T20世纪80年代，他在麻省理工学院计算机科学和人工智能实验室工作，在局外人看来，这似乎是一个黄金时代，但在里面，大卫·查普曼已经看到冬天即将来临。作为该实验室的一名成员，查普曼是第一位将计算复杂性理论的数学应用于机器人规划的研究人员，并从数学上证明，不可能有可行的通用方法使人工智能系统能够为所有意外事件进行规划。他总结说，虽然人类水平的人工智能在原则上是可能的，但所有可用的方法都不太可能实现。
1990年，查普曼写了一份广为流传的研究提案，建议研究人员采取一种全新的方法，尝试一种不同的挑战:教授一门科学机器人如何跳舞. Chapman写道，舞蹈是一个重要的模式，因为“没有目标可以实现。你不可能赢或输。这不是一个需要解决的问题……舞蹈是一个典型的互动过程。”舞蹈机器人需要人工智能研究者在实践优先次序上做出急剧的改变，他们的技术是围绕任务而建立的，就像国际象棋一样，有着严格的结构和明确的目标。这个创造跳舞机器人的困难这也需要我们对智力特征的假设发生更深刻的变化。
查普曼现在写的是关于哲学与认知科学. 在最近与鹦鹉螺他谈到了模仿和学徒制的重要性，形式理性的局限性，以及为什么机器人不能为你做早餐。
什么使跳舞机器人有趣？
人类的学习总是社会性的、具体化的，并且发生在特定的实际情况中。大多数情况下，你不会通过读书或在实验室里做实验来学习跳舞。你可以通过和比你更有技巧的人跳舞来学习。
模仿和学徒是人们学习的主要方式。我们倾向于忽视这一点，因为课堂教学在过去的一个世纪里变得越来越重要，而且越来越突出。
我的目标是将重点从学习转向发展。“学习”意味着完成：一旦你学会了一些东西，你就完成了。“发展”是一个持续的、开放的过程。舞蹈没有期末考试，之后你就停止学习。
与人工智能研究人员传统的学习方式相比，这是一个很大的转变，不是吗?
是的。在最初的几十年里，人工智能研究集中在我们认为是智能的特殊标志的任务上，因为这些任务对人类来说很难，比如国际象棋。事实证明，对于速度足够快的计算机来说，下国际象棋很容易。早期工作忽略了那些对人们来说很容易的任务:比如做早餐。对计算机控制机器人来说，这样简单的任务变得很困难。
早期的人工智能学习研究也关注正式的象棋类问题，我们可以忽略身体、社会和实际环境。最近的研究在实际问题上取得了令人印象深刻的进展，比如视觉识别。但它仍然没有利用对人类学习至关重要的社会和身体资源。
关于智力和学习，海德格尔能教给我们什么?
在过去的几个世纪里，科学、工程和数学中使用的形式理性推动了我们生活的巨大改善。很自然地，我们会将它视为智力的本质，然后假设它是人类所有活动的基础。几十年来，分析哲学家、认知心理学家和人工智能研究人员毫无疑问地接受了这样一个事实，即首先用逻辑构建一个理性的计划，然后执行该计划。然而，在20世纪80年代中期，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)在他的书中早在十多年前就预见到了这种技术僵局计算机不能做什么。他借鉴了海德格尔对日常实践活动的分析，比如做早餐。这些具体化的技能似乎并不涉及形式理性。此外，我们进行形式推理的能力依赖于我们进行实际、非正式和具体化活动的能力，而不是反过来。认知科学正好支持这一点海德格尔认为，人生的大部分时间就像早餐，与国际象棋大不相同。
海德格尔认为生活的大部分就像早餐，与国际象棋很不一样。
我的同事Phil Agre和我开发了新的交互式计算方法，用于实际操作，不涉及正式推理，并证明它们可能比传统的逻辑范式更有效。然而，我们的系统必须手动编程，这对于比玩游戏更难的任务似乎是不可行的下一步必须是一款视频游戏。在没有明确编程的情况下开发技能的人工智能系统。
海德格尔对学习没有什么可说的，但他关于人类活动始终是社会性的见解是一条重要线索。菲尔和我从几个人类学、社会学、社会和发展心理学流派（其中一些学派的部分灵感来自海德格尔）那里得到了启发。我们开始研究学徒学习的计算理论。“跳舞的机器人”描绘了其中的一部分。不久之后，我们意识到将这些想法转化为工作计划还不可行。
构建一个具有物理实体的机器人增加了很多挑战，比如让机器人不受伤害跌倒—这似乎与学习和智力无关。为什么不从屏幕上的动画“跳舞机器人”开始呢？
理性主义看待人工智能的一个困难是，我们永远无法对现实世界做出一个完全准确的模型。太乱了。一勺蓝莓果酱没有特定的形状。它黏糊糊的，有点像流的。这不是统一;部分被压碎的浆果和更多的液体浆果的表现是不同的。在原子层面上，它符合物理定律，但试图用它来做早餐是不现实的。
我们的身体是一样的。肌肉是一袋果冻，里面有可拉伸的细绳。骨头是不规则的形状，上面附着着弹性肌腱，所以当关节接近极限时，会表现出复杂的“给予”模式。
通过物理模拟，你可以让一个动画人物在屏幕上跳舞。它可能看起来非常逼真。但是，这些方法不足以让机器人完成大多数普通的人类任务。跳舞和做早餐仍然远远超出了技术水平。
物理模拟效果不佳，因为机器人的身体和人类的身体一样，都是不完美的。目前大多数设计都试图使机器人符合简单的物理模型，使其尽可能刚性、坚固，并经过精密加工。尽管如此，它们仍有一定的灵活性、局限性和不规则性，这使得它们难以控制此外，它们必须非常沉重和强大，这使得它们既危险又低效。
在《跳舞的机器人》一书中，我建议放弃这种方法，转而使用机器学习方法来找到控制更轻、更弱、更灵活的机器人的方法。就像孩子一样，这个系统会通过经验逐渐发展身体技能。当时我们没有足够的计算机能力来实现这一点，但一些研究人员最近发现这种方法取得了成功。
这似乎是您作品中反复出现的主题:我们希望世界是僵硬和绝对的，但实际上它是复杂和不统一的。
对我最近的工作meaningness“建议利用模糊性和模式的相互作用来加强理解和行动。这是个人效能的“实践哲学”，借鉴了我在人工智能领域所做的工作，以及我前面提到的学术领域。它也有一个学习层面。对成人发展的研究表明，人们可能通过前理性、理性和元理性的理解方式取得进步。中间阶段过于僵化。它设想世界可以被创造成符合各种制度。这可能会变得笨手笨脚、效率低下和脆弱。
如果完美精确模型的障碍是根本的，而不仅仅是技术上的，那么这是否需要一种完全不同的人工智能方法呢?
因此，上世纪70年代和80年代的主导方法确实失败了。”深度学习该公司最近取得了一些令人瞩目的成功。它建立的模型是统计的和隐含的，而不是绝对的和逻辑的。然而，这需要大量的数据，而人们往往从一个例子学习。发现深度学习方法的范围和局限性将是非常有趣的。
最新和最受欢迎的文章投递到您的收件箱!
乌里·布拉姆是这本书的作者统计思维，这是一本非正式的入门书，介绍了统计学的重要思想。在推特上关注他@UriBram.
主要照片由维基共享提供。
