日本軟銀團體類人機器人Pepper擔當一家銀行的迎賓員歡迎主顧。

　　人在地毯上滑冰、奶牛變得透明，連六歲小孩皆了解謬妄的事情，電腦能做出精確推斷嗎？雖然處置數據速度極快，但計算機對外界的感知取人類的認識一樣嗎？若何推斷一臺機械是不是具有了這類難以言傳的認識知覺？

　　在前不久的天下機器人大會上，種種能跑會跳、能言巧辯、能與人相同互動的智能機器人紛繁亮相，它們的伶俐勁兒讓媒體驚呼“機器人時期離我們有多遠”。

　　計算機技術正節節迫臨具有高等聰慧的人類。幾年前，IBM的機器人沃森正在美國智力競賽節目“危險邊沿”中力挫該節目史上最出色的兩位選手而奪冠就是明證。然而，絕大多數人至今仍不太相信電腦是不是真的“看清”了攝像頭前五光十色的實在天下，大概根據麥克風“聽懂”了一個題目，雖然計算機處置懲罰數據的速度極快，但計算機對外界的感知取人類的認識一樣嗎？

　　那末，若何推斷一臺機械是不是具有了這類難以言傳的認識知覺的稟性？弄清有認識的機械具有哪些特征，能讓我們相識自身的大腦是若何運作的。別的，它乃至還大概作用我們回覆哲學家曾經糾結數百年的最終題目：什么是認識？

　　真人仍是假人？

　　長期以來，哲學家一直在思索，人造摹擬裝配有無覺得？

　　1950年，英國數學家阿蘭·圖靈揭曉了一篇論文，宣布人工智能正式登上歷史舞臺。該文倡議用“可否打造一類機械，當您和它用電傳打字機交換時，您沒法辨別它是這不是人類”這個更加事實的題目，來取代“機械可否思索”這個籠統的題目。

　　現在的圖靈測試是讓測試者用“自然言語”（即我們平常交換所用的言語）經由過程電腦屏幕取或人或某款軟件互動，互動內容可觸及任何話題。必然工夫后，假如測試者沒法肯定對方是否是人類，那末該工具就算經由過程了圖靈測試，它的智力程度最少可以說取人旗鼓相當。這些年來，談天機器人——即用來摹擬智能閑談的對話式順序——一開始偶然還會騙過測試者，但要免不了多久就會被看破。

　　神經生物學家對自愿者的大腦或神經停滯者的大腦進行了掃描，經過腦電圖紀錄他們的腦電波，慢慢鎖定了所謂的認識神經相干因子，即一種最基本的大腦功用布局。它們配合作用是足以造成任何特定的有認識感到，比方賞識爛漫的夕陽美景。然而今朝這個研討行業仍舊貧乏一種普適性理論，要靠這類理論由標準上來評價大腦受損病人、胎兒、老鼠以致芯片等可否體驗到有認識的感到。

　　測測電腦芯片“整合度”

　　“認識的整合信息理論”給予了應對以上挑釁的門路。該理論以為，認識信息是一個團體。當您認識到同伙的臉龐時，您不太可能遺漏了她正在呼喚而且戴著眼鏡這兩個細節。無論是什么樣的場景，只要被認識到，它就始終是一個團體，不可以被分解成若干能夠獨自被感受到的相互自力的成份。

　　認識的這類整體性源自于大腦各部分之間的多種互動關系。若是大腦各部分之間的接洽停止（例若是在麻醉和深度睡眠中），認識就會減弱，乃至消散。

　　因而，具有認識的，必需是一個單一的、顛末整合的實體，有大批可辨別的狀況——這正是信息的界說。一個體系的團體信息容量，還便是認識容量，可以用該體系的信息量與它各組成部分擁有的信息總量相比超越多少來權衡。

　　要想使一個體系具有較高的認識級別，它的各個組成部分就必須是專業化的，而且整合充實，即各部分協同事情比各自零丁運轉結果更佳。關于大腦的某些部位，比方大腦皮層，它的神經元之間存在大批毗鄰，這個數值則相稱高。

　　這個權衡體系整合度的目標還能夠用來評價電腦芯片。對電腦而言，只要各晶體管和存儲單元之間的毗連充足龐雜，那末它就同人腦一樣能夠到達很高的整合信息程度。

　　用信息集成“考考”機器人

　　除依據機械的毗連狀態丈量認識容量以外（這極度艱巨），我們如何曉得一臺機械是否是有認識呢？什么丈量方法可行？

　　一種測試機械的信息集成度的辦法是，讓機械來做一個6歲小孩還能完成的標題：“這幅繪里有什么地方過失勁兒？”要處理這個簡樸的標題，就得具有海量靠山常識，比當今高等電腦正在實行辨認人臉、清查信用卡敲詐之類義務時所依附的那點常識，不知道多了多少倍。

