以下文章经许可转载自The Conversation，这是一份报道最新研究的在线出版物。
每天，全球无数来源都会涌现出无数头条新闻，既有警告可怕后果的，也有承诺乌托邦未来的——这一切都归功于人工智能。 《华尔街日报》写道，人工智能“正在改变工作场所”，而《财富》杂志则告诉我们，我们正面临一场将“改变我们生活”的“人工智能革命”。但我们并不真正了解与人工智能互动会是什么样子——或者它应该是什么样子。
关于支持科学新闻
如果您喜欢这篇文章，请考虑支持我们屡获殊荣的新闻报道，方式是 订阅。通过购买订阅，您正在帮助确保有关塑造我们当今世界的发现和想法的具有影响力的故事的未来。
但事实证明，当我们思考人工智能时，我们已经有了一个可以使用的概念：这就是我们思考动物的方式。作为一名前动物训练员（尽管时间很短），现在研究人们如何使用人工智能，我知道动物和动物训练可以教会我们很多关于我们应该如何思考、接近和与人工智能互动，无论是现在还是将来。
使用动物类比可以帮助普通人理解人工智能的许多复杂方面。它还可以帮助我们思考如何最好地教这些系统新的技能，也许最重要的是，如何正确理解它们的局限性，即使在我们庆祝人工智能的新可能性时。
关注约束
正如人工智能专家玛吉·博登解释的那样，“人工智能试图让计算机完成大脑可以做的那种事情。”人工智能研究人员正在努力教计算机推理、感知、计划、移动和建立联系。人工智能可以在大型数据集中看到模式，预测事件发生的可能性，规划路线，管理个人的会议日程，甚至可以玩战争游戏场景。
这些能力中的许多本身并不令人惊讶：当然，机器人可以在空间中滚动而不会与任何东西碰撞。但是，当计算机开始将这些技能组合起来完成任务时，人工智能似乎更神奇了。
以自动驾驶汽车为例。无人驾驶汽车的起源于 20 世纪 80 年代的国防高级研究计划局的一个名为自主陆地车辆的项目。该项目的目标是鼓励对计算机视觉、感知、计划和机器人控制的研究。 2004 年，ALV 项目成为第一个自动驾驶汽车的大挑战。现在，自从这项工作开始 30 多年以来，我们正处于民用市场自动或无人驾驶汽车的风口浪尖。在早期，很少有人认为这样的壮举是不可能的：计算机不能开车！
然而，正如我们所看到的，他们可以。我们相对容易理解自动驾驶汽车的功能。但我们很难理解它们的局限性。在2015 年特斯拉致命撞车事故之后，该车的自动驾驶仪功能未能感知到一辆拖车横穿其车道，似乎仍然很少有人意识到特斯拉的自动驾驶仪实际上有多么有限。虽然该公司及其软件被美国国家公路交通安全管理局免除了疏忽，但客户是否真的了解汽车能做什么和不能做什么仍不清楚。
如果特斯拉车主被告知他们驾驶的不是自动驾驶仪的“测试”版本，而是一辆具有蠕虫心理等价物的半自动驾驶汽车，情况会怎样？提供“完全自动驾驶能力”的所谓“智能”实际上是一台巨大的计算机，它非常擅长感知物体并避开它们，识别图像中的项目和有限的规划。这可能会改变车主对汽车在没有人工输入或监督的情况下真正能做什么的看法。
它是什么？
技术专家经常试图从人工智能的构建方式来解释它。例如，以深度学习的进步为例。这是一种使用多层网络来学习如何完成任务的技术。网络需要处理大量信息。但是由于它们需要的数据量，网络中关联和算法的复杂性，人类通常不清楚它们是如何学习它们所做的事情的。这些系统可能非常擅长某一项特定任务，但我们并不真正了解它们。
与其将人工智能视为超人或外星人，不如将它们比作动物，我们有训练经验的智能非人类，更容易理解。
例如，如果我要使用强化学习来训练狗坐下，我会称赞这只狗，并在它按照命令坐下时给它零食。随着时间的推移，它会学会将命令与行为与零食联系起来。
训练人工智能系统也可以非常相似。在强化深度学习中，人类设计人员建立一个系统，设想他们希望它学习的内容，为其提供信息，观察其行为并在看到他们想要的内容时给予反馈（例如表扬）。本质上，我们可以像对待正在训练的动物一样对待人工智能系统。
这种类比在更深层次上也起作用。我不期望坐着的狗理解诸如“爱”或“善”之类的复杂概念。我希望它学习一种行为。正如我们可以让狗坐下、保持姿势和打滚一样，我们可以让人工智能系统在公共道路上移动汽车。但是，期望汽车“解决”驾驶紧急情况下可能出现的道德问题，这太过分了。
也帮助研究人员
将人工智能视为可训练的动物不仅对向公众解释它有用。它对构建该技术的研究人员和工程师也很有帮助。如果一位人工智能学者试图教一个系统一项新技能，从动物训练师的角度思考这个过程可能会有助于识别潜在的问题或复杂情况。
例如，如果我尝试训练我的狗坐下，而每次我说“坐”时，烤箱的蜂鸣器都会响起，那么我的狗就会开始将坐下不仅与我的命令联系起来，还会与烤箱的蜂鸣声联系起来。本质上，蜂鸣器成为另一个告诉狗坐下的信号，这被称为“意外强化”。如果我们寻找在无法正常工作的人工智能系统中意外的强化或信号，那么我们将更好地了解不仅哪里出了问题，而且哪些特定的再训练将最有效。
这要求我们了解我们在人工智能训练期间发出的信息，以及人工智能可能在周围环境中观察到的信息。烤箱蜂鸣器是一个简单的例子；在现实世界中，它会复杂得多。
在我们欢迎我们的人工智能霸主并将我们的生活和工作交给机器人之前，我们应该停下来思考我们正在创造什么样的智能。它们非常擅长执行特定的动作或任务，但它们无法理解概念，并且什么都不知道。因此，当您考虑为一辆新的特斯拉汽车花费数千美元时，请记住它的自动驾驶仪功能实际上只是一只速度非常快、非常性感的蠕虫。你真的想把对你和你所爱的人的生命的控制权交给一条蠕虫吗？可能不会，所以请把手放在方向盘上，不要睡着了。
本文最初发表于The Conversation。阅读原文。