李 楠

一、人工智能种种①本文讨论人工智能是否比人类更聪明，“聪明”的意义和智力、智能大致等同。本文保留“聪明”的日常用法，不做严格定义，但根据上下文应该能知道作者的基本立场。

在最强的意义上，人工智能需要全方位地模拟人类的能力，包括认知能力、感受力等，甚至包括现象意识。于是，强人工智能的目标是制造出“人造人”[1]，而弱人工智能的目标则是“制造出表面上具有人的全部心智能力的信息处理机器”[2]9。如果我们能造出在功能上全面模拟人类认知能力的机器人，那么弱人工智能就实现了，不过，如果她不能够觉得疼、看到红、欣赏音乐、感到不快，那么她也算不得强。考虑到人类心智能力的丰富多样，弱人工智能一点儿也不弱。

比弱人工智能更弱的是只擅长某一项或少数几项认知任务的机器人，为了方便讨论，笔者将弱人工智能的定义泛化为模拟人类一项或多项认知能力的信息处理机器。于是，在弱人工智能内部，又可以分为狭义人工智能（Artificial Narrow Intelligence）和广义人工智能（Artificial General Intelligence），后者又被称为通用人工智能。根据彭纳基（Pennachin）和格策尔（Goertzel）的定义，狭义人工智能是“在某一个专门领域——如下棋、医疗诊断、汽车驾驶、代数运算等——表现出智能的程序。”[3]1

狭义的人工智能系统擅长执行单一或有限范围的任务。它们可以在其特定的领域中战胜人类。但是，如果给它们新的问题，超出其擅长领域的任务，它们就无能为力了。目前，狭义人工智能也不会将知识从一个领域迁移到另一个领域，会下围棋的计算机并不能自己学会下五子棋。

而通用人工智能则被设想为能在各种常见的认知任务上达到人类的水平，甚至还可以有学习能力。虽然狭义人工智能还不能像人一样解决各种问题，但这种技术已经很有用了，为人类的生活带来了许多便利，如搜索引擎使用了推荐算法，导航系统可以为司机提供最优路径，智能管家可以帮人安排家居生活，等等。目前，狭义的人工智能技术可以分为两大类：符号人工智能和机器学习。

符号人工智能是老派的研究主流，依赖于程序员细致地定义规则，来定义各种条件下智能系统的行为。随着海量数据的获得和各种大数据相关技术的成熟，机器学习作为狭义人工智能的另一个分支，近年兴盛起来。机器学习系统让计算机根据现有数据对问题建模求解，并对未来的数据进行预测。例如，机器学习算法可以在大量的浏览和购买记录上进行训练，进而预测用户的喜好和点击概率。深度学习和强化学习可以被看作广义机器学习的分支。

需要说明的是，对强人工智能、弱人工智能等诸种概念，学界和媒体都似乎有不同的定义，本文就按照上述定义进行讨论，参见图1。

图1 人工智能类型

二、AI战绩

人工智能的发展历程中，有三次重要的人机“较量”，计算机分别在不同的智力活动中战胜了人类，引起了公众的巨大关注。

第一个里程碑是IBM 的下棋计算机“深蓝”，它在1997年击败了国际象棋世界冠军加里·卡斯帕罗夫，引起了轰动。需要注意的是，深蓝只是狭义的人工智能，它只有在国际象棋这一智力活动中有高超的水平，离通用人工智能还差得很远。

第二个是IBM 的计算机Watson。它是为知名问答节目“Jeopardy!”而生的，该电视节目以竞赛形式进行，参与者得到答案，需要猜出正确的问题。例如，主持人给出答案“这位‘国父’并没有真正砍下一棵樱桃树”，参与者应该找到的正确问题是：“谁是乔治·华盛顿？”“Jeopardy!”需要的知识和能力比下国际象棋更多。这个任务属于开放领域问答，需要包括科学、文化、历史、体育等诸多领域的知识。每场比赛有三个参与者，采取抢答形式。所以，除了丰富的知识，还需要速度和技巧。

Waston 参赛时尽可能地模拟了人类选手，他使用英语作答，也模拟了按键抢答的方式。在比赛现场，Waston 并没有连接到互联网，而是可以离线访问上亿页的信息[4]165。在2011 年，Waston 击败了“Jeopardy!”史上最优秀的两位参与者肯·詹宁斯和布拉德·拉特。在为期两天的比赛中，Waston 赢得的奖金是人类对手的3倍还多。

