苦涩的教训 [译]
内容提要
《苦涩的教训》指出，70年AI研究表明，依赖计算能力的通用方法（搜索与学习）最终优于融入人类知识的方法，国际象棋、围棋、语音识别和计算机视觉均印证此点。研究者常因短期收益嵌入人类理解，长期却阻碍进步；应构建能自行发现复杂性的元方法，而非直接内置人类发现。
延伸解读
短期收益与长期陷阱
文章指出，将人类知识融入AI系统在短期内总能带来性能提升，也让研究者获得成就感，但长期却会导致进步停滞。这种矛盾源于研究周期的错位：大多数研究在计算资源固定的假设下进行，而实际上计算成本会指数级下降。因此，基于人类知识的方法看似高效，却可能阻碍对通用方法的探索，形成心理承诺和路径依赖。
搜索与学习的扩展性优势
国际象棋、围棋、语音识别和计算机视觉的案例表明，依赖搜索和学习的方法能随计算资源增长而持续扩展，最终超越精心设计的人类知识方法。搜索和学习之所以强大，是因为它们能自动发现复杂性，而不需要研究者预先编码领域知识。这种通用性使得它们在大规模计算可用时展现出明显优势。
构建发现复杂性的元方法
文章强调，人类心灵的实质内容极其复杂，无法简化。试图将空间、物体、对称性等概念直接内置到AI系统中，只会限制系统发现更复杂模式的能力。相反，我们应该构建能够自行发现并捕捉任意复杂性的元方法，让AI代理具备发现能力，而不是仅仅包含人类已有的发现。
Q&A
《苦涩的教训》这篇文章的核心观点是什么？
文章的核心观点是：70年人工智能研究表明，依赖计算能力的通用方法（如搜索和学习）最终会优于融入人类知识的方法，而且优势明显。这一教训源于摩尔定律带来的计算成本指数级下降，但研究者常因短期收益而嵌入人类理解，长期却阻碍进步。
为什么AI研究者会倾向于将人类知识融入系统？
因为大部分AI研究假设计算资源固定，在这种情况下利用人类知识几乎是提升性能的唯一途径。此外，基于人类知识的方法在短期内总能带来收益，也让研究者感到满足，并形成心理承诺。
计算机国际象棋和围棋的发展如何印证了苦涩的教训？
在国际象棋中，1997年击败卡斯帕罗夫的方法主要基于深度搜索，而非人类对棋局的理解；在围棋中，最初努力利用人类理解来避免搜索，但大规模搜索和自我对弈学习最终取得巨大成功，使基于人类知识的方法显得微不足道甚至有害。
语音识别领域是如何从人类知识方法转向统计和计算方法的？
1970年代DARPA赞助的早期比赛中，基于人类知识（如单词、音素、人类声道理解）的特殊方法败给了基于统计和大量计算的隐马尔可夫模型方法。这导致自然语言处理领域转向统计和计算主导，深度学习进一步减少了人类知识依赖并提升了性能。
苦涩的教训具体包含哪几个历史观察？
文章总结为四点：1）AI研究者经常试图将知识融入代理；2）这在短期内总是有益且令人满足；3）长期来看会导致进步停滞甚至阻碍发展；4）真正的突破最终通过相反方法实现，即基于搜索和学习来扩大计算规模。
根据苦涩的教训，我们应该构建什么样的AI方法？
我们应该构建能够发现并捕捉任意复杂性的元方法，而不是直接内置人类已有的发现。这些方法应能自行找到良好的近似，而不是由我们手动设计。我们希望AI代理像我们一样具有发现能力，而不是仅仅包含我们已有的发现。
