自行车 汽车和飞机 哪个容易学？
骑自行车、驾驶汽车和开飞机，哪个更容易？这个问题对于人类和机器人来说答案是很不相同的，弄明白这一点可以帮助我们在不必借用各种计算机术语的情况下理解人工智能的本质，以及这项技术的未来。
你到大街上随便拦住一个路人，问他骑自行车、驾驶汽车和开飞机这三种技能哪种更容易学？得到的回答肯定是自行车最容易，开飞机最难。但是，当牛津大学计算机系主任麦克·伍尔德里奇（Michael Wooldridge）教授在全球人工智能与机器人峰会（CCF-GAIR）上提出这个问题时，他给出的答案却正好相反。
这个由中国计算机学会（CCF）主办、雷锋网全程承办的峰会于今年8月12日在深圳召开，主题是探讨人工智能、机器人、无人机和自动驾驶这四大领域的产业化前景。作为围棋软件阿尔法围棋（AlphaGo）背后的团队DeepMind成员之一，伍尔德里奇教授应邀出席了首日的全体大会，并发表了题为《通往人工智能的诸条路径》的演讲。
伍尔德里奇教授指出，上述这四大领域的核心技术就是人工智能，具备人工智能的机器人最容易学的恰好就是开飞机这类看上去很难的事情。事实上，如今大部分民航飞机上都安装了自动驾驶系统，飞行员几乎成了摆设。相比之下，真正意义上的汽车自动驾驶则要困难得多，好在经过人类多年的努力，目前已经有很多家企业非常接近于解决这个难题了，有望在不远的将来向市场推出民用自动驾驶汽车。而大家普遍认为最容易学的骑自行车反而是机器人最大的软肋之一，科学家们至今尚未制造出会骑自行车的机器人。
机器人不是很厉害吗？为什么会和人类正好相反呢？答案就在于我们人类有一些机器人很难模仿的本领。
开飞机为什么比开车更容易？
先来对比一下开飞机和开汽车的区别。
当然了，这里所说的开汽车绝不是把车开起来就完了，而是在真实道路上驾驶一辆普通汽车，准确地完成启动、加速、匀速前行、转弯、变道、躲避其他车辆和行人等动作，快速而又安全地到达指定目的地，就像一名富有经验的老司机经常做的那样。
所有这些动作当中，启动和加速都很容易做到，匀速前行也已经成为绝大多数汽车的标配，但转弯就要困难很多，驾驶员必须能够识别出道路的边界和转弯灯的信息，并判断出对面是否有来车。变道就更难了，不但要事先感知邻道有没有车，还要知道对方的车速，计算出变道后是否影响对方的正常行驶。所有这些动作都要求驾驶员必须能准确地感知周边环境，知道哪个是车，哪个是障碍物，还要准确识别交通灯和其他车的车灯给出的信息。所有这些信息都是极为复杂而多变的，很难用一套计算机程序万无一失地描述出来，更不用说所有的决定都必须在瞬间完成，根本没有多少时间进行复杂的计算。
如果再把行人的因素考虑进来的话，难度又将增加好几个数量级。一个合格的自动驾驶机器人首先必须分辨出对面哪个物体是行人，这可不是一件容易的事情，因为每个人的身高体重都不一样，穿的衣服也不同，很难用一组公式定义出来。其次，这个自动驾驶机器人必须能够准确判断出对方的意图，这就更困难了。经常在中国城市里开车的人都知道，如果每次看到前方有人就减速，那你就寸步难行了。一个有经验的司机往往会根据对方的身体语言，比如手势和眼神，判断出对方是否看到了自己的车，到底是打算抢在你前头加速横穿马路，还是停下来等你先过。
即使上述两种情况都能轻松应对，仍然不能称之为全自动驾驶机器人，因为这台机器人还必须学会处理各种可能出现的紧急情况，比如前方出车祸后应该如何应对，后面有辆救护车的话应该如何避让，以及当交通警察现场指挥交通时应该如何处理，等等。所有这些紧急情况千差万别，更是不可能用同一套电脑程序来涵盖的。
