人工智能存在信任問題。我們依靠AI越來越多，但它還沒有贏得我們的信任。

例如，以Autopilot模式駕駛的特斯拉汽車在撞擊停止車輛方面有著令人不安的歷史。亞馬遜的面部識別系統在很多時候都有效，但當被要求將所有535名國會議員的面孔與2.5萬張公開逮捕照片進行比較時，它發現了28個錯誤匹配。一項旨在審查亞馬遜求職者的計算機程序被發現系統地歧視婦女。每個月，都會有新的AI弱點被發現。

現在的問題不在于今天的AI是否需要做得更好，而是今天的AI需要嘗試做一些完全不同的事情。

特別是，我們需要停止構建那些只是用來更好檢測數據集統計模式（通常被稱為深度學習的方法）的計算機系統通常使用稱為深度學習的方法，開始構建能夠掌握時間、空間和因果關系三大基本要素的計算機系統。

現今的AI系統對這些概念知之甚少。以時間要素為例，我們最近在谷歌上搜索了“喬治·華盛頓有沒有電腦？”，這是一個答案需要在時間框架內將兩個基本事實（華盛頓生活時期、計算機發明時期）聯系起來的問題。谷歌的前10個搜索結果都沒有給出正確答案。搜索結果甚至沒有真正解決這個問題。排名最高的鏈接是《衛報》關于瑪莎·華盛頓電腦肖像的新聞報道。

而谷歌的Talk to Books也沒能做到更好，這是一個旨在通過從龐大的文本數據庫提供相關段落來回答問題的AI項目。它提供了20個段落，其中包含大量事實，其中一些涉及喬治·華盛頓，另一些涉及計算機的發明，但兩者之間沒有任何有意義的聯系。

而涉及空間和因果關系的概念時，AI的情況更糟。即使是一個年幼的孩子，第一次遇到奶酪刨絲器，斗可以弄清楚為什么它有鋒利邊緣的孔，哪些部分可以讓奶酪掉落，哪些部分是你可以用手指抓住的等等。但現存的AI系統沒有一個可以正確理解對象的形狀如何與其功能相關。機器可以識別出什么是物體，但不能識別物體的物理特征如何與其潛在的因果效應相對應。

對于某些AI任務，這種主導數據相關的方法可以完美勝任。你可以輕松地訓練深度學習機器，比如識別暹羅貓的照片和Derek Jeter的照片，并區分這兩者。這就是為什么這樣的程序適用于自動照片標記。但是他們沒有實現概念深度。例如，如果有很多不同的暹羅貓，但只有一個Derek Jeter，因此一張顯示兩只暹羅貓的照片并不顯眼，而一張照片顯示兩個Derek Jeters被篡改了。

在很大程度上，這種理解的失敗是像管家Rosie這樣的通用機器人仍然是一種幻想的原因。如果Rosie無法理解世界如何運作的基礎知識，我們就不能信任她。

沒有時間、空間和因果關系的概念，理解許多常識是不可能的。例如，我們都知道任何特定動物的生命始于它的誕生并以它的死亡結束；它在生命中的每一刻都占據著空間中某個特定的區域；那兩只動物通常不能同時在同一個空間，兩只動物可以在不同的時間在同一個空間等等。

我們不必明確地被教授這種知識。這是一套背景假設，即概念框架，使我們對世界的所有其他思考成為可能。

然而很多AI從業人員很少去在他們的機器中構建這樣的背景假設。我們并不是說這樣做很容易，相反，這是一個重大的理論和實踐挑戰。但如果沒有它，我們就不會獲得復雜的計算機智能。

如果我們建造具有豐富概念理解的機器，其他一些擔憂將會消失。例如，哲學家尼Nick Bostrom曾想象過一個強大的AI機器，被指示制作回形針，但他不知道何時停止，并最終將整個世界——包括人類——變成紙夾。

在我們看來，這種反烏托邦的猜測在很大程度上源于對今天無意識AI系統的思考。如果你只能計算統計相關性，則無法概念化損害。但知道時間、空間和因果關系的AI系統是可以編程以遵循更一般指示的事物，例如“機器人不會傷害人類，或通過不作為，允許人類受到傷害”（Isaac Asimov三大機器人法則的第一則）。

我們面臨著一個選擇。我們可以堅持今天對AI的方法，并且極大地限制機器的作用。或者，我們可以將自己的方法轉移到AI系統上，希望開發出對世界有足夠概念性理解的機器，讓我們不必擔心它們的運行。畢竟，任何其他方法都太冒險了。