如何让人工智能拥有像人类一样的常识呢？

​相较于机器，人类在婴儿时期便会运用各种感官来主动接受周围环境的信息，去学习庞大的知识。在学习一定的常识后，便会主动将其进行归类，从而将“知识”与“认知”建立联系。

但机器不同于人类，他们对世界的认知很大程度上取决于数据投喂的数量与质量。但是，这种机械性学习，无法让他们彻底了解事物之间的联系，以及具体的运行规律。如果要让机器看上去拟人，则需要我们人为地将这些“联系”。听上去虽然容易，但实际的工作量却相当庞大。

并且，在这个学习方向上，学界也一直存在着一些争议。一种倾向于在现有结构上进行优化，将开发好的神经元结构与当前的模型所结合；另一种则倾向于重新开发，训练AI模仿人类婴儿学习一些人类的基础知识，教会他们主动获取知识。

教会AI彻底向人类一样思考显然很难在短时间内实现，因此当前的研发方向更多地是对垂直领域进行深耕，令其掌握单个领域的知识与运作规律。那么，为什么要让AI先学习科学知识，而不是我们认知中的常识呢？

这其中涉及到数学领域，AI的运作，本身是建立在一个个数学模型之上。从物理的角度，公式的运算能够让AI推算出相关运动轨迹，掌握实现该现象的原理。在进行学习之后，便能令其在无标签的情况下，对同类动作进行自动运算。当然，即便已经拆解成单个领域，但所涉及的知识量仍旧十分巨大。

把复杂的问题简单化，能够让我们更加快速的解决眼前的问题。难以解决的大问题，可以通过将其分解成一个个小问题逐一击破，寻找其中的基本规律，这样才能大大提高我们解决问题的效率。