相比之下，开飞机听上去很复杂，但飞行员的所有动作都是程序化的，什么样的高度和风速对应什么样的动作完全可以用同一个计算机程序来描述。更重要的是，起码绝大多数情况下，商用飞机是不用担心周围有飞机和自己抢道的，即使有的话，飞机之间的距离也足够远，计算机有足够的时间进行计算，并做出相应的规避动作。
还有一个重要区别值得一提，那就是商用飞机上安装的自动驾驶系统可以不计成本，而且一定会有至少一名真人驾驶员充当应急保险，但汽车自动驾驶系统就没有这个便利了。首先，这套系统肯定不能太贵，否则消费者买不起；其次，如果始终需要真人驾驶员作为保险的话，它的实用性也将大打折扣；第三，如果取消真人驾驶员的话，就必须保证每套系统至少要安全运行数万小时而不能出现任何一次差错。比如美国现在的事故率大约为每6万小时一次事故，任何自动驾驶系统的事故率都必须在此之下才有可能被公众接受。任何人只要回想一下你的家用电脑的死机次数就不难理解这个标准有多难实现了，而要想满足如此高的要求，软件开发商必须经过长时间路上测试才行，这意味着研发成本将是天文数字。事实上，如今新型商用飞机研发成本的一半来自软件调试，汽车自动驾驶软件的研发费用可想而知。
以上都是事实，那么问题来了：既然新一代电脑的运算速度比人脑快很多，储存量也比人脑大很多，为什么还是赶不上人脑，甚至连辨认行人这么简单的工作都完成得那么费劲呢？答案就在于学习的时间不够长。一名18岁的真人汽车驾驶员至少用了15年的时间去了解他周围的世界，在此期间他几乎每时每刻都在学习辨认同类并理解他们的动机，只有睡觉时除外。他每在大街上走一次，就会对城市街道的情况多一分熟悉，他每坐一次汽车，就会对马路上的生态环境和行为准则多一分了解。换句话说，真人驾驶员是经过了多年坚持不懈的学习才拿到驾照的，这些年来他的大脑所接收到的信息是一个天文数字，如今任何一台计算机都不可能储存这么多信息，更何况还要去分析它们了。
另一个类似的案例就是语言的学习。语言也是人工智能领域的研究热点，大批企业投入大笔研究经费，试图让电脑学会像人类那样讲话，但迄今为止收效甚微，原因就在于人类从生下来开始每天都在接触语言，任何一个普通人在语言方面所接受的训练都是现在的电脑无论如何无法企及的。曾经有一位麻省理工学院（MIT）的教授试图搞清人类婴儿是如何学习语言的，他在自己家的所有房间里安装了14个麦克风和11个数码摄像头，每天录12～14小时，基本上收集到了他的新生儿子3岁之前所接触到的所有来自外界的声光信息。他想通过分析这些信息来找出儿子学习语言的奥秘，但他很快就意识到这将是一件多么难以完成的任务，因为这些设备每天都会产生350G的信息，到底哪些信息才是真正有用的？光是回答这个问题所需要的计算能力就已经超出目前电脑的能力范围了。即使将来有台功能强大的电脑能够从这些数据中找出规律，它也只能达到3岁小孩的语言水平！由此可见，人工智能要想完美地模仿人类语言，还有很长的路要走。
但是，就是这样一个连车都不会开的人工智能机器人，却打败了围棋职业顶尖高手李世石，这又是怎么回事呢？
阿尔法围棋为什么能赢李世石？
棋类一直被认为是一种衡量智力的游戏，因此也被看成是衡量人工智能发展水平的标志之一。事实上，当人工智能这个概念于1956年被提出来之后不久，就有人尝试让计算机学下棋了。最早尝试的是诸如跳棋和五子棋这类相对简单的游戏，它们很快就被电脑攻克了，因为电脑只要把每一步之后的所有可能的下法全部计算一遍，从中找出最优解就行了。
