圣菲钻研所传授、《人工智能：思索人类的指南》的作者Melanie Mitchell示意，这些指标迷失的一局部要素是对人工智能和人造智能的失误假定。
在最近一篇题为“为什么人工智能比咱们构想的更难”的文章中，Mitchell提出了四个关于人工智能的经常出现误区。
1.狭义人工智能和通用人工智能只是规模不同
如今驳回的人工智能可以很好地处置狭义疑问。人工智能系统可以在下围棋和国内象棋方面逾越人类，以超乎寻常的准确性在X射线图像中发现癌变形式，并将音频数据转换为文本。但是，可以处置特定疑问的人工智能系统设计并不必定会使人们更容易处置更复杂的疑问。Mitchell将第一个误区形容为“通用人工智能是是狭义人工智能的一种加长。”
Mitchell在文章中写道：“人们看到狭义人工智能系统做了一些令人惊奇的事件，因此通常会以为该畛域在野着通用人工智能迈进的路线上走得更远。”
例如，当今的人造言语处置系统曾经朝着处置翻译、文本生成、特定疑问答疑等诸多不同疑问的方向开展了很长时期。与此同时，如今还有能够实时将语音数据转换为文本的深度学习系统。每一项成就的面前都是数千小时的研发上班，以及在计算和数据上破费少量资金。但是人工智能社区依然没有处置创立能够启动放开式对话而又不会长时期失去连接性的疑问。这样的人工智能系统还须要处置更复杂的疑问。它须要具有知识，这是人工智能尚未处置的关键应战之一。
2.便捷的事件很难成功智能化
视觉关于人工智能来说依然是一个难以克制的应战。
人们通常宿愿更痴呆的人来处置更复杂的事件，其实这须要多年的学习和通常。例如包含具有微积分和物理方面的专业知识，而与象棋巨匠下棋或背诵很多诗歌则是更困难的义务。
但是数十年来的人工智能钻研证实，一些更艰难的义务更容易成功智能化。人们以为天经地义的便捷义务却很难成功智能化。Mitchell将第二个误区形容为“容易的事件很容易处置，而困难的事件则更难以处置。”
Mitchell在文章中写道，“人类可以不加思索做很多的事件，了解所看到的物品，启动对话，在拥堵的人行道上传走而不会撞就任何人，这对机器来说是更艰难的应战。与其同样，让机器去做对人类来说十分困难的事件通常会更容易;例如，处置复杂的数学识题，知晓国内象棋和围棋之类的游戏，以及驳回数百种言语翻译文章，这关于机器来说都变得相对容易。”
例如机器人的视觉。数十亿年来，生物体曾经开收回用于处置光信号的复杂设施。生物应用眼睛观察周围的物体，在周围的环境中导航，寻觅食物，发现要挟，并成功许多对其生活至关关键的义务。人类也从先人那里承袭了这些才干，并且在无看法的状况下经常使用它们。但是，其基本机制确实比使高中和大学学到的数学公式更为复杂。
如今，钻研人员努力于开发像人类视觉一样多配置的计算机视觉系统。并且成功地创立了人工神经网络，可以大抵模拟生物和人类视觉系统的某些局部，例如检测物体和宰割图像。但是它们很软弱，对各种各样的搅扰都很敏感，而且它们不能模拟生物视觉所能成功的所有义务。这就是须要驳回其余技术的要素。例如，用于智能驾驶汽车的计算机视觉系统须要驳回先进的其余技术，例如激光雷达和地图数据。
另一个被证实是十分困难的畛域是觉得静止技艺，人类无需经过特地训练即可掌握这些技艺。例如行走、奔跑和腾跃。这些是人们无需特地思索就可以成功的义务。实践上，人们在走路时可以做其余事件，例如听音乐或打电话。但是，关于的人工智能系统而言，这些技艺依然是一项渺小而复杂的应战。
Mitchell写道：“人工智能比咱们构想的要难，由于咱们很大水平上不了解自己的思想环节的复杂性。”
3.驳回拟人化术语形容人工智能
将当代的人工智能系统与人类智能启动类比，会对人工智能的开展现状发生失误的印象。
人工智能畛域通常充满着一些术语，使其与人类智能处于等同水平。咱们经常使用诸如“学习”、“了解”、“浏览”和“思索”之类的术语来形容人工智能算法的上班形式。虽然这种拟人化的术语通常是协助传播复杂软件机制的称说或简写，但或许会误导人们以为的人工智能系统的上班形式与人类的思想形式相似。
Mitchell将这一误区称为“如愿记忆法(wishfulmnemonics)”，他指出：“这种称说或简写或许会误导试图了解这些结果的群众(以及报道这些结果的媒体)，并且还会无看法地影响甚至人工智能专家的思索形式，以及他们开发的人工智能系统与人类智能的相似水平。”
“如愿记忆法”也造成人工智能社区以令人曲解的形式命名算法评价基准。例如，思索由人工智能中一些威望组织和学术机构开发的通用言语了解评价(GLUE)基准。通用言语了解评价(GLUE)提供了一组义务，这些义务可以协助评价言语模型如何将其配置推行到更广的范围。但是，与媒体所形容的同样，假设人工智能代理取得的通用言语了解评价(GLUE)得分高于人类，则并不象征着它的言语了解才干要高于人类。