第三个里程碑是AlphaGo，由DeepMind 公司开发的下围棋的机器人。2016 年3 月，AlphaGo 与围棋世界冠军、职业九段棋手李世石进行比赛，以4比1的总比分获胜；2016年末2017年初，它在中国棋类网站上与中日韩数十位围棋高手进行快棋对决，连续60局无一败绩；2017年5月，它与排名世界第一的世界围棋冠军柯洁对战，以3 比0 的总比分获胜。AlphaGo 获胜的另一个重要意义在于其使用了深度学习的技术，这使得它和深蓝完全不同。深蓝依赖的是大量的规则，属于符号系统的人工智能，然而AlphaGo使用的是神经网络的模型，通过强化学习训练和蒙地卡罗树搜索求解，其中不存在显式的规则，甚至人类无法描述和理解神经网络拟合出的复合函数。

每次这种机器战胜人类的事件出现，都会有很多的爆炸性新闻报道，甚至说“人类最后的智力骄傲即将崩塌”[5]，但同时也有人觉得计算机显然还比不上人。下面我们以Watson 为例，对这种人工智能的“聪明”程度做个评价。

（一）Watson是我们的新王？

我们之前就区分了狭义的和通用的智能，在狭义的层面，一个主体有智能，只需要在一项或少数几个智力任务中表现得足够好，足够好大致可以理解为和普通人的水平差不多；一个主体比另一个在某项智力活动中表现得更好，则意味着作为狭义的智能主体，前者比后者更聪明。下文将说明在狭义的层面，Waston 比人类对手更聪明，或者说，作为狭义的人工智能，Waston有超过人类对手的智力水平。

首先，Waston的任务是真正需要智能的。“Jeopardy!”实质上是一个开放领域的问题回答任务。参赛者必须配备足够的认知能力，包括理解自然语言、从记忆中检索相关信息、做出符合逻辑或概率的合理决策，并形成人类可以理解的答案。举例来说，当一个选手听到“我们的这位‘国父’并没有真正砍下一棵樱桃树”这一线索时，他必须能够提取出“国父”和“樱桃树”等提示和关键词，同时能够理解“我们”在该语境中的指代，并对句子的否定部分进行一些逻辑推理；当他试图找到正确的回答时，他需要能够利用关键词在记忆中搜索，记忆中的知识是以一种方便检索的方式组织和表示的，这个搜索过程可能最终不会完全匹配，这意味着需要对种种候选答案进行评估和排序；最后，回答必须是问题形式，也就是说，检索到的信息，无论以何种形式出现，都必须转化为一个句法正确的英语句子，以问号结尾。

其次，Watson 使用了与人类在解决同样任务时相似的认知能力，二者的能力是可以比较的。为了给出类似人类的表现，Watson 的设计整合了自然语言处理、信息检索、知识表征和推理等技术，其工作流程大致反映了人类玩家的工作流程：获取并分析线索、寻找答案、构思对策，最后还有激活蜂鸣抢答器。首先，Watson 会提取线索中的关键词，然后梳理它的“记忆”（对于Watson 而言，是一个15TB 的人类知识数据库），寻找与这些词相关的词群，根据所有它能收集到的上下文信息来检查最高命中率。当它觉得足够“确定”的时候，它就会决定发出蜂鸣声。

第三，Watson 比詹宁斯和拉特更擅长做“Jeopardy!”这样的任务。原因很简单：Watson 稳定地、大比分地在所有的比赛中胜出。鉴于这是一场公平的比赛，每个人都遵守了规则，Wtason 的成功并不是因为运气或作弊，因此，我们不得不承认，计算机在这项任务上确实更胜一筹，而且说实话，要强得多。

最后还需要说明的是，在一项需要X型智力的任务上更胜一筹，说明拥有更多的X型智力。这是我们论证的另一个值得解释一下的前提。在人类身上也有类似情况。假设在GRE 考试中Sally 在数学部分得到170 分，但Tim 只得到140 分。在这种情况下，我们会很自然地说Sally 比Tim 更有数学天赋。那么基于类似的考虑，我们也应该自然地说Watson在知识问答任务中比詹宁斯和拉特有更高的能力。

