世界模型、直观物理、规划、问题解决、离散搜索解决方案、控制参数的持续优化......狗设用 20 亿个神经元也可以完成很多更智能工作。
当我们的AI还不能达到狗级别的智能时，为什么要争论人类级别的人工智能？
我们人类过于重视语言和符号作为智力的基础。
但是灵长类动物、狗、猫、乌鸦、鹦鹉、章鱼和许多其他动物没有类似人类的语言，但表现出超越我们最好的人工智能系统的智能行为。
他们所拥有的是学习强大的“世界模型”的能力，使他们能够预测自己行为的后果，并寻找和计划行动以实现目标。
学习此类世界模型的能力是当今 AI 系统所缺少的。
网友讨论：
真正的问题是人类将智能与语言（主要是人类语言）联系起来，而不是一组行为、原则和更多其他的。
狗有效地对神经元和突触中的微分方程进行近似解。也许专注于此。认知在数学上是一个逆问题（恕我直言），也许这在考虑架构时会有所帮助。
蜜蜂在其神经元和突触中有效地进行涉及 6 维方程的数学运算，以便对它们用来传达食物来源位置的“摇摆舞”进行解码/编码。
狗有很好的联想学习和解决问题的能力。但鸦科动物更好。
我认为你低估了动物的智力，同时高估了人类的智力。这主要是因为我们一开始就没有近乎完整的智能视图。
AI 甚至无法达到老鼠级别的智能。需要更多地关注大脑的工作方式。大脑对神经元（和各种神经元）的连接方式有限制，这导致了一种架构。找出皮质柱是一大步。
搜索和学习是在人工智能研究中利用大量计算的两类最重要的技术：通过自我游戏学习，以及一般的学习，就像搜索一样，它可以进行大量计算。
基于隐马尔可夫模型 (HMM)之类的统计方法胜过了基于人类知识的方法。这导致了所有自然语言处理的重大变化，几十年来逐渐发生，统计和计算开始主导该领域。
深度学习方法对人类知识的依赖更少，使用更多的计算，再加上在庞大的训练集上学习，以产生显着更好的语音识别系统。
因此，通过大量计算的通用方法最终是最有效的，而且效果显着。
下面的惨痛的教训是基于历史观察：
- 1) AI 研究人员经常试图将知识构建到他们的代理中，
- 2) 这在短期内总是有帮助的，并且对研究人员个人而言是令人满意的，但是
- 3) 从长远来看停滞不前，甚至阻碍进一步的进步，以及
- 4) 突破性进展最终通过基于搜索和学习缩放计算的相反方法实现。最终的成功是带着苦涩的，往往没有完全消化。
搜索和学习应该是AI主要方法！