这个方法在国际象棋面前遇到了麻烦，因为计算量太大了，远远超出了计算机的计算能力。不过这并没有难倒IBM的科学家，他们发明了一种算法，可以对每一种后续着法进行评估，去掉那些明显找死的下法，这就大大减少了计算量。IBM用这套“偷懒”的算法制造出了“深蓝”，一举击败了国际象棋大师卡斯帕罗夫。可惜的是，这套算法无法应用到围棋身上，因为围棋的计算量又要比国际象棋大无数倍，再怎么“偷懒”都算不过来。
人类棋手当然不是仅仅通过这种单纯的计算来下围棋的，一名高水平棋手不但要掌握一些基本的计算技能，还要通过大量实践，培养一种被称之为“棋感”的能力。这种能力听上去似乎很神秘，但其实就是棋手经过多年实战而得到的经验总结。问题在于，这样的经验很难写成具体的、可执行的计算机程序，所以电脑围棋一直很难赢职业棋手。
但是，一名职业围棋手一辈子用于下棋的时间是有限的，一盘棋的信息量更是比日常生活中接触到的总信息量要少得多。换句话说，围棋虽然听上去很难掌握，但它所包含的信息量其实远不如真实生活中含有的信息量大，所以，起码从理论上讲，让电脑学会下围棋反而要比让电脑学会开车更容易些。
有了理论的指导，实践起来就容易了。具体来说，阿尔法围棋的成功得益于一种名为“机器学习”的电脑技术。顾名思义，“机器学习”就是让机器模仿人类的学习过程，自己找到解决问题的方法。这项技术的哲学基础就是曾经红极一时的仿生学，致力于人工智能研究的科学家当中有一派人相信，只有模仿人类的大脑才能达到目的，因此他们决定用电脑元件来模仿神经元，建造一个能够模拟大脑学习机制的神经网络。
问题在于，神经生物学家对人类大脑的细微结构所知有限，只知道神经元是通过“突触”（Synapse）彼此相连的，上游神经元发出的电脉冲通过这个突触被传递到下游神经元，依次类推。如果某个突触经常被使用，那么这个突触的联通效率便会提高一点，仅此而已。科学家们并不清楚究竟需要怎样的使用频率才会提高联通效率，也不知道联通效率的提高究竟以怎样一种方式让人脑获得了记忆或者形成了意识，人工智能专家们就是在这样的条件下开始研究“机器学习”技术的。
事实证明，早期的计算机无论是运算速度还是储存能力都和人类的大脑相距甚远，就连最简单的学习能力都不具备，这就是为什么人工智能研究从上世纪70年代开始进入了低潮期，并一直持续了30多年，到后来计算机专家们就连人工智能这个词都不愿提起了，嫌丢人。
2005年，来自加拿大多伦多大学、蒙特利尔大学和美国纽约大学的科学家联合发明了“深度学习”（Deep Learning）技术，终于让人工智能领域重新热闹了起来。所谓“深度学习”其实就是进一步模仿神经系统，增加信息传递的层级。这个做法很早就有人知道了，但技术条件不成熟，一直没能付诸实践。近年来计算机领域突飞猛进，在三个领域取得了重大突破，终于使得“深度学习”成为可能。
第一个突破是计算能力和储存能力的大幅提升，大名鼎鼎的摩尔定律就是明证。人工神经网络的层级越多，就越容易从原始数据中提炼出抽象的概念，这是机器学习的窍门所在。但是，层级越多，所需要的计算能力就越高，而且是几何级数的增长，没有超强计算机的辅佐，人工智能是不可能实现的。
第二个突破是算法的进步。前文提到，神经科学家并不知道究竟需要怎样的使用频率才会提高神经元之间的联通效率，翻译成计算机术语的话就是应该如何分配每一条信号通路的权重，才能提高学习的效率，否则的话计算量将陡增，机器学习便成了一句空话。上述三所大学的科学家运用高深的数学知识，最终解决了这个系统优化的问题，终于让机器学习成为可能。