的确，Watson 在其他类型的智力水平上远不如人类：他不能决定从演播室回到“家”的最佳路径；他甚至恐怕都不知道什么是自己的“家”；他不能像詹宁斯那样讲一个机智的笑话，有风度地输掉比赛。诸如此类的例子不胜枚举。但这并不影响Watson 是个优越的狭义智能主体。在其他方面的智力匮乏并不会削弱某一个方面的智力。从通用智能的角度看，Watson 确实不如任何一个正常人，但在知识问答领域，他却和任何人一样优秀。这背后的原因很简单。回到我们GRE 的例子，当我们说Sally 的数学比Tim 好的时候，我们并不关心Sally 的其他方面：也许Sally 的文字表述让人费解，也许她常常迷路，也许她毫无幽默感，但是这丝毫不会削弱我们对其数学天赋的认可。

詹宁斯在输给Watson时有句妙语：“我，代表自己，欢迎我们新的电脑之王。”在此笔者慎重复议，只不过Watson的疆土，只是“Jeopardy!”这一小小领域。

（二）通用的论证

事实上，否认狭义人工智能比人类更聪明的观点，通常都会采取这样的形式：虽然计算机在当前任务中战胜了人类，但是计算机换一个领域、任务就无能为力了，它不会做的事还很多，所以计算机不如人类聪明。确实，计算机还没有通用的人工智能，但是根据我们之前的思路，这不影响我们承认计算机在狭义的意义上比人类更聪明。我们可以更清晰地将反对意见构造为下面的论证：

前提1:虽然人工智能在认知任务X上比人类选手有更好的表现，但他还不能做另一个认知任务Y；

前提2:人类可以完成认知任务Y。

结论：人工智能不比人类更聪明。

上述论证是个通用的框架，X可以是任何狭义人工智能擅长的任务，而Y可以是任何人类可以轻松完成、但狭义人工智能没有实现的功能。但是，根据我们之前的讨论，我们也可以构造一个通用的反驳论证框架①感谢邢滔滔教授对这个论证初版的批评意见。如下：

前提1：如果主体A 在认知任务X 上比主体H 有更好的表现，且认知任务X 需要的认知能力为x，则主体A具有比主体H有更高的能力x；

前提2：如果能力y不同于能力x，那么主体A不具有能力y并不影响A具有能力x；

前提3：狭义人工智能不胜任的任务Y需要的能力不同于其擅长任务所需的能力；

前提4：狭义的更聪明，指（狭义的）人工智能在其擅长的认知任务上比人类有更高的能力。

结论：人工智能在狭义上比人类更聪明。

这个论证中一个重要的概念是“认知任务”，显然并非所有的任务都是认知任务，否则，望远镜比人类的视野更远，就能得出望远镜比人更聪明的荒谬结论②例子来自陈嘉映教授的批评。。要给认知任务下定义，并非易事。一个容易想到的界定是以使用了认知能力为标准，即，认知任务是使用了某个或某些认知能力的任务，但是认知能力又需要进一步说明，而要说明认知能力恐怕又要用到认知任务。所幸，我们对认知任务和所涉及的认知能力有常识性的、相对无争议的理解，我们可以举一些典型的例子，例如阅读、写作、算术，这些是认知任务，其中涉及的能力是认知能力。同时，我们也都认为单纯的视觉、条件反射的行动都不是认知任务。总之，当给出具体的任务，我们可以相对无争议地判断这个任务是不是认知任务，而这对于我们当前的论证就够用了。

另外，对于讨论人工智能是否比人类更聪明这样的问题，我们确实无需定义认知任务，这是因为，值得讨论、存在争议的任务当然是认知任务，而且是争论双方都承认的——毕竟，洗衣机和微波炉出现的时候，人们并没有去考虑这些更会做家务的机器是否比人更聪明。

对于论证的反驳意见可能来自能力的“连续性”：也许有人会说，对于一个合格的智能主体，任何单项能力都不能单独被割裂出来，在某一领域或单项任务中表现优异却不具备其他领域的能力，只能表明这个主体还不是合格的智能主体。我们确实有这种倾向，认为真正的“聪明”应该是全方面的综合能力，这体现在早年间对中国学生“高分低能”的批评，以及现在对“小镇做题家”的鄙视。然而，作为对前文论证的批评，这种意见并没有什么力量，因为它已经预设了狭义的智能不是真正的智能。

