教育新闻网在设计道德人工智能，适当地规范AI或将任务分配给正确的系统之前，我们需要了解什么是AI。机器现在如何思考，未来我们会期待什么?哪些任务适合AI，哪些任务不适合，为什么?要回答这些问题，我们需要对各种智能有细微的了解。
AI最初对情报的理解可以追溯到Thomas Hobbes的格言“ Reason ...就是推算。”被解释为象征性操纵的代表，产生了第一代AI，被称为“好老式AI”，或已故哲学家约翰·豪格兰德(John Haugeland)撰写的GOFAI。当今深度学习系统和其他形式的第二波AI的基础是一种不同的智能方法，这些系统在玩游戏，面部识别，医学诊断等方面取得了如此出色的成绩。
由于这两种方法都涉及对作为输入呈现给他们的表示的操纵，因此第一波和第二波AI仍然都是计算的形式。但是他们在代表权的处理上有所不同。GOFAI源于经典的三段论，例如“所有人都是凡人;苏格拉底是个男人。逻辑推理系统和定理证明就是这种类型的程序，这些程序是基于相对少量的信息，针对少量强相关变量进行深层，多步骤推理的。
第二波AI系统则相反：基于大量数据，对大量非常弱相关的变量进行浅层推断。通过后一种方法，计算机可以识别朋友的脸，夕阳和迎面驶来的汽车。
第二波AI中的表示通常称为“分布式”，因为有关世界许多常识功能的信息分布在这些系统的内部网络中。第二波系统还能够保留大量细节，而无需将输入减少为简单的命题陈述，例如“这是一个苹果”或“那是莱姆病”。除了将X射线归类为显示肺癌以外，例如，第二波AI系统可以捕获肿瘤的密度，对比度，形状和其他特征，这些都可能与药物选择或预测的结果有关。
为什么这种方法效果更好?为什么第二波AI在GOFAI绊倒的地方表现出色?答案是本体论的。人类如何将世界解析为对象，属性，关系等(我将说，我们如何注册世界)部分取决于我们的兴趣，我们的文化，我们的社区，我们的项目。未解释的世界极其混乱。正如我们在第一波AI中简单假定的那样，我们根据其概念化我们的经验的对象和属性不能被视为公理或直接“读出”这种泛滥。
而是以相关的方式注册世界，并保留需要这些注册的微观细节和细微差别，这是智慧的成就。在某些情况下，例如玩游戏，第二波系统正在学习自行执行此操作。在其他情况下，我们人类首先标记数据(“这是停车标志”或“那是豹猫”)，然后系统学会模仿我们。但是总的来说，这种模式匹配和分类是第二波技术不可否认的优势。
那么，人类案呢?被更快的处理器，更多的数据和更好的算法放大的第二波AI是否会达到AI的人工智能的圣杯，从而导致系统等于或超过人类?
