马库斯谈AI：深度学习非魔法，常识才是关键
加里·马库斯在访谈中指出，当前AI的核心瓶颈在于缺乏常识和真正的理解能力。他认为深度学习擅长模式识别，但无法处理抽象推理与复杂知识，未来AI需要符号操作与统计学习的混合范式。马库斯强调，智能是多维的，人类智能并非通用智能的标杆，但当前机器智能在灵活性、语言理解等方面仍远远落后。
大纲与深读 7 章
展开「深读」看每一段讨论的问题与论据。
01
AI技术奇点与渐进变革
- AI对人类智能‘食物链’的影响已在发生，但将是渐进而非单一点式突变。
- 智能是多维变量，AI在数学和博弈领域已超越人类，但在语言理解和常识推理上仍远落后。
- 实现通用智能的关键障碍是缺乏机器可解释的常识知识体系。
深读这一段
讨论的问题：人类文明是否会面临AI驱动的技术奇点，从而根本性地改变人类在智能生物食物链中的位置？
论据 / 案例：Gary Marcus以他的五岁孩子为例，指出AI在语言理解等能力上仍远远落后；他强调AI需要理解诸如‘瓶子装水’、‘人喝水解渴’等基本事实才能理解故事。
02
常识知识：物理与心理
08:00- 常识知识包含物理推理（如物体如何运作）和心理推理（理解人类目标与情感）两个维度。
- 物理知识可能比心理知识更易获取，因为机器人可通过实验学习，而对人的实验受伦理限制。
- Facebook等平台通过数字界面研究人类行为，在心理推理上已有一定建树，但理解深度有限。
深读这一段
讨论的问题：对于AI而言，获得物理世界的常识知识和理解人类心理，哪个更困难？
论据 / 案例：机器人可以通过实验学习‘钥匙如何插入锁中’；但对人进行疼痛实验会‘无法通过伦理委员会’。Facebook被描述为拥有‘庞大的心智理论’，擅长让人上瘾。
03
AI的魔法与现实局限
16:00- 国际象棋和围棋是封闭问题，规则数千年不变，AI技术对此有效但无法直接迁移至语言等开放问题。
- 语言理解极其复杂，可能的句子数量近乎无限，且依赖于丰富的物理世界模型。
- AlphaGo的成功并不意味着AI魔法，它解决的是特定类型的问题。
深读这一段
讨论的问题：为什么像AlphaGo这样的系统在棋类上表现神奇，却无法迁移到语言理解等其他复杂任务？
论据 / 案例：与卡斯帕罗夫合写文章‘AI is not magic’；DeepMind在阅读和语言任务上的投入与产出比远低于棋类；棋盘有361个交叉点，而下一个句子可以是任何东西。
04
通用智能与人类缺陷
24:00- 通用智能应定义为能在多个领域间灵活迁移知识，而当前AI甚至无法在不同棋盘形状间迁移。
- 人类存在记忆差、动机性推理等缺陷，但AI的目标应是超越人类，结合机器的计算力与人类的理解力。
- 人类的记忆缺陷（如混淆停车位）并非优点，而是可以优化的系统漏洞。
深读这一段
讨论的问题：通用智能的本质是什么？人类的认知缺陷（如有限的记忆、偏见）是弱点还是某种意义上的优势？
论据 / 案例：一个围棋AI无法直接适应长方形棋盘；人类可以轻松理解《绝命毒师》中独特的追车戏并将其与其他追车戏进行比较和反思。
05
深度学习的十大挑战
32:00- 当前AI研究的主导范式是依赖统计近似而非真正的‘认知模型’，导致系统脆弱。
- 常识本身包含多种知识（如分类层级、功能理解），远不止是简单的规则或关联。
- 深度学习在感知分类（如识别瓶子）上表现优异，但在推理和表示抽象知识方面存在根本缺陷。
深读这一段
讨论的问题：在深度学习面临的众多挑战（数据效率、鲁棒性、常识等）中，解决哪个问题会产生最大影响？
论据 / 案例：论文《Deep Learning: A Critical Appraisal》列出十大挑战；‘奶酪刨丝器’的例子说明理解其功能（为何手柄在顶部）需要超越简单模型的知识；为了用逻辑编写关于‘容器’的论文花费了数月时间。
06
符号操纵与专家系统的遗产
40:00- 深度学习缺乏对变量和操作的真正代数理解，无法像人类一样进行泛化（如从偶数到奇数）。
- 专家系统的局限在于完全依赖手工编码的规则，缺乏学习能力；而纯深度学习又完全抛弃了规则。
- 未来AI需要一种结合深度学习（感知）和符号操纵（推理）的新混合技术。
深读这一段
讨论的问题：专家系统和深度学习各自的优缺点是什么？未来的AI架构应如何结合两者的优势？
论据 / 案例：1998年的实验显示，神经网络在训练识别所有偶数后，无法泛化识别奇数；现代AI需要像‘卷积’这样由人类设计的内置抽象，而非完全依赖学习。
07
先天知识与后天学习
56:00- 儿童能自主设定问题并创造新挑战（如‘如果我能穿墙’），这是当前AI缺失的关键能力。
- 人类智能依赖于先天的知识框架（如空间、时间、因果概念）与后天学习的结合。
- 进化虽低效，但一旦产生一个好‘想法’（如脊椎动物大脑蓝图），就会快速复制和迭代，形成可重用的‘库’。
深读这一段
讨论的问题：儿童能通过‘假设’游戏自主设定学习目标，这对理解先天与后天知识有何启示？进化如何高效地构建智能的‘子程序’？
论据 / 案例：Marcus的两个孩子会自己发明游戏和挑战；新生小山羊几小时后就能下山，表明其天生具有身体、物理和三维几何的知识。
金句
- "I think our place in the food chain has already changed." —— 我认为我们在食物链中的位置已经改变了。
- "Common sense includes both physical knowledge and psychological knowledge." —— 常识既包括物理知识，也包括心理知识。
- "AI is actually a grab bag of different techniques, and some of them have unique strengths and weaknesses." —— AI实际上是一堆不同技术的集合，其中一些有其独特的优势和劣势。
- "We really do need to have stuff that represents symbols." —— 我们确实需要能够表示符号的东西。
