在我进入为什么之前，回答这个问题：当你听到赢咖4这句话时，你的脑袋里涌出了什么？
对于外行人员，AI可能仍然会引起HAL的不连贯的红眼，以及随之而来的所有不幸，当他变得如此悲惨的混乱。其他人跳到Blade Runner或更新的电影赢咖4的复制品。那些已经在场上有一段时间的人可能会记住AI的“旧时代” - 无论是怀旧还是震撼 - 当智力被认为主要涉及逻辑推理，真正的智能机器似乎只是一个夏天的工作远。对于那些沉浸在当今大数据困扰的技术行业中的人来说，“AI”似乎只是一个高级别的机器学习和预测分析算法的同义词，它已经在努力工作，优化和个性化广告我们看到和我们得到的报价 - 这是一个术语，当我们想要把高光泽放在东西上时，就会出现。
像赢咖4注册，Web 2.0和大数据，AI在许多不同的背景下由具有各种动机和背景的人进行讨论和辩论：学术界，商业类型，记者和技术专家。与这些其他的模糊技术一样，难怪AI的意义难以确定;每个人都看到他们想看到什么。但是，AI也有严重的历史包袱，层层的意义和内涵，已经积累了几代大学和工业研究，媒体炒作，虚构的帐户和资金周期。它变成了一个真正的问题：没有很多上下文，当他们谈论AI时，不可能知道某人在谈论什么。
让我们看一个例子。在他2004年的书“情报”中，杰夫·霍金斯自信地，断然地说，数十年前的赢咖4失败了。同时，数据科学家John Foreman可以随意讨论数据科学家每天部署的“AI模型”，而Marc Andreessen可以声称企业软件产品已经实现了AI。这是一个重载的术语，所有这些观点是有效的;它们只是从不同的定义开始。
这回到了尴尬的因素：我知道我的意思，当我谈论AI，至少我认为我做，但我也痛苦地意识到所有这些其他解释和协会的术语唤起。多年来，我学到了，我头脑中的图片几乎总是与我正在说话的人完全不同。也就是说，什么驱动所有这些混乱是事实，不同的人依靠不同的原始原型的AI。
让我们探索这些原型，希望使它们明确可能为未来更有效的对话提供基础。
AI作为对话者。这是HAL和Siri背后的概念：一个计算机，我们可以用简单的语言谈论，并回答我们自己的语言。除了苹果的个人助理，像Cortana和Watson这样的系统代表了朝这个理想迈进的步伐：他们的目标是在我们自己的地面上见到我们，提供与我们从人类专家那里获得的答案一样好或者更好的答案。许多最突出的AI研究和产品努力今天属于这种模式，可能是因为它非常适合今天的互联网巨头的搜索和推荐为中心的商业模式。这也是阿兰图灵着名的机器智能测试中所载的AI的版本，尽管值得注意的是，该测试的直接攻击只通过游戏的指标成功。
AI作为android。另一个突出的AI观点认为disembodied的声音，无论复杂的他们的对话的曲目，作为不足：见证的赢咖4从电影像“刀刃”，我的赢咖4，外星人，终结者和许多其他人。我们经常将我们的期望从这些虚构的例子转移到现实世界的努力，如波士顿动力公司（现在的谷歌）Atlas或SoftBank新公布的辣椒。对于许多从业者和爱好者，AI只是必须机械地体现以实现该领域的真正野心。虽然有一套理论来激励这种坚持，但是对机械形式的依赖似乎更加内敛，基于一种集体的直觉，智慧必须在世界中移动和行动，值得我们的注意。值得注意的是，正如最近的图灵测试结果突出了人们愿意将智能归因于对话伙伴的程度，我们也对人类形式的机器抱有不切实际的期望。
AI作为推理者和问题解决者。虽然类人赢咖4和无知的声音长期捕捉了公众的想象力，无论是同情还是精神病，早期AI先驱被吸引到更精致和高度的头脑的任务 - 下棋，解决逻辑证明和规划复杂的任务。在一个引人注目的集体错误中，他们错误地将最聪明的人执行的任务（那些似乎通过内省需要最大的智力努力的任务）用于机器复制最难的任务。事实证明，计算机擅长这些高度抽象，定义明确的工作。但是他们在我们认为理所当然的事情上斗争 - 孩子和许多动物表现出来的东西，如平滑地导航物理世界。为像棋这样的游戏开发的系统和方法对于更多变化的环境中的现实任务完全无用。考虑到它的逻辑结论，这是针对那些警告人工超级智能的危险的AI的最可怕的版本。这源自智力的定义，即“代理人在各种环境中实现目标的能力”。如果一个AI与一般的问题解决一样好，如深蓝在国际象棋？难道AI不可能把这些能力改变自己吗？
AI作为大数据学习者。这是上升的原型，大量的数据被互联网公司（和政府）吸入和碾压。正如早期的年龄将机器智能等同于拥有一个可交谈的对话或下棋的能力，许多当前的从业者在预测，优化和推荐系统中看到AI，其中广告，建议产品，并且通常尽力满足我们每一个需要和商业意图。这个版本的AI已经做了大量的工作，以推动领域回到尊重，经过这么多的炒作和相对失败的循环 - 部分是由于机器学习大数据的盈利能力。但我不认为分类，回归，聚类的主要机器学习范式，
每个原型嵌入在一个深层次的关联，假设和历史和虚构的叙事中，它们共同工作，建议最有可能成功的技术，潜在的应用和风险，发展的时间表和最终智能的“个性” 。我会说，不可能谈论和理性的AI，而不参考一些基本的特性。不幸的是，即使是熟练的人，应该更好地知道，很容易从一个版本的AI转换到另一个版本的中间谈话，导致参数下降到矛盾或废话。这是很多AI讨论混乱的原因之一 - 我们完全不知道我们在说什么。
例如，关于深度学习的一些混乱源于它被放置在多个桶中：该技术已经证明自己作为大数据学习者是成功的，但是这个成就导致许多人假设相同的技术可以形成更多的完全对话者，或智能赢咖4行为的基础。这种混乱是由谷歌的神秘感，包括Larry Page的谈话搜索的驱动器。
同样重要的是要注意，有可能的智慧不适合最广泛持有的刻板印象：没有语言复杂;不具有传统赢咖4实施例;不主要是目标驱动;并且不通过传统的大数据进行分类，学习和优化。
我认为最引人注目的是哪些原型？说实话，我认为他们都以一种或另一种方式短缺。在我的下一篇文章中，我将提出一个新的概念：AI作为建模。虽然你可能会发现自己不同意我所说的话，但我认为我们至少能从明确的辩论中获益，而不是互相交谈。