第三个突破就是大名鼎鼎的“大数据”。我们人类是从日常生活经验中学习知识的，这就意味着我们每个人每天都要接收到大量的信息，换算成计算机语言的话就是海量的原始数据。同样，如果你想训练一台计算机，让它像人类那样思考，就必须喂给它大数据，希望它能从中找出规律。大数据这个概念原本并不是为了“深度学习”而出现的，但却正好满足了“深度学习”的需要，填补了人工智能领域的一项空白。
这方面最典型的案例就是图像识别，这是非常适合运用“深度学习”技术的一个领域，但以前的计算机专家们手头没有那么多图像资料，没法训练电脑。自从社交网络红起来之后，网民们每天都会上传海量的图片到网上，专家们所要做的就是把这些图片和网民们提供的注解一同喂给电脑，让电脑从中找出规律，学会如何识图。微软亚洲研究院常务副院长芮勇在本次峰会上透露，目前全球最大的图像数据库ImageNet上已经有120万个训练样本了，包括10万个高质量的测试图像，涵盖1000个类别。目前微软的人工智能图像识别系统已经把错误率降到了3.5%，人类也只能做到5.1%而已，也就是说电脑已经比人还可靠了。这套系统甚至可以自动识别出全球60%的名人，准确度高达99%。
阿尔法围棋就是运用“深度学习”技术击败李世石的。伍尔德里奇教授所在的DeepMind团队最早利用“深度学习”技术训练电脑玩Atari视频游戏，科学家们事先不告诉电脑Atari游戏的规则，而是每次游戏结束后把双方的得分告诉电脑，然后让电脑自己找出取胜之道。经过一段时间的训练，电脑不但找到了取胜的最佳法门，而且还战胜了人类高手，这就给DeepMind团队极大的信心去挑战职业围棋高手。
围棋的训练当然要比Atari难得多，但好在电脑围棋程序已经存在了很多年，存下了成千上万盘棋谱。人类高手之间的棋谱也有很多被数字化了，这就给DeepMind团队提供了高质量的大数据用于训练阿尔法围棋。达到一定水平之后的阿尔法围棋又可以自己跟自己下，在短时间内迅速提高棋力，终于战胜了人类顶尖高手李世石。
从这个案例可以看出，强大的计算能力、合理的优化算法和高质量的大数据就是目前基于神经网络的人工智能的三大基石，而这三大基石的核心就是最大限度地模仿人类的学习过程，缩短学习一项技能所需要的时间。一个人类围棋高手至少需要经过十几年的专业训练才能成材，而有了这三大基石，一台电脑只需很短的时间就可以达到一流高手的境界了。阿尔法围棋在和李世石比赛前3个月还只是职业初段的水平，3个月后就已经能打败李世石了，可见这项技术的潜力之大已经超出了一般人的想象。
但是，大数据不是那么容易获得的。对于汽车自动驾驶技术来说，电脑最大的短板就是缺乏高质量的大数据。谷歌自动驾驶汽车之所以每天都要在大街上跑，就是为了积累优质大数据，以此来训练电脑，提高自动驾驶软件的智能水平。
但是，这个办法用在自行车上就不灵了。
机器人为什么学不会骑自行车？
不管你愿不愿意相信，自行车，这个普及程度最高的交通工具仍然是只属于人类的座驾，机器人至今没能掌握骑车这项技术。
这个世界上确实有不少人不会骑车，但如果他们真的愿意学，又没有什么残疾的话，最多学一天也就会了，而且一旦学会了就变成了本能，即使中间有好几年不骑也忘不了。如此“简单”的一项技能，机器人为什么就是学不会呢？
让我们试着用电脑的语言描述一下骑车这个动作。自行车只有两个支点，骑手是依靠身体的轻微摇摆来保持动态平衡的，这就要求他每时每刻都必须监测自身重心的位置，并立刻指挥身体相应部位的肌肉，做出平衡的动作，动作太大太小都不行，必须恰到好处才能保持稳定。骑车的时候两腿交替使劲，身体重心左右摇摆的幅度更大，需要计算的数据量也就成倍增长。拐弯就更不用说了，车把和身体必须时刻保持同步，否则肯定摔跤。以如今机器人的技术水平，光是对自身重心位置的准确判断就是一个很难实现的功能，更不用说还要指挥身体完成各种微妙的平衡动作了。