也许这个通用论证的结论会被认为是平平无奇的，但是区分狭义和广义（通用）的智能含义，对于理解和澄清围绕人工智能是否比人更聪明这样的混乱话题是有帮助的。

三、通用人工智能难在哪儿？

现在我们考虑狭义人工智能能否、如何走向通用人工智能。首先，通用人工智能不是多个狭义人工智能的简单叠加。以波兰尼（Polanyi）和德雷福斯（Dreyfus）为代表的观点认为，人类有一种隐性知识是不能被计算机实现的；另外还有一种常见的看法是，计算机没有创造力，也不能像人类一样活学活用。本章会逐一讨论这些看法，最后试图说明，创造力这样的能力很可能是一种突现的性质，即使我们不能从底层物理结构中看到创造力，但这不能构成计算机拥有创造力的原则性困难。

（一）狭义人工智能，联合起来？

一个相对没有争议的看法是通用人工智能还没有实现，而狭义人工智能已经实现并且在很多领域被应用了。表面看来，通用人工智能和狭义人工智能的最显著差异在于其完成的认知任务数量不同，狭义人工智能专于一个或少数几个领域，而通用人工智能应该在人类常见的所有认知任务上都至少可以达到人类水平。但是，通用人工智能显然并不仅仅是在能力数量上比狭义人工智能多而已。如果二者的差别仅在能执行的任务数量上，那么通用人工智能的实现恐怕并不十分困难。

假设在不远的未来，我们有了分别在各个人类常用领域的狭义人工智能，他们各司其职，有的擅长下棋，有的会写文章，有的能管理财务，有的替人规划路线。那么我们完全可以设想用一台超级计算机，或者云平台，将这些狭义人工智能整合在一起，成为一个超级人工智能，他的能力就是所有这些狭义人工智能的并集。当它需要规划路线时，就执行规划路线的模块，当它需要下棋时，就调用下棋的函数，等等。那么这样一个综合的人工智能，是否就是我们想要的、哲学家和科学家所说的通用人工智能了呢？

并非如此。这样一个综合人工智能，离我们设想的全面模拟人类认知能力的主体，似乎还差一些。一种容易想到的质疑是，我们怎么可能保证穷尽所有人类可能执行的认知任务，一一编码为计算机指令，让机器在对应的任务场合下能够调用呢？毕竟，短短五十年之前，人类社会还没有给智能手机充电这样的认知任务。这种质疑表面看来是对上述方案在实际可行性方面的否定——因为我们不可能穷举出所有未来人类可能遇到的认知任务，但是其背后却有更加实质和原则性的担忧——这样的计算机还没有应对新问题、新任务的能力，不能将已有的知识技能主动地迁移到类似的新领域，他会的一切都是通过人类显式地编码赋予的明确指令，离开他知识储备中涵盖的领域，他的智力就等于零。而我们想要的通用人工智能不能受限于此：像人类一样聪明，就要像人类一样，能举一反三，温故知新，对于没见过的问题，也能利用见过的问题去尝试求解。

（二）知识，不可言说

有一种经典的看法是，人类有一种“隐性知识”（tacit knowledge），不可言传，甚至无意识的技巧，这些是计算机所无法掌握的。隐性知识的思想最早是由迈克尔·波兰尼（Michael Polanyi）提出的。关于隐性知识的本质，波兰尼在其《隐性维度》的开篇说道：“我们知道的比我们能说的多”[6]4。波兰尼继而给出一个人脸识别的例子。“我们知道一个人的脸，并能在千人、甚至百万人中认出来。然而，我们通常说不出是如何识别的。所以，这种知识大部分都无法用语言表达。”[6]4另一个常见的例子是骑自行车。骑自行车显然是一种技能，需要“怎么做的知识”（know how）[7]29（用赖尔的术语）。既然我会骑车，那么我就有这方面的知识，可是我写不出一套详细指令，能让一个不会骑车的人读过就会骑车。

如果计算机能够获得的都只是可被言传的显式知识，那么我们人类倚重的种种隐性知识就不可能被计算机获得。不过，波兰尼的思想显然有更多复杂精微之处，我们暂不考虑，而是转向对人工智能更直接的批评，来自德雷福斯（Hubert Dreyfus）。德雷福斯在一系列著作中论证说，人类的智能和能力主要取决于无意识的过程，而非有意识的符号运算，而这些无意识的技能不可能被形式化规则所充分刻画。德雷福斯描述了人类获得技能的层级（图2）。

