相較於機器，人類在嬰兒時期便會運用各種感官來主動接受周圍環境的訊息，去學習龐大的知識。在學習一定的常識後，便會主動將其歸類，從而將「知識」與「認知」建立連結。
但機器不同於人類，他們對世界的認知很大程度上取決於數據投餵的數量與質量。但是，這種機械性學習，無法讓他們徹底了解事物之間的聯繫，以及具體的運作規律。如果要讓機器看起來擬人，則需要我們人為地將這些「連結」。聽起來雖然容易，但實際的工作量卻相當龐大。
在這個學習方向上，學界一直存在一些爭議。一種傾向是在現有結構上進行最佳化，將開發好的神經元結構與目前的模型結合；另一種傾向則是重新開發，訓練人工智慧模仿人類嬰兒學習基礎知識，教導它們主動獲取知識
教會AI徹底向人類一樣思考顯然很難在短時間內實現，因此當前的研發方向更是對垂直領域進行深耕，令其掌握單一領域的知識與運作規律。那麼，為什麼要讓AI先學習科學知識，而不是我們認知中的常識呢？
這其中涉及數學領域，AI的運作，本身是建立在一個個數學模型之上。從物理的角度，公式的運算能讓AI推導出相關運動軌跡，掌握實現此現象的原理。在進行學習之後，便能令其在無標籤的情況下，對同類動作進行自動運算。當然，即便已經拆解成單一領域，但所涉及的知識量仍舊十分巨大。
將複雜的問題簡化，可以幫助我們更快解決眼前的困難。對於難以解決的大問題，我們可以將其拆分成一系列小問題，逐一攻克，尋找其中的基本規律，以提高解決問題的效率
以上是如何讓人工智慧擁有像人類一樣的常識呢？的詳細內容。更多資訊請關注PHP中文網其他相關文章！