也许有人会说，机器人没必要学骑自行车，所以没人愿意投资研制会骑车的机器人。这个解释确实是合理的，但我们可以把上述问题替换成一个等价的问题：机器人为什么连走路都学不会呢？
如今有好几家公司都在研制走路机器人，一个原因是希望能开发出一种救援机器人，代替人类走进灾难现场。另一个原因是想通过这类研究，找出人类走路的奥秘，并将原理应用到为残疾人制作假肢的技术上。研究人员很快发现，别看地球人都会走路，但让机器人学会走路实在是太难了！
首先，走路的人必须要有一套智能的视觉系统，能够迅速判断路面情况，找到下脚的位置。这在平地上还好说，如果地面不平，甚至有坑或者障碍物的话，走路者就必须立即做出判断，保证自己踩到结实的路面，这一点对于机器人来说可不是一件容易的事情。其次，走路是一个身体不断向前摔倒而又迅速恢复平衡的动态过程，走路者必须随时调整自己的步幅，以及脚掌和腿部的受力，甚至还要辅以双臂的摇摆才能平稳而又快速地向前走，这一点对于机器人的运动系统设计者来说更是一个巨大的考验。第三，走路者所有的信息接收、信息处理和信号输出过程都必须在瞬间完成，而且又不能占用太多的计算空间，这就更难做到了。想想看，人类完全可以一边走路一边想事情，因为人只需要用小脑就可以指挥身体走路了，大脑完全可以留下来干更重要的事情。
一台走路机器人只有同时满足上述这三个条件，而且满足的程度还必须非常高，才能像健康人那样轻快而又敏捷地向前走。以目前的人工智能和机器人制造技术水平来看，以上三条中的任何一条都很难满足，这就是为什么机器人至今没有学会走路的原因。
同样地，我们必须再追问一句：如今的电脑已经变得如此强大，人造机械设备的各种功能更是把人类甩出了好几条街，为什么如此简单的走路居然就学不会呢？对于这个问题，只要我们仔细观察一下自己的身体构造就可以找到答案了。
找面镜子放在面前，镜子中的你简直就是一架天底下最完美的走路机器，世界上最好的设计师都不可能设计得更好了。想想看，我们的足弓、脚趾、膝盖和髋关节全都长得恰到好处，两条腿的肌肉、骨骼和肌腱也全都是为了走路而生的，每个部位都配合得天衣无缝，而且这种配合几乎是天生的，只需要经过简单的学习就可以完全掌握。
为什么会这样呢？答案很简单：这就是进化的力量。我们人类和其他动植物一样，都是亿万年进化的产物。生物进化是一个通过不断试错来改进自身的完美机制，我们的身体正是经过了这一漫长的过程才终于适应了陆地生活方式，而走路正是陆上生活所需要的最重要的能力之一，对于“完美性”的要求是极高的。正因为走路是如此重要，生物进化干脆把它固化在了我们的基因组当中。刚出生的人类婴儿虽然不会走路，但走路所需要的硬件条件一应俱全，只要家长稍加帮助，再经过一段时间的练习，任何健康婴儿都很容易掌握这一功能。相比之下，机器人没有经过进化这一步，无论如何也比不过我们。
另一个案例就是语言的学习。语言对于人类来说几乎和走路一样重要，因此学习语言的能力也被固化在了大脑之中。这个能力在婴儿出生后的头几年里最强，之后逐年退化，这就是为什么小孩子学语言要比成年人快得多的原因。科学家们尚不清楚这个能力到底是怎么一回事，所以至今尚未在电脑中成功地模仿出这种能力。人工智能为什么连简单会话都很难掌握，原因就在这里。
