尽管人工智能（AI）已取得显著成就，但仍缺乏人类感知的“智能感”。鉴于智能的多面性，深度学习恐难成为通往通用人工智能（AGI）的唯一路径，融合多种技术路线或比单一依赖深度学习更为适宜。
人工智能的现状与局限
从深蓝到生成式AI的跨越
AI的发展令人瞩目：1997年IBM深蓝击败国际象棋冠军；2016年AlphaGo融合搜索树与深度学习战胜李世石；如今，增强现实辅助皮肤科医生诊断黑色素瘤，ChatGPT能深度解析创作逻辑，DALL·E 2等生成式模型已产出媲美人类的艺术作品。在农业、生态保护及家庭服务等领域，AI应用也正稳步渗透，展现出强大的实用价值。
然而，这些成就并未完全消除用户的“非智能”体验。当应用场景发生微小变化时，AI往往表现脆弱：棋盘尺寸改变会导致游戏AI出错；大型语言模型（LLM）虽能精准预测词汇，却缺乏对语义的真正理解；自动割草机仍可能误伤静止的小动物。相比之下，人类具备极强的适应性与常识判断力。目前的AI系统距离真正的超级智能仍有漫长进化之路。
迈向AGI：深度学习的瓶颈与反思
当前AI进展高度依赖深度学习。基于“扩展假设”，有观点认为随着模型规模与数据量的增加，复杂行为将自然涌现，AGI或许能通过优化神经网络架构实现。但这本质上是一个工程迭代问题，且面临能源、硬件及数据质量的潜在限制。
业界需保持审慎。若过度将所有资源投入深度学习，最终可能仅获得“强化型自动化”而非真正的通用智能。现有的自动字幕、虚拟助手等工具虽有用，但多停留在检索与模式匹配层面。若要实现如联合国口译员般的精准理解或类人推理决策，必须探索深度学习之外的方法，避免偏离AGI目标。
提升AI智能的关键要素
为弥补现有缺陷，AI发展应遵循以下原则：
多模态与泛化能力
AI不应是“偏科生”，而应具备多任务处理与多模态感知能力，使综合性能超越单一模态。同时，模型需具备跨域泛化能力，即像动物学家识别新物种一样，将已知知识迁移至陌生领域。最新的生成式AI通过合成数据反馈机制，有望降低此类学习对海量标注数据的依赖。
构建机器“常识”
常识是AI的圣杯，包含物理直觉、心理直觉及通识三部分。人类在婴幼儿期便习得这些能力，而AI目前严重缺失。模拟儿童认知发展过程，让机器从基础感知中学习世界规律，被视为获取常识的关键路径。
神经符号AI：融合快慢思维的新路径
早期符号AI因脆弱被弃用，但其逻辑表达能力不可或缺。结合深度神经网络与符号系统的“神经符号AI”正重获关注。该理念对应丹尼尔·卡尼曼提出的“系统1”（快速直觉）与“系统2”（慢速逻辑）思维：
- 深度神经网络：模拟系统1，负责感官处理与快速反应；
- 符号人工智能：模拟系统2，负责逻辑推理与概念传递。
AlphaGo融合深度学习与树搜索、CNN生成可解释图形程序、图神经网络提取暗物质公式等案例，均证明了神经符号方法的潜力。这种混合策略既能利用深度学习的感知优势，又能保留符号系统的逻辑严谨性，是实现更高级智能的重要方向。
未来展望
深度学习将继续推动实用应用落地，但难以独自支撑AGI的实现。考虑到智能的复杂性，组合使用多种方法是必然选择。神经符号AI作为模拟人类双重思维模式的尝试前景广阔，但也可能面临挑战。在AI发展的探索期，应保持开放心态，避免过早否定任何技术路线，通过多元化实验寻找通往真正智能的路径。
原文链接：https://blog.deepgram.com/ai-still-feels-artificial-what-are-we-missing/
作者 | Brad Nikkel
译者 | 平川
策划 | 凌敏