人工智能似乎正在取得巨大進步。它已經成為自動駕駛汽車、自動翻譯系統、語音和文本分析、圖像處理以及各種診斷和識別系統背后的關鍵技術。在很多情況下，人工智能在特定任務中的表現甚至可以超越人類的最佳水平。

我們正在見證一個新的商業行業的出現，這個行業十分活躍，投資巨大，潛力無限。似乎沒有人工智能無法改進的領域，沒有不能自動化的任務，沒有人工智能解決不了的問題。但真的是這樣嗎?

關于計算的理論研究已經表明，有的東西是沒法被計算的。數學家和密碼破譯家艾倫·圖靈(Alan Turing)證明了有些計算永遠不可能完成，而有些計算即使能完成也可能需要數年甚至數百年。

舉例來說，我們能夠很容易地提前推算出一盤棋的前幾步，但是在一盤走80步的棋中要從頭到尾計算出所有步驟是完全不現實的。即便用上全世界最快的超級計算機，每秒進行10億億次計算，也需要一年多才能算清一小部分。這也被稱為放大問題(scaling-upproblem)。

早期的人工智能研究在涉及數字較小的問題中取得了不錯的結果，比如三子棋游戲等模擬問題。但是在象棋等數字更大些的問題，也就是現實問題中結果卻并不好。幸運的是，現代AI技術已經發展出了解決此類問題的其他方法。人工智能能夠打敗全世界最優秀的棋手并不靠推算全部的步驟，而是通過近似算法、概率估計、大規模神經網絡以及其他機器學習技巧來比人腦想得更遠。

不過這些其實屬于計算機科學領域，不屬于人工智能。AI智能運行有什么根本的限制嗎?當我們考慮人機交互的時候，一個嚴肅的問題就變得清晰起來。人們普遍預測，未來人工智能系統將能夠與人類在友好充分的互動和社交中進行溝通并協助人類。

心智理論

當然，這樣的人工智能系統已經有了初步的版本。但是語音指令系統和呼叫中心、文本處理等都不是真正的人機對話。我們需要的是適宜的社交互動和長期的自由對話，并且AI系統能夠記得和其對話的人并記得和這個人過去的對話。AI系統還要能夠理解人們說話的目的和意義。

這就需要一個心理學概念：心智理論。心智理論是指明白與我們交流的人有和我們大致相似的思維方式和看世界的方式。所以當他人和我們討論他們的經歷，我們能夠識別并理解他們描述的內容以及這些內容和我們的共鳴。

我們同樣可以通過人們的姿勢和信號推斷出人們的意圖和喜好。因此當Sally說“我覺得John喜歡Zoe但他認為Zoe可能覺得他不合適”時，我們知道Sally話里的第一層是她自己的想法，二層是John的想法，第三層是John認為的Zoe的想法。我們需要類似的經歷才能夠理解這些。

物理學習

很明顯，所有這些社會互動只有在當事人有“自我意識”并且能夠類似地維持對方的自我意識的情況下，才有意義。為了了解別人，就要先了解自己。人工智能的“自我模型”應該包括一個主觀的視角，包括它的身體是如何運作的(例如，它的視覺點取決于它眼睛的物理位置)，它自己空間的詳細地圖，以及一系列眾所周知的技能和動作。

這意味著需要一個物理實體來在具體的數據和經驗中建立自我意識。當一個代理人的行為被另一個代理人觀察到時，他們可以通過經驗的共享部分相互理解。這意味著能社交的人工智能需要在有實體的機器人中實現。一個軟件盒子要如何對人類居住的物理世界有主觀的看法呢?為此，我們的對話系統不僅要嵌入這一實體，還要具體化。

設計師不能有效地為機器人建立軟件自我意識。如果從一開始就設計了一個主觀的觀點，那就是設計師自己的觀點，但機器人也需要學習和處理設計師不知道的經驗。所以我們需要設計的是一個支持學習的框架。

幸運的是，這些困難是能夠解決的。人類世界也面臨著完全相同的問題，但我們不會一次解決所有問題。嬰兒期的最初幾年顯示出令人難以置信的發展和進步，在此期間，我們學習如何控制我們的身體，如何感知和體驗物體、他人和環境。我們還學習如何行動以及行動和互動的后果。

針對發展型機器人這個新領域的研究正在致力于探索如何讓機器人像嬰兒那樣從頭學習新東西。第一個階段就包括發現被動物體的性質以及機器人世界的“物理學”。之后，機器人會開始模仿與人類的互動，然后逐漸建立更復雜的自我。

因此，雖然沒有實體的AI系統有根本的限制性，未來對機器實體的研究可能會讓人機之間長久的、共情的、社會性的互動成為現實。