总之，机器人学不会开汽车是因为学习的时间不够，学不会走路或者骑自行车则是因为没有经过进化的洗礼。这两件事都是人类独有的经历，我们就是依靠这个打败机器人的。
必须指出，人类虽然造不出走路机器人，但却造出了比跑步还快的运输机器，比如汽车。但汽车采用的是和走路完全不同的另一套方法，没有了进化的帮忙，机器立刻就把人打败了。仅凭这一点就可以说明大自然进化出来的人脑具备了创造新事物的能力，“人定胜天”这个口号是有一定道理的。
另一个类似的案例就是飞机，最早造出飞机的人并没有模仿鸟儿，而是设计了一种全新的升空模式。今天的飞机无论是飞行速度还是高度都远超世界上最好的鸟，人类的智慧在这一点上再次打败了大自然。
从这个角度也可以解释为什么开飞机对于人工智能来说要容易得多，因为飞机是一种全新的交通工具，人类在陆地上进化出来的各种生活经验在飞机上全不适用，于是机器人便很容易地打败了人类。相比之下，无论是自行车还是汽车都是在陆地上工作的，这是人类最熟悉的场景，无论是生活和学习的时间还是漫长的生物进化都赋予了人类应付这类场景的强大能力，目前的人工智能在这方面还远不是人类的对手。
但是，将来的人工智能会不会赶上甚至超过人类呢？
机器人最终会打败人类吗？
机器人本质上就是一种工具。人类自从石器时代开始就一直在和工具打交道，哲学家们也从未停止过关于人机关系的思考。最早把这种思考扩大到全社会范围的是18世纪末期的英国，工业革命在那段时间首先在英国出现，导致一批人失去了工作。但这种讨论很快就失去了市场，因为那些被机器抢走饭碗的工人不但很快就找到了新的工作，而且他们发现新的工作工资更高，自己的生活水平也随着机器的普及而不断提高，这还抱怨什么呢？
人工智能的出现再次引发了新一轮关于人机关系的大讨论，不少学者认为人工智能的普及将导致大规模失业，引发社会动荡。更重要的是，人工智能取代的不再是蓝领工作，很多过去被普遍认为是“高档”的工种将首次面临来自机器人的竞争，比如医生。伍尔德里奇教授在本次峰会上做出预测，认为人工智能的下一个突破领域就是医疗，因为各种穿戴设备积累了大量数据，将有助于训练机器人医生，大幅度提高它们的诊断水平。
如果未来真的有大批人因为人工智能的普及而失业，肯定不是件好事。但今年6月底出版的《经济学人》（The Economist）杂志通过一系列分析数据指出，这种替代在短期内不会是大规模的，而且随着人工智能的普及，会有很多全新的工种被创造出来，普通人的生活水平也会得到显著提高。只要未来的人类进一步提高自己的能力，学会和机器人相处，就完全不必担心。
《经济学人》还预测，人工智能领域最有可能出现的大规模商业应用将会首先出现在自动驾驶方面，这项技术有可能彻底改写人类的出行模式，解决目前大城市交通拥挤的状况。曾经有人做过统计，目前全球每年有140万人死于交通事故，其中94%的交通事故是人为因素导致的，自动驾驶技术将减少90%的碰撞事故，仅此一项每天就能挽救500个中国人的生命。另外，目前30%的城市交通流量是找车位造成的，如果未来的出租车和私人小汽车全部由无人驾驶汽车代替的话，大城市的道路通行效率将至少提高一倍，个人出行成本将减少三分之二，未来的城市人将不再拥有私人小汽车，而是全部由统一调配的无人驾驶汽车代替。
这个变化的潜力实在是太大了，全球多家著名企业纷纷宣布进军无人驾驶汽车市场，试图分一杯羹。仅在美国的加利福尼亚州就已经有包括大众、奔驰、福特、特斯拉、日产和谷歌等15家公司拿到了无人驾驶测试牌照，百度也是其中之一。这家中国互联网企业刚刚和福特联手，向硅谷无人驾驶技术公司Velodyne投资1.5亿美元，后者开发的激光传感器被认为是无人驾驶汽车的核心部件，有望成为该领域的行业标准。
