深度學習的最新進展重燃了人們對可以像人類一樣思考和行動的機器或通用人工智慧（AGI, Artificial General Intelligence）的興趣。
這種想法認為，沿著構建更大更好的神經網絡的道路前進，我們將會向創造數字版的人類大腦不斷邁進。
或許，這就是個神話。計算機科學家埃里克·拉森（Erik Larson）認為，所有證據都表明人類和機器智能完全不同。拉森的新書《人工智慧的神話：為什麼計算機不能像我們那樣思考》（The Myth of Artificial Intelligence: Why Computers Can’s not Think of The Way We Do）討論了廣泛宣傳的有關於智能和推理的誤解是如何將AI研究引向限制創新和科學發現的狹窄道路的。拉森警告說，除非科學家、研究人員和支持其工作的組織改變方向，否則他們將註定要「聽命於機器世界的蔓延，在那裡真正的發明被邊緣化，取而代之的是鼓吹當前方法的未來主義言論，而這些言論往往來自既得利益者。」
人工智慧的神話
從科學的角度來看，AI的神話假設我們將通過在狹義的應用上取得進展來實現AGI，如圖像分類、理解語音命令或玩遊戲等。但這些狹隘人工智慧（Narrow AI，只能完成某一項特定任務或者解決某一特定問題的人工智慧）系統所採用的技術並不能解決通用智能能力必須解決的更廣泛的挑戰，如進行基本對話、完成簡單的家務或其他需要常識的任務。
拉森在書中寫道：「當我們成功地應用更簡單、更狹義的智能版本（這些版本受益於更快的計算機和大量數據）時，我們並未取得漸進式的進展，而是在採摘唾手可得的果實。」
AI神話的必然結果是忽視智能的科學奧秘，無休止地談論深度學習和其他當代技術的不斷進步。正因此謬論，科學家思考解決智力挑戰的新方法屢次受阻。
拉森寫道：「如果我們面對一個核心謎題時，選擇視而不見而非坦然直面，我們就幾乎不可能獲得創新。健康的創新文化強調探索未知，而不是炒作現有方法的延伸……有關AI必然成功的神話，往往會扼殺真正進步所必需的發明文化。」
演繹、歸納和溯因推理
當你走出家門，發現街道濕漉漉的。直覺會告訴我們，一定是下雨了。然而，天氣晴朗，人行道乾燥，你立即排除了下雨的可能性。隨後，你將視線移到旁邊，發現一輛灑水車停在街上。因此，你得出結論，道路之所以濕，是因為經歷了灑水車的沖刷。
這是一個「推理」的例子，即從觀察到結論的行為，是智能生物的基本功能。我們不斷地依據所知道的和所感知的來推斷事物。大多數情況是在潛意識中發生的，在我們的思想背景中，並沒有重點聚焦和直接關注。
拉森表示：「任何進行推理的系統都必須具有一些基本的智能，因為使用已知和觀察到的信息來更新信念的行為，不可避免地會與我們所說的智能相關聯。」
AI研究人員將其系統建立在兩種推理機的基礎上：演繹（deductive）和歸納（inductive）。具體來說，演繹推理運用先驗知識對世界進行推理。這是符號AI的基礎，也是AI 最初幾十年研究人員的主要關注點。工程師通過賦予符號系統一套預定義的規則和事實來創建符號系統，AI便使用這些知識對接收到的數據展開推理。
而歸納推理是通過經驗獲取知識，在過去十年中，深受AI研究人員和科技公司的青睞。機器學習（ML，Machine Learning）算法可視為歸納推理的引擎。在相關示例上訓練的ML模型必然會找到將輸入映射到輸出的模式。近年來，AI研究人員利用ML技術、大數據和高級處理器對模型進行訓練，以完成符號系統無法勝任的任務。