　　計算機正在闡發圖象中的信息是不是公道時，必需依托刁悍的處置懲罰本領，這類本領遠遠超過了對數據庫舉行簡樸言語查詢的級別。提及玩高等游戲，電腦能夠讓人五體投地，但假如問電腦一張照片有些什么問題，它就黔驢之計了。雖然最新電腦中的硬盤容量遠遠超出了我們一生所能影象的物品，但硬盤上的信息依然是未整合的，體系中的每一單位同其他元素根本沒有聯系關系。

　　一樣的整合進程乃至能讓六歲小孩了解很多不協調的畫面是荒誕的，好比人在地毯上滑冰，奶牛變得透明等等。而肯定一臺電腦是不是無意識的樞紐還正在此處。這一些顯明跟日常生活體驗南轅北轍的現象，證明了人類具有精湛的常識，了解哪些事務和物體能夠與此同時涌現，而其他絕大多數則不可。

　　我們依賴于那樣一種熟悉：只有具有熟悉的機械才可以主觀描寫通俗照片里的場景是“對”照舊“錯”。這類綜合分辨照片內容的本領是組成熟悉思惟的一種根本屬性，例如瞥見大象蹲在埃菲爾鐵塔頂端，就可以曉得這不合情理。但現在機械尚不具有這類本領：即使是讓滿滿一房間的IBM超等電腦聯手上陣，還沒法分辨畫面中哪些內容合乎情理。

　　若何測試電腦“讀圖”

　　測試電腦若何解讀圖象，并沒有是必需采納向機械輸入測試題目如許的傳統的圖靈測試法。實在您只須在網上隨便找幾幅圖，沿垂直標的目的將每幅圖的中心涂黑，并用鉸剪剪開，然后隨機將左、右兩部分拼合起來。這一些分解圖象一樣平常皆擺布沒有婚配，只有個體圖片的擺布兩部分皆來源于統一張圖。電腦面對的挑釁，便是要把擺布婚配的圖片找出來。

　　把圖象中心涂黑，是為了防備電腦利用現在那些初級的圖象闡發本領，比如說考查被拆散的各部分圖象之間的紋理或顏色是不是相配。這類基于拆分圖象的測試辦法規定電腦具有進步前輩的圖象解讀手藝，并能夠推斷圖象各部分的搭配是不是協調。

　　別的一種測試則是將若干物體放進幾幅圖象中，使得全部圖象看起來都還一般，只有一幅圖象有題目。接受測試的電腦必需找出這個異類。例如計算機前面放著鍵盤還匹夫有責，但如果盆栽植物，那就不合適了。

　　很多計算機算法是根據收集色彩、邊沿或紋理之類圖象特點，并接納低層次統計數據舉行婚配。這一些要領也許還能應對單一測試，但正在多種不一樣圖象測試眼前，就望眼欲穿了。這一些測試要領離真正有用另有一段距離，可是，正在運用這一些要領后，我們發明，人類的認識感知功效觸及海量的整合常識，而相比之下，機械視覺體系的常識實正在是太甚狹小和專業化。

　　想具有認識要“學學”大腦構造

　　相識這一些后，我們近期可以等候些什么呢？若是某項義務可以自力出來，不與其他義務有連累，那末它可以由機械來承當。高速算法可以飛快的正在重大的數據庫中舉行搜索，并正在國際象棋競賽和“危險邊沿”節目中克服人類選手。龐雜的機械進修算法經過訓練后，可以完成臉部辨認大概偵測行人等事情，服從比人類更高。

　　我們能夠輕松地想出很多場所，讓機械人去完成日趨專業化的義務。進步前輩的計算機視覺體系日臻成熟，不出十年，一種牢靠的、基本上自立的駕駛形式將成為可能。但我們預計，這種機械視覺體系還無法回答取汽車火線現象相干的簡樸題目，仍舊不容易無意識地感受到出現在它前面的場景。

　　但我們還能夠假想另一類機械，它能夠把世上各類事物間無數根深蒂固的干系，整理成常識并歸入高度整合的單一體系中。若是問這種機械“這幅圖有什么處所差池勁兒？”，它會主動給出謎底，由于圖中任何取實際不符的處所都不大概知足體系中的內涵約束條件。

　　這種機械大概能夠從容應對那些不克不及輕車熟路分解為若干自力使命的事情。因為具有整合信息的本領，它應該會有認識地感知某一場景。正在我們看來，為了實現高度的信息整合，它們無妨鑒戒哺乳動物的大腦布局。這種機械正在接受以上各類測試時將容易過關，進而能與我們同享認識這個大自然賜賚人類的最神秘禮品。