图2 德雷福斯技能获取模型

其中最低层次的是按照明确的指令的新手阶段，而最高层次则是不依赖任何明确规则，凭丰富经验和专业直觉的专家。而专家的知识最主要的特征就是隐性、意会的。要想用计算机模拟一个专家系统，最困难且最重要的就是学到这些隐性的知识。可是，人类专家要想描述自己日常工作中如何凭经验完成任务时，他们通常只能明确描述更低层次的知识，表现为规则和指令。这就意味着，依赖于明确规则的计算机系统不能刻画专家的技能[8]36。

我们需要注意，德雷福斯的批评对象是依赖形式化规则的符号系统人工智能，而他的这一批评已经被广泛认可。然而，近年来兴起的机器学习，尤其是使用大型神经网络的深度学习模型，似乎已经不再是简单的符号运算了。相反，这些模型所拟合的函数，其复杂程度之高，似乎也不能被“言传”。如果是这样，那么计算机也不仅仅是显式规则的学习者，也可以通过大量实例获得不可“言传”的知识。当然，有人会提出这样的批评，神经网络是一种表征学习，仍然是想从事物中提取出对于完成任务最为重要的相关特征，特征在原则上是可以被言传的，而专家知识在原则上就不是。要全面地衡量这里的争议，我们需要对“可言传”、专家知识等概念都有更清晰的界定，然而，笔者发现这很困难，因为专家知识或者专家技能，是被从负面定义的，即，不可被言传的知识，而从正面角度，似乎我们很难说明它到底是什么。或许，专家知识的定义本身，也是只可意会，不可言传的吧。但是，至少，在实际可以被表达的意义上讲，当代神经网络拟合出的函数，确实是不可被归约为德雷福斯针对的符号系统的，即使在输入端，我们知道文字被嵌入为字词向量，图片被抽象为实数矩阵，但是经过层层复杂的线性和非线性变换，神经网络对文字和图片的表征已经不再是能被轻易描述的了。想想看，GPT-3这样的语言模型，竟然有1750亿参数。

（三）变通与创造

另一种常见的意见是，计算机没有创造力，也不懂变通。甚至，在原则上，我们就不能制造出有创造力和能变通的机器。这两者其实都与“新”有关，变通是指能接收和处理新的输入数据，而创造则是能产生新的结果。细究起来，变通的难度并没有那么高。有时候，人们说到计算机只能处理一个领域的问题，是说工程师在编写程序的时候只能接收某一类型的输入，但是这仅仅是个工程方面的实际问题，要解决的话也可以从工程方面着手。而更麻烦的，是计算机在面对全新的领域时是束手无策的。一个机器学习系统在微博评论的语料集上训练，用来判断评论的情感倾向，可是在预测新闻情感倾向时，却完全不能给出合理的预测，更不用说，如果让这样的系统去预测房价走向，即使我们调整其输入值让程序可以运行，这个模型很可能只能随机产生输出。不过，在这里，似乎也没有原则性的困难。在某一个领域的语料集上训练的模型，在另一个领域的语料集上表现不好，这个困难有望被新的模型和技术所解决。而对于相差甚远的问题领域，或许我们应该调整的是我们的期待。毕竟，当我们说人类懂得变通，能活学活用的时候，那些知识迁移的领域还是有某些相似性或相关度的，然而，在我们之前举的例子中，从情感评价到房价回归，这两个领域似乎找不到多少相关性，即使对于人类而言，我们也没有期待能将体会文字背后情感纬度的能力运用到预测房价上。

更大的麻烦恐怕在创造力上，毕竟这个概念本身就令人捉摸不定。哲学史上有一些关于创造力的著名说法:例如，柏拉图认为，诗人产生真正伟大的诗歌时，并不是通过知识或技艺，而是被缪斯女神神圣启发了，处于一种疯狂的附体状态[9]22；康德则将创造力与想象力联系起来，认为艺术家的天赋是一种内在的能力，能通过自由想象产生“典型的独创性”的作品，而这种创造过程不遵循规则，学不来也教不会，对于天才自己而言都是神秘费解的[10]43-50。然而20世纪哲学领域对创造力的讨论却不多，即使有也主要集中在艺术哲学领域。

