为了答复这个成绩，我将提出，为了让机械变得和人类一样聪慧，必需战胜五个里程碑式的困难：广泛性、转移进修、自立进修、知识和自我认识。 让我们顺次来看看看看我们明天人工智能的成长程度。
广泛性：这意味着我们开辟出一种办法，或许一种可以运用于任何其他自力于范畴成绩的体系架构。我以为这个成绩在很年夜水平上获得懂得决。人工智能的几率办法，好比深度倾斜收集（好比专家体系），曾经证实了其通用性。我们可使用异样的深度进修收集和算法来处理简直一切成绩——这是一个很好的机械进修的典范。
自立进修：这就是Deep Mind的“AlphaGo Zero”所获得的造诣。经由过程对第一个AlphaGo所应用的原始强化进修办法的调剂和简化，他们演示了一个给定目的的神经收集（如“赢”）可以本身进修，并为完成这一目的而创造战略。这是一个严重的冲破，它让我们离人工智能更近了一步。
转移进修：这意味着一个体系可使用或笼统天时用它经由过程处理特定成绩积聚的常识，并将这些常识运用于处理分歧的成绩。这是我们人类的本性，我们会在成绩中“看到固定的形式”和“成绩之间的类似性”，我们应用积聚的“经历”来处理它们。在人工智能范畴，我们还没有完成这一目的。虽然在机械中，仿佛至多有一条完成转移进修的有愿望的门路，办法是将几率和非几率（“意味性”）办法联合起来。例如，假定一个体系可以或许检测出它的神经收集在处理某个特定成绩时所采用的步调，并将它们转换为一种启示式算法，然后对这类特定范畴的启示式算法停止归结，并用它来驱动神经收集去处理另外一个成绩。
知识：这是一个异常难的成绩。举个例子，“迈克尔·菲尔普斯在北京奥运会上取得了400米蝶泳金牌”。当你读到这句话的时刻，你会连忙、隐约地想到一长串的工作；例如，菲尔普斯在取得奖章时身上是湿了的，他必需在进入泅水池之前把袜子脱失落等等。这类逻辑假定与原始陈说的联系关系在盘算机中是极端难以编码的。我们间隔处理知识成绩还有很长的路要走。然则，一个好的开端就是研讨神经迷信能教给我们如何构成、保存和应用记忆的方法。人类记忆的功效也许是在机械中开辟知识的症结。
自我认识：人类的自我“认识”依然是奥秘的，虽然神经体系迷信家曾经获得了一些冲破性的停顿，当我们认识到一些工作的时刻，好比当“我”或“自我”涌现，发生客观体验时，我们的年夜脑会产生甚么。对很多人来讲，高条理的认识能够是人类在面临将来智能机械时坚持某种优势的“最初碉堡”。但是，发明出模拟自我认识的机械并不是弗成能。我之所以说“模拟”，是由于，除非我们找到一种客不雅的办法来权衡人类的认识，不然我们将永久没法判断一台机械能否“真的”无意识。那些让我们信任他们有自我或特性的机械应当绝对轻易开辟，但他们能否会真正地具有自我认识，我们只能晓得我们能否能处理了“认识的困难”。