Mitchell写道：“虽然在这些特定基准上机器的性能优于人类，但人工智能系统依然远远不能与咱们与基准称号咨询在一同的人类才干相婚配。”
“如愿记忆法”的一个典型例子是Facebook人工智能钻研公司在2017年展开的一个名目，其中迷信家训练了两团体工智能代理以基于人类对话的义务启动谈判。钻研人员在他们的博客文章中指出，“降级两团体工智能代理的参数会造成与人类言语的差异，由于代理开发了自己的言语来启动交互。”
这造成行业媒体撰写了一系列文章提出正告，指出人工智能系统或许变得比人类更智能，并且正在以自己的言语启动交流。而在四年后的当天，这些先进的言语模型依然难以了解大少数人在幼年时就能了解的基本概念。
4.与身材分别的人工智能
智力能与身材相互分别存在吗?这是迷信家和哲学家几个世纪以来不时困惑的疑问。
一种思想流派以为，智力全在大脑中，并且可以与身材分别，这也被称为“缸中之脑”通常。Mitchell示意，“智力全在脑中”是人们的一个误区。有了正确的算法和数据，人们就可以创立可以运转在主机中并与人类智能相婚配的人工智能。关于这种思想形式的允许者，尤其是那些允许基于纯深度学习的方法的人来说，到达通用人工智能的水平取决于搜集过量的数据并创立越来越完善的神经网络。
与此同时，越来越多的证据标明这种方法注定会失败。Mitchell写道：“越来越多的钻研人员正在质疑‘智力全在脑中‘消息处置形式了解智能并创立人工智能的基础。”
人类和生物的大脑也与自己的身材器官一同退化，其最终指标是提高生活时机。人类的智力与身材的极限和才干严密关系。嵌入式人工智能的畛域不时扩展，其目的是经过与不同环境的交互来创立能够开发智能的主体。
Mitchell指出，“神经迷信钻研标明，控制认知的神经结构与控制觉得和静止系统的神经结构严密相连，形象思想应用了基于人体的神经‘地图’。”越来越多的证据和钻研证实，来自大脑不同觉得区域的反应会影响人们的无看法和无看法思想。
Mitchell允许这一种观念，也就是心情、感情、潜看法成见、身材体验与智力密无法分。她写道：“在咱们的心思学或神经迷信知识中，没有任何物品允许‘纯正理性’与影响咱们认知和指标的情感和文明成见是分别的。与其同样，人类的智力仿佛是一个高度集成的系统，具有严密相连的属性，包含情感、愿望、剧烈的自我看法和自主看法，以及对环球的知识性了解。如今还不清楚这些属性能否可以分开。”
人工智能的知识
开发通用人工智能须要调整人们对智能自身的了解。人们仍在努力定义什么是智能以及如何在人工和人造生物中权衡人工智能。
Mitchell写道，“很显著，为了更有效地成功和评价人工智能的提高和开展，咱们将须要开收回更好的术语来议论机器可以做什么。从更宽泛的意义过去说，咱们将须要对智能有着更好的迷信了解，由于它体如今人造界的不同系统中。”
Mitchel在论文中提到的另一个应战是知识，她将其形容为“一种为当今最先进的人工智能系统所缺少的才干提供的包全伞”。
这些知识包含人们取得的无关环球的知识，并且每天无需付出太多努力就可以运行。当人们还是孩子的时刻，在没有失掉明白指点的状况下经过探求环球而学到很多物品，其中包含诸如空间、时期、重力、物体的物理属性之类的概念。例如，人们在幼儿时期就知道，当一个物体被另一个物体挡住时，它并没有隐没并继续存在;或许当球滚过桌子之后将会掉上去。人们经常使用这些知识来构建环球的心思模型，启动因果推断，并以相当准确的形式预测未来的形态。
当今的人工智能系统缺少这种知识，这使它们变得无法预测且须要少量数据。实践上，人工智能助理和智能驾驶汽车是大少数人经过知识和通常学习的物品。
这些知识还包含无关兽性和生活的基本理想，人们在对话和写作中疏忽对一些事物的形容，由于知道读者和听众都知道这些。例如，人们知道假设两团体在“打电话”，则象征着他们不在同一个房间。人们还知道，假设“有人伸手去拿糖”，则象征着在他左近某处有一个装糖的容器。这种知识关于人造言语处置等畛域至关关键。
Mitchell写道，“还没有人知道如何在机器中失掉这些知识或才干。这是目先人工智能钻研的前沿畛域，一个令人鼓舞的行进方向是应用这些才干开发的已知知识。”
虽然人们依然不知道许多疑问的答案，但找到处置打算的第一步是要看法到自己的失误思想。Mitchell写道：“了解这些误区及其巧妙的影响，可以为发明更强健、更可信、更智能的人工智能系统指明开展方向。”