最近开发的人工智能（AI）模型能够实现许多令人印象深刻的功能，包括识别图像和生成类似人类的语言。但仅仅因为AI可以执行类似人类的行为并不意味着它可以像人类一样思考或理解。
作为一名研究人类如何理解和思考世界的研究人员，我认为重要的是要强调人工智能系统“思考”和学习的方式与人类的根本不同鈥攁在人工智能真正像我们一样思考之前，我们还有很长的路要走。
普遍存在的误解
人工智能的发展产生了能够执行非常类似人类行为的系统。语言模型GPT-3可以生成通常与人类语音无法区分的文本。另一个模型PaLM可以解释它以前从未见过的笑话。
最近，一种被称为Gato的通用AI被开发出来，它可以执行数百项任务，包括字幕图像、回答问题、玩Atari视频游戏，甚至可以控制机器人手臂堆叠块。DALL-E是一个经过训练的系统，可以根据文本描述生成修改后的图像和艺术品。
这些突破导致了一些关于此类人工智能能力的大胆主张，以及它能告诉我们关于人类智能的什么。
例如，谷歌人工智能公司DeepMind的研究员南多·德弗雷塔斯（NandoDeFreitas）认为，扩大现有模型的规模将足以产生人类水平的人工智能。其他人也赞同这一观点。
在所有的兴奋中，很容易假设类人行为意味着类人理解。但人工智能和人类思考和学习的方式有几个关键区别。
神经网络与人脑
最近的人工智能是由人工神经网络构建的，简称“神经网络”。之所以使用“神经”一词，是因为这些网络受到人脑的启发，在人脑中，数十亿个被称为神经元的细胞彼此形成复杂的连接网，在来回发射信号时处理信息。
神经网络是生物学的高度简化版本。一个真实的神经元被一个简单的节点代替，节点之间的连接强度由一个称为“权重”的数字表示
通过将足够多的连接节点堆叠到足够多的层中，可以训练神经网络来识别模式，甚至“概括”到与之前看到的相似（但不完全相同）的刺激。简单地说，泛化是指人工智能系统从某些数据中获取所学知识并将其应用于新数据的能力。
能够识别特征、识别模式并从结果中概括是神经网络成功的核心鈥攁nd模仿人类用于此类任务的技术。然而，两者之间存在着重要的区别。
神经网络通常通过“监督学习”进行训练。因此，他们给出了许多输入和期望输出的示例，然后逐渐调整连接权重，直到网络“学习”生成期望输出。
为了学习一项语言任务，神经网络可能会呈现一个句子，一次一个单词，然后慢慢学习预测序列中的下一个单词。
这与人类通常的学习方式非常不同。大多数人类学习是“无监督的”，这意味着我们没有明确被告知对给定刺激的“正确”反应是什么。我们必须自己解决这个问题。
例如，孩子们并没有得到如何说话的指导，而是通过接触成人语言、模仿和反馈的复杂过程来学习。
另一个区别是用于训练人工智能的数据规模巨大。GPT-3模型训练了4000亿单词，大部分来自互联网。以每分钟150字的速度，一个人要阅读这么多的文字需要将近4000年的时间。
这样的计算表明，人类不可能像人工智能那样学习。我们必须更有效地利用少量数据。
神经网络可以以我们无法做到的方式学习
更根本的区别在于神经网络的学习方式。为了将刺激与期望的响应相匹配，神经网络使用一种称为“反向传播”的算法将误差向后传递到网络中，从而允许以正确的方式调整权重。
然而，神经科学家普遍认为反向传播无法在大脑中实现，因为它需要外部信号，而外部信号根本不存在。
一些研究人员提出，大脑可以使用反向传播的变体，但到目前为止，还没有证据表明人脑可以使用这种学习方法。
相反，人类通过构造心理概念来学习，其中许多不同的属性和联系联系在一起。例如，我们对“香蕉”的概念包括它的形状、黄色、它是水果的知识、如何持有它等等。
据我们所知，人工智能系统不会形成这样的概念知识。他们完全依赖于从训练数据中提取复杂的统计关联，然后将这些关联应用到类似的环境中。
正在努力构建将不同类型的输入（如图像和文本）结合在一起的人工智能鈥攂但这是否足以让这些模型学习人类用来理解世界的相同类型的丰富心理表征，还有待观察。
关于人类如何学习、理解和推理，还有很多我们不知道的地方。然而，我们所知道的表明，人类执行这些任务的方式与人工智能系统非常不同。
因此，许多研究人员认为，在我们能够制造出真正像人类一样思考和学习的机器之前，我们需要新的方法，需要对人脑的工作方式有更基本的了解。
本文是根据知识共享许可证从对话中重新发布的。阅读原文。