Gaut 定义创造力为使用天赋产生原创性和有价值的事物的能力，是主体性的一种特定实践，只有人或者其他什么行动者才能有这种能力[11]1041。原创性体现在创造物需要是新的，给人带来惊奇；有价值也是一个必要条件，因为并非所有新的、意料之外的东西都体现了创造力，当我随手乱敲键盘，打出一堆文法不通的文字，这段文字也是从没出现过的、意料之外的，然而我的创造力（假如有的话）也完全没有用到。从这个定义出发，人工智能有创造力的障碍可能来自两个方面。

1.创造性活动是无目的性的，而计算机的活动都是有目的的。

回应：一方面，从概念层面上，创造性的定义和无目的性并没有什么内在的紧密关联。而且，人类的创造性活动也并非全然无目的。我在写下前面几段文字之前并没有将每个字每句话都了然于胸，而写作活动通常被认为是展现了创造性的，所以，我的写作（希望是）包含了创造性，但是我对写作主旨、文字风格都有个大概想法，对写作的结果有大致预期，因而，从经验层面上看，创造性活动是可以有目的性的。事实上，一些认知心理学家将创造力视作在问题空间的搜索过程，认为创造过程是“目的论的，既受制于一开始就存在的、规定最终结果的计划，又受制于在创造过程中产生的计划。”[12]286这样看来，计算机执行创造性活动是完全可能的，因为人工智能主要关注的就是在复杂的问题空间中求解。

2.创造力是一种不同于也不能归约为任何知识技能的能力，而计算机只能存储知识、模拟技能。

回应：首先有证据表明，创造力需要大量知识，甚至是专业领域的知识[13]226，还有一些证据表明创造力在某种程度上是可以习得的[14]。这构成了关于创造力和知识关系的“基础论”，根据这种观点，知识对于创造力有正面作用，提供了基础，创造性成果是建立在特定领域的知识之上的。

当然，这并不等于说，特定的知识和技能（假设我们能准确找到是哪些）就足以产生出创造力，基础论者也承认“仍然有这种可能性，一个有深厚知识的人从未在其擅长的领域做出创新”[13]248。不过，这至少使创造力没有那么神秘。

不过，更棘手的问题在于我们似乎总是可以设想，两个具备同样知识和技能的人，一个有创造力，而一个没有。一个能想到苯特殊的环状分子结构，而另一个却没有想到。甚至，我们可以设想，两个在物理层面完全一样的主体，一个有创造力，而另一个却没有，至少可以设想，在同样的场景下，一个突然写出绝妙的诗句，而另一个却没有。灵感的火花似乎并不随附于任何物理性质。如果是这样的话，那么即使我们能制造出在功能、行为上完美模拟人类、在知识技能方面比人类也毫不逊色的人工智能主体，我们还是不能保证这样的机器是有创造力的，而差在哪里，我们似乎又不能确定。

但是，这种可设想的情况很可能并不构成什么严重的质疑。心灵哲学领域围绕物理主义的争论中有许多著名的基于可设想的情况的论证，然而即使这些可设想性论证的最积极捍卫者也承认可设想性与自然律相容——即使现象意识可以被设想为独立于物理属性，在我们的现实世界自然律约束下，现象意识也是被物理属性决定的。类似地，即使我们可以设想创造力独立于任何知识和技能，但是这并不能在原则上否认计算机可以拥有创造力。我们可以进一步将创造力看作一种突现的（emergent）性质，也许我们不能从物理结构和底层属性中“看到”创造力，但这并不蕴含创造力不可能从电路、代码、模型中产生。

四、结语：强人工智能有希望吗？

回到我们一开始的定义，强人工智能需要实现人类的全部心理状态和能力。这就包括现象意识，以及审美能力、幽默感等依赖于现象意识的能力。

一方面，熟悉心灵哲学的人会马上意识到前面有何其困难的问题：如果我们想知道AI是否有现象意识，恐怕在概念上、从形而上学层面，就很困难。而另一方面，如果仅仅要AI 表现出有类似于人类的审美、幽默感，却完全可以设想。例如，对音乐作品，可以构造一种打分函数，给人类认为悦耳的音阶打高分，并在高分作品中随机选择一个作为AI“最喜欢的”。当然，这看起来很没有艺术感，但是，当他人说这幅画线条优美、色彩和谐的时候，我们怎么知道他真的是内心有所触动？

当然，强人工智能似乎离我们还远，我们首先要实现多种狭义人工智能，进而制造出有创造力的通用人工智能，也许我们对这些都可以满怀期待。