第三種推理，溯因推理，由美國科學家查爾斯·桑德斯·皮爾斯（Charles Sanders Peirce）在19世紀首次提出。溯因推理是一種認知能力，能夠產生直覺和假設，做出比隨機刺探真相更好的猜測。
例如，街道變濕的原因可能有很多（包括一些我們之前沒有直接經歷過的），但溯因推理使得我們能夠選擇最有希望的假設，迅速排除錯誤選項，尋找新的假設並得出可靠的結論。正如拉森在《人工智慧的神話》一書中說的那樣，「我們猜測，在一個充滿無限可能性的背景下，哪些假設似乎是可能或可信的。」
溯因推理就是許多人所說的「常識」。它是我們觀察事實或數據的概念性框架，也是將其他類型的推理結合在一起的粘合劑。它使得我們能夠隨時專注於頭腦中存在的大量信息和通過感官所接收的大量數據中的相關內容。
然而，問題在於AI社區尚未對溯因推理給予足夠的重視。
人工智慧和溯因推理
在20世紀80年代和90年代，溯因在溯因邏輯編程（Abductive Logic Programming）的嘗試中走進了AI討論，但這些努力都存在缺陷，後來被放棄了。拉森認為：「它們是對邏輯編程的重寫，是演繹的一種變體。」
在本世紀第一個10年，溯因獲得了另一個機會，即貝葉斯網絡，一種試圖計算因果關係的推理引擎。但拉森說，與早期的方法一樣，新方法也有一個缺陷，那就是不能捕捉到真正的溯因。此外，他強調，貝葉斯和其他圖形模型都是「歸納法的變體」。在《人工智慧的神話》中，他稱之為「名義上的溯因」。
在很大程度上，AI的歷史一直被演繹和歸納所主導。
拉森說：「當早期的AI先驅開始研究人工推理（AI的核心）問題時，他們認為編寫演繹式規則會足以產生智能思維和行動。但事實並非如此，早在討論我們如何開展科學研究時就應該承認這一點。」
幾十年來，研究人員試圖通過提供手動編寫的規則和事實來擴展符號AI系統的力量。前提是，如果你賦予AI系統人類所知曉的所有常識，它就能像人類一樣聰明地行動。但純粹的符號AI由於種種原因失敗了。符號系統無法獲取和添加新知識，這使得它們變得僵化。創建符號AI變成了無休止的追逐，添加新事實和規則不過是為了發現系統所犯無法修復的新錯誤。我們的很多知識都是隱性的，無法用規則和事實來表達，也無法直截了當的灌輸給符號系統。
「奇怪的是，沒有人真正明確地停下來說『等一下』。這是行不通的！」拉森強調。「這將把研究直接轉向溯因或假設生成，或者說，『上下文敏感的推理』。」
在過去的20年裡，隨著數據和計算資源的可用性不斷增長，ML算法——尤其是深度神經網絡——無疑成為AI領域關注的焦點。深度學習技術已經解鎖了許多超越先前計算機限制的應用程式。並且，它吸引了世界上一些最富有的公司的興趣和資金。
「我認為隨著全球資訊網的出現，經驗或歸納（以數據為中心）的方法占據了主導地位，而溯因和推理在很大程度上被遺忘了。」拉森表示。
但ML系統也受到了嚴重的限制，包括缺乏因果關係、邊緣案例處理不佳，以及需要大量數據。隨著研究人員嘗試將ML應用於醫療和金融等敏感領域，這些限制變得越來越明顯和問題化。
AI的溯因推理和未來道路
包括強化學習的先驅理察·薩頓（Richard Sutton）在內的一些科學家認為，我們應該堅持使用能夠隨著數據和計算的可用性而擴展的方法，即學習和搜索。例如，隨著神經網絡變得更大，接受更多數據的訓練，它們終將克服自身限制並取得新的突破。
拉森對數據驅動的AI的擴展不屑一顧，認為它「作為一種智能模型存在根本的缺陷」。他重申，儘管搜索和學習都可以提供有用的應用，但其都是基於非溯因推理。
