著名计算机科学家彼得·J·丹宁表示，艾伦·图灵关于人工智能的著名思想可能使人工智能研究在过去75年中走上了错误的道路。在他的最新著作《图灵的错误：摆脱非智能机器的枷锁》中，丹宁认为图灵在1950年提出的两个基础假设继续塑造着今天的人工智能研究。第一个假设是，智能可以独立于一个有形身体存在，因此可以在计算机软件中重现。第二个假设是，机器可以通过成功地模仿人与人之间的对话来表现出智能，这一观点后来被称为图灵测试。“这两个主张已经塑造了大部分人工智能的研究与开发，”丹宁写道。“我的前提是，我们对这些主张的默许导致了我们今天所面临的人工智能困境。”丹宁认为，追求人工通用智能（AGI）或与人类同等智能的机器是 unlikely to succeed（不太可能成功）。相反，他警告道，社会正在构建的技术可能会带来显著的新风险。隐性知识问题 丹宁论点的核心是隐性知识的概念，即大量人类理解无法轻易用语言表达或以计算机能够处理的形式表示。他表示，机器学习无法捕捉五大类隐性知识：常识、与人和环境的日常互动、情绪和感知、实践表现技能，以及嵌入文化中的社会和历史知识。研究人员长期以来一直试图将常识组织到数据库中。最著名的努力之一是道格拉斯·莱纳特的Cyc项目，该项目始于1980年代，目标是创建一个广泛的常识事实集合。经过四十年的努力，该项目大约包含2500万条条目。“然而，即使这个宝库也无法总结出足够的常识背景，使专家系统足够聪明以成为专家，”丹宁指出。“Cyc验证了使人们成为专家的知识大多无法以命题的形式表达。”丹宁认为，实践技能更具挑战性。“我们在成千上万领域的表现技能无法传达给机器，”他解释说。“尽管对技能结果的描述（‘知道什么’）往往可以表示为比特并存储在机器中，我们却不知道如何编码用于技能表现的体现知识（‘知道如何’）。“他以优秀的音乐家为例。“一位顶尖小提琴家可以演奏美妙的音乐，但无法向学徒描述如何演奏。“即使机器人能够观察和模仿熟练的人类，因没有生物身体，机器人也无法理解音乐家在演奏美妙音乐时的感觉，或听众听到它时的感受。”丹宁还将直觉、直觉感、想象力和自发创造力等形式的隐性知识纳入机器无法触及的范围。为什么人类知识抗拒编码 丹宁认为，所有这些限制源于他所称的“表达问题”。计算机只能使用已经编码为它们可以识别和处理的物理形式的数据和指令进行计算。然而，隐性知识并不自然地适合这一框架。“每个词背后都有一口深邃的隐性知识，为之赋予了意义，”丹宁说。“词语只是意义的象征性表示，而不是真正的意义。常用的大型语言模型，如ChatGPT、Claude和Gemini仅仅操控词语，它们无法知道或理解自己所说的内容的意义。”根据丹宁的说法，这造成了根本性的分歧。由于科学家们仍然无法完全解释隐性知识在人类中的运作方式，他们也无法将其转化为机器可以使用的形式。“我们如何承载隐性知识在很大程度上仍是个谜，”丹宁承认。“我们所知道的只是在于它是具体现象。我们不知道通过观察和测量我们身体中的哪些内容能够揭示它。”上下文和文化塑造智能 丹宁还认为，智能在很大程度上依赖于上下文，即赋予词语、行为和决定含义的周边环境。上下文可以让人们辨别讽刺、幽默、真诚和情感。它有助于决定何时应该外交、何时应该开玩笑，以及如何解读无数的社会线索。“当你探询当前上下文的假设来源时，你会发现它建立在过去上下文的先前对话上。每个对话又建立在更早的对话及其上下文之上。这个模式是无尽的和分形的，”丹宁解释道。文化为人工智能带来了另一个主要障碍。丹宁将文化描述为包含价值观、规范、判断、历史、社区、情感，甚至涉及权力和关怀的关系。“人类的对话充满了背景。