麻省理工学院计算机科学和人工智能实验室的80年代对于外来者来说似乎是一个黄金时代，但是在内部，戴维·查普曼（David Chapman）可以观察到冬天已经快到了。作为实验室的一员，查普曼成为第一个将计算复杂性数学应用到机器人计划中的研究人员，并表明没有真正的通用AI创建方法可以制定应对所有不可预见情况的计划。他总结说，尽管从原则上讲人类层面的AI可能是可行的，但是我们没有可用的方法达到这一水平。

查普曼（Chapman）在1990年撰写并随后广为流传的一项研究建议，呼吁采用一种新方法并要测试AI的另一项任务：教机器人跳舞。正如查普曼（Chapman）所写，舞蹈是一个重要的模型，因为“它没有实现目标。你不会赢或输。这不是需要解决的问题。舞蹈是互动的过程。” 跳舞机器人要求AI研究人员的工作重点发生重大变化，其技术是围绕象棋等任务构建的，结构清晰且目标明确。创建跳舞机器人的复杂性要求我们对什么是智能的假设进行更大的改变。

查普曼现在在写哲学和认知科学的实际应用。最近，在接受《鹦鹉螺》杂志采访时，他谈到了模仿和学徒制的重要性，形式合理性的局限性以及为什么机器人不为您做早餐。

什么是有趣的跳舞机器人？

人类学习是一种社会的，有形的东西，发生在特殊的实际情况下。您不会从书本或实验室实验中学习跳舞。您可以通过与比您更有经验的人跳舞来学习。

模仿和学徒制是教育人们的主要方式。我们忘记了这一点，因为课堂教学在上个世纪再次变得很重要，而且更加引人注目。

我决定将学习重点转移到发展上。“学习”意味着结束—一旦学到东西，就完成了。“发展”是指一个持续不断的过程。他们不会参加舞蹈考试，然后完成学业。

这与传统的AI教学方法大相径庭，对吗？

是的，在最初的几十年中，人工智能研究人员专注于与智能相关的那些任务，因为它们对人来说很困难：例如国际象棋。事实证明，对于速度足够快的计算机，国际象棋很简单。在早期作品中，人们的简单任务被忽略了：例如做早餐。对于控制机器人的计算机而言，如此简单的任务证明是困难的。

早期研究AI学习问题的尝试还涉及形式问题，例如国际象棋，在该问题中可以忽略身体，社会和实践环境。最近的研究表明，在实际的实际任务（例如模式识别）中取得了令人瞩目的进展。但是，对于人类学习至关重要的社会和物质资源方面的成功仍然不明显。

海德格尔可以教给我们什么有关智力和学习的知识？

在过去的几个世纪中，科学，工程和数学中使用的形式合理性提供了许多突破。自然而然地将其视为智力的本质，并假定它是人类功能的基础。数十年来，分析哲学家，认知心理学家和AI研究人员无条件接受人们首先使用逻辑创建合理计划，然后执行该计划。在1980年代中期，很明显由于技术原因，这通常是不可能的。

哲学家休伯特·德雷福斯（Hubert Dreyfus）预见这个死角发生在十年之前，在他的著作《计算机无法做什么》中。他从海德格尔对例行实际行动的分析开始，例如做早餐。这种身体技能似乎不需要形式上的合理性。此外，我们从事形式推理的能力取决于我们从事实际，非正式和实际事物的能力，但反之则不然。认知科学完全相反地理解一切！海德格尔建议他一生的大部分时间都是早餐，而不是象棋。

我和我的同事Phil Agre为不包含形式推理的实际练习开发了新的交互式计算方法，并表明它们比传统的逻辑范例更有效。但是，我们的系统必须手动编程，这对于比电子游戏更复杂的任务似乎不切实际。下一步应该是无需直接编程即可开发技能的AI系统。

海德格尔对学习一无所知，但他认为人类活动始终具有社会方面的思想是关键。菲尔和我的灵感来自人类学，社会学和社会发展心理学学派（其中一些人也受到海德格尔的启发）。我们开始开发通过学徒制学习的计算理论。关于跳舞机器人的文章部分概述了我们的愿望。不久之后，我们意识到将这些想法转化为可行的程序是不可能的。

物理机器人的构造会带来很多困难-例如，有必要使其不跌倒-乍一看，它们与学习和智力没有直接关系。为什么不开始用计算机动画创建跳舞机器人？

理性主义AI方法的挑战之一是，我们无法建立一个绝对准确的现实世界模型。他很马虎。一勺浆果果酱没有确定的形状。它是粘性的，可延展的，易流动的。它是异质的-部分揉过的浆果的行为与液体部分不同。在原子级别上，它遵守物理定律，但与它们一起煮早餐是不切实际的。

这些是我们的身体。肌肉是装满弹力线的果冻袋。骨骼呈不规则形状，通过弹性肌腱连接，结果，关节使自己趋于复杂，接近强度极限。

使用物理模拟，您可以制作动画人物舞。她似乎很现实。但是这些方法不适用于机器人执行简单的人工任务。跳舞或做早餐仍然超出了现代科学的范围。

物理模拟的效果很差，因为机器人的身体（如人类）是不完美的。大多数现代设计都试图将机器人附加到简单的物理模型上，以使其坚固，坚固并尽可能精细。但是，它们仍然显示出灵活性，局限性和不一致性，这使得它们难以控制。它们还必须非常沉重和强大，这使其变得危险而无效。

在“跳舞的机器人”一文中，我建议退出这种方法，并使用机器学习，找到控制轻便，较弱和更灵活的机器人的方法。就像孩子一样，系统应通过经验逐步发展身体技能。那时我们没有足够的计算机功能，但是一些研究人员最近通过这种方法取得了成功。

在您的工作中似乎重复了这个主题。我们想要一个艰难而绝对的世界，它是复杂而异质的。

是的我最近关于“ 含义 ”的工作建议在不确定性和模式的相互作用下工作，以增进理解和行动。基于我在AI领域所做的工作以及我先前提到的学术领域，这是提高个人效率的“实践哲学”。她具有学习的能力。对成人发展的研究表明，人们可以通过理性前，理性和元理性的理解方式发展。平均状况极为恶劣。它的想法是，世界可以适应系统。这种方法可能笨拙，效率低下且不稳定。

如果将我们与完美精确的模型区分开的障碍是基础而非技术，那么我们是否需要一种完全不同的AI方法？

正是出于这个原因，1970年代和1980年代的基本方法肯定失败了。取得了惊人成果的“ 深度学习 ”更加灵活。它建立统计模型和隐式模型，而不是绝对模型和逻辑模型。但是，它需要大量的数据，人们经常从一个示例中学习。发现深度学习方法的范围和局限性将非常有趣。

形式学习的局限性，或为什么机器人不能跳舞