与此同时，另一批反对人工智能的学者们引起了更多媒体的关注。以史蒂芬·霍金和伊隆·马斯克为代表的这批人反对人工智能的理由是担心这项技术将会失控，人类会被拥有超高智能的机器人灭绝，就像好莱坞电影里经常描写的那样。
但是，持有这类想法的专家其实只占少数，只是因为媒体记者们喜欢这样的观点，于是它们便被放大了。绝大多数人工智能领域的研究者都不认为所谓“奇点”会在不远的将来出现，比如伍尔德里奇教授就认为，目前的人工智能还远远达不到能够彻底取代人类的程度，原因就在于“强人工智能”并没有出现，而且至今尚无任何迹象表明这种类型的智能会在可预见的将来问世。
在他看来，人工智能可以分成强和弱两大类，两者的区别就在于是否具备通用性。目前的基于神经网络的人工智能都是弱人工智能，因为所有这些具备“深度学习”能力的机器人都只能学一种东西，换个科目就完全无用了。换句话说，阿尔法围棋无论如何是学不会开汽车的，这一点在阿尔法围棋被制造出来时就已经决定了，无法改变。相比之下，人脑是一台通用学习机，可以学习任何东西，这是强人工智能的关键标志。问题在于，目前的神经生物学家根本不知道人脑到底是如何完成这一点的，因为我们尚不知道“智能”这件事的本质到底是什么，没人知道当我们在学习、联想、感知、感动、高兴、思念……的时候，我们的大脑里面究竟发生了什么。
人工智能不但可以按照学习能力的不同分成强、弱两大类，还可以按照路径方式的不同分成神经网络型和符号主义型这两大类。前文讨论的都是前者，即具备深度学习能力的神经网络，而后者则试图运用人类都懂的符号（比如语言），把人脑的思考和推理过程表达出来。这类人工智能更接近人脑的思维方式，因此曾经被更多的计算机专家所青睐。但目前这一领域进展极为缓慢，就连最简单的逻辑推理都很难用计算机语言描绘出来，更不用说教会计算机用推理逻辑去思考问题了。
事实上，电脑的这一缺陷极大地影响了人工智能技术的普及。比如，阿尔法围棋虽然战胜了李世石，但却无法向人类解释走出任何一步棋的原因，所以我们很难相信阿尔法围棋真的“会”下围棋了。同理，如果未来有一天人工智能被用于帮助专家们制定政策或者做出决定的话，那么它必须具备“解释”的能力，否则很难说服民众相信人工智能做出的决策。所以伍尔德里奇教授认为未来的人工智能必定是把神经网络和符号主义结合起来的一种新型人工智能，否则的话这项技术将很难普及开来。
至于说自我意识，这又是人工智能的一道越不过去的坎。我们都知道人脑是一台具有自我意识的计算机，但“自我意识”的本质仍然是一个迷，没人知道“自我意识”到底是什么东西，对应着怎样一种神经元结构。究其根源，自我意识是多年进化的产物。大脑是受基因控制的一种人体器官，它的终极目的就是尽可能地帮助主人（基因）复制自己，自我意识就是在这样的情况下被进化出来的。人工智能没有这样的条件，也没有这样的动力，因此也就没有理由进化出自我意识。
“人造的自我意识也许在未来的某一天会出现，但肯定不会是一夜之间就能有的，之前肯定会显现出各种迹象，警告我们自我意识即将出现，到那时大家再来讨论这个问题也不迟。”伍尔德里奇教授总结道，“我相信人工智能的出现对于人类来说是一件好事，人工智能技术的进步将使人类变得更健康，更有能力去从事更高效的活动，政府和商业机构也将变得更加高效。总之，我们不必杞人忧天，因为人工智能不是为了打败人类而设计出来的，主动权依然掌握在人类手中。”
文 袁越