「如果沒有一場關於推理的思考革命，搜索將不會擴展到常識或溯因推理，而這還沒有發生。與ML類似，學習方法的數據驅動本質上意味著推理必須存在於數據之中，可以這麼說，但這顯然並不適用於人們日常執行的許多智能推理」，拉森說道。「我們不只是著眼於過去，比如，透過在大型數據集中捕捉到的過去，以得出對未來的結論、思考或推斷。」
其他科學家認為，將符號系統和神經網絡結合在一起的混合AI在解決深度學習的缺點方面擁有更值得期待的前景。其中，一個例子是IBM的「沃森」（Watson），它在美國最受歡迎的智力競賽電視節目《危險邊緣》（Jeopardy!）擊敗世界冠軍時就出名了。最近的概念驗證混合模型在符號AI和深度學習單獨表現不佳的應用中顯示出了有希望的結果。
拉森認為，混合系統可以填補只使用ML或只基於規則的方法的空白。作為自然語言處理（NLP）領域的研究人員，他目前正致力於將大型預訓練語言模型（如GPT-3）與以知識圖形式出現的語義網絡的舊工作相結合，以在搜索、問答和其他任務上創建更好的應用。
他說：「但是演繹-歸納組合併不能讓我們進行溯因，因為這三種類型的推理在形式上是截然不同的，所以它們不會相互還原，也無法結合起來得到第三種。」
在《人工智慧的神話》一書中，拉森將試圖規避溯因的行為描述為「推理陷阱」。
他寫道：「無論計算機的速度有多快，像ML這樣純粹的歸納啟發技術仍然存在不夠成熟，並且像『沃森』這樣的混合系統也缺乏一般的理解。在諸如需要語言理解之類的開放式場景中，溯因是核心且不可替代的。正因為如此，試圖結合演繹和歸納策略的嘗試總是註定要失敗……這一領域需要一個基本的溯因理論。與此同時，我們陷入了困境。」
人工智慧的商業化
AI社區對數據驅動方法的狹義關注已使研究和創新集中在少數幾個擁有大量數據和雄厚資金的組織中。隨著深度學習成為一種將數據轉化為盈利產品的有效方式，大型科技公司現在陷入了聘用AI人才的激烈競爭中，以高薪為誘餌，吸引研究人員走出學術界。
這種轉變使得非營利實驗室和小公司很難參與到AI研究之中。
拉森說：「當你把AI的研發與非常大的數據集的所有權和控制權聯繫在一起時，你就會為那些不擁有數據的初創企業設置准入障礙。」並補充說，數據驅動的AI在本質上造成了商業領域「贏者通吃」的局面。
AI的壟斷反過來也阻礙了科學研究。隨著大型科技公司專注於開發應用程式，利用其龐大的數據資源保持對競爭對手的絕對優勢，因此幾乎沒有動力來探索AI的替代方法。這一領域的研究開始傾向於狹義的、有利可圖的應用，從而犧牲了能夠帶來新發明的努力。
拉森說：「目前沒人知道，在不具備如此龐大的集中式數據集的情況下，AI會是怎樣？因此，對於那些希望通過設計不同的、更強大的AI來與之競爭的企業家來說，真的沒有什麼可提供的。」
在書中，拉森對當前的AI文化提出了預警，這種文化「正在從唾手可得的果實中榨取利潤，同時繼續編造AI神話」。他寫道，對通用人工智慧（AGI）進展的幻想可能導致另一個AI冬天。
不過，儘管AI冬天可能會減弱人們對深度學習和數據驅動AI的興趣，但它可以為新一代思想家探索新方向開闢道路。拉森希望科學家在現存方法上進行探索並超越。
拉森在其書中還提供了一個推理框架，闡明了該領域目前面臨的挑戰，並幫助讀者了解有關通用人工智慧（AGI）或奇點（singularity）進展的誇大說法。
拉森表示：「我希望非專業人士有一些工具來對抗這種不科學的必然性思維，我的同事和其他AI科學家應該將其視為警鐘，致力於解決該領域面臨的非常現實的問題。」