到了七个月大的时刻，大少数孩子曾经意识到，即使看不见物体，它们依然存在。把一个玩具放在毯子上方，孩子会知道它的存在，他可以伸手到毯子上方把它拿回来。这种对"物体恒存在"的了解是反常开展的里程碑，也是理想的基本准则。
这也是智能驾驶汽车所没有的。这是一个疑问。即使智能驾驶汽车变得越来越好，但他们依然不像人类那样了解环球。关于智能驾驶汽车来说，临时被一辆路过的面包车挡住的自行车是一辆曾经不复存在的自行车。
这种失败关于目前宽泛运行的计算学科是普遍的，该学科自称为人工智能(ai)，稍微具有误导性的名字。目前的 ai 经过树立复杂的环球统计模型来上班，但它缺乏对理想的更深化的了解。如何给ai至少一些外表上的了解 — 一个七个月大的孩子的推理才干，兴许才是如今应该踊跃钻研的疑问。
现代ai是基于机器学习的理念。假设工程师宿愿计算机识别中止标志，他不会尝试编写数千行代码来形容或许示意此类符号的每个像素形式。同样，他写了一个可以自己学习的程序，而后展现给该程序数以千计的中止标志的图片。在屡次循环迭代中，程序逐渐找出一切这些图片的独特点。
相似的技术用于训练智能驾驶汽车在交通中的运转。因此，汽车学习如何遵守车道标志，防止其余车辆，在红灯处踩刹车等。但他们不明确很多人类司机以为天经地义的事情，比如其余路线上的汽车有发起机和四个车轮，他们遵守交通规则(通常)和物理定律(总是)。而且他们不明确对象的终身性。
在《人工智能》最近的一篇论文中，瑞典Orebro大学的MehulBhatt形容了一种不同的方法，他也是一家名为CoDesign试验室的公司的开创人，该公司正着手将他的想法商业化。他和他的共事们经常使用一些现有的智能驾驶汽车经常使用人工智能程序，并嵌入了一个叫做符号推理引擎的软件。
该软件不是像机器学习那样以概率的形式接近环球，而是被编程为将基本物理概念运行于处明智能驾驶车辆传感器的信号后的程序输入。而后，修正后的输入被输入驱动车辆的软件。所触及的概念包含团圆物体随着期间的推移继续存在的想法，它们彼此之间有空间相关，如"前面"和"前面"，它们可以齐全或局部可见，或齐全被另一个物体暗藏。
在测试中，假设一辆车临时挡住了另一辆车的眼帘，推理增强软件可以跟踪被挡住的汽车，预测它会在何时何地再次出现，并在必要时采取措施防止它。虽然改善并不大。在规范测试中，Bhatt博士的系统比现有软件的得分高出约5%。但它证实了这一点。它也发生了别的物品。与机器学习算法不同，推理引擎可以通知你为什么它做了这件事。
例如，你可以问一辆装有推力引擎的汽车为什么刹车，它能够通知你它以为一辆被面包车遮住的自行车行将进入前面的十字路口。机器学习程序不可做到这一点。Bhatt博士以为，除了协助改良程序设计外，这些信息还将协助监管机构和保险公司。因此，它可以放慢群众对智能驾驶汽车的接受度。
Bhatt博士的上班是人工智能畛域常年争执的一局部。早期的 20 世纪 50 年代上班的ai 钻研人员 ，应用这种预编程推理取得了一些成功。但是，从 20世纪 90 年代开局，因为更好的编程技术以及更弱小的计算机和更多可用的数据，机器学习有了清楚改善。当天，简直一切的 ai 都基于它。
但是，Bhatt博士并不是惟一持疑心态度的人。在纽约大学学习心思学和神经迷信的Gary Marcus也赞同这一观念，他也是一家名为 Robust.ai的人工智能和机器人公司的老板。为了允许他的观念，马库斯博士援用了一个广为人知的结果，虽然这个结果来自八年前。过后DeepMind(过后是一家独立公司，如今是谷歌的一局部)的工程师们编写了一个可以自我学习的程序，在没有获取任何无关规则的揭示以及如何玩Breakout(一个游戏)的状况下，用虚构桨击打移动的虚构球。
DeepMind的程序是一个很凶猛的玩家。但是，当另一组钻研人员修正了Breakout的代码—仅仅将桨的位置扭转几像素时，它的才干直线降低。它甚至不可将它从特定状况中学到的物品运行到只要一点不同的状况(不具有泛化性)。
关于Marcus博士来说，这个例子凸显了机器学习的软弱性。但其他人以为符号推理才是软弱的，机器学习依然有很多好处。其中包含伦敦智能驾驶汽车公司Wayve的技术副总裁JeffHawke。Wayve的方法是同时(而不是独自)训练同时运转汽车各种部件的软件。在演示中，Wayve的汽车在狭窄、交通频繁的伦敦街道上传驶时做出正确的选择，这是一项对许多人来说富裕应战性的义务。
正如霍克博士所说，"大少数理想环球的义务都远远复杂于人工制订的规则，妇孺皆知，用规则构建的专家系统往往与复杂性作奋斗。无论逻辑的深思熟虑或结构如何，这都是理想。例如，这样的系统或许会制订一个规则，规则汽车应在红灯时停车。但是，不同国度的红绿灯设计不同，有些灯是为行人而不是汽车设计的。也无状况下，您或许须要闯红灯，例如为消防车让路。Hawke博士说，"机器学习的美妙之处在于，一切这些起因和概念都可以智能发现并从数据中学习。随着数据的参与，它继续学习并变得愈加智能。
在加州大学伯克利分校学习机器人和人工智能的NicholasRhinehart也允许机器学习。他说，Bhatt博士的方法确实标明你可以联合这两种方法。但他不确定这是必要的。在他的作品中，以及其他人的上班中，单单机器学习系统就能预测未来几秒钟内事情出现的概率，比如另一辆车能否或许让路，并依据这些预测制订应急方案。
Bhatt博士回应说，你可以用累积了数百万公里驾驶数据来训练汽车，但依然不能确定你曾经笼罩了一切必要的状况。在许多状况下，从一开局就对一些规则启动编程或许更便捷、更有效。
关于这两种战略的反对者来说，疑问不只限于智能驾驶汽车，以及 ai自身的未来。"我以为咱们如今没有采取正确的方法，"Marcus博士说。"机器学习曾经证实在语音识别等某些方面有用，但它实践上并不是 ai的答案。咱们还没有真正处明智能疑问。这样或那样，仿佛七个月大的孩子依然有很多物品可以教给机器。