1.6 本书的结构和主题
在本书中，我回避了两个极端：现代技术的细节和难于理解的复杂性，AI所引来的沉重的哲学思考。相反，我采用了一种工程学方法，专注于产品的用途以及它们如何为我们的利益服务。我相信这些问题中的大多数都可以用实际的术语来解释。我的目标是提出一些简单而尖锐的问题，来突破政治、偏见和夸张，并揭示最基本的问题，以便作出判断。结果在各章最后的“观察”一节中给出。
在形成对它们的看法之前，我们有必要了解它们的基本思想，不幸的是，计算技术的复杂性似乎常常模糊了问题的核心概念和原则。一个一般性的理解，加上足够的相关信息，可以让常识得出明智和合理的结论。例如，汽车驾驶员需要知道（实际上是法律强制要求知道的）许多关于车辆如何对其控制行为进行响应的信息。关于如何以及何时在弯道、高速和潮湿条件下刹车，这方面有很多东西需要学习。驾驶员需要掌握控制系统和期望制动效果之间的复杂关系。这些往往是很微妙的，需要时间去学习。但是驾驶员并不需要知道他们使用的是哪种刹车系统、如何操作，或者它们出于什么样的工程设计考虑。这些信息对于成为一名优秀的驾驶员，或者对我们的交通工具需要哪些功能给出一些高见来说，显然是不必要的。
计算技术也应该如此。我们可能知道最新的设备里有某种数字处理器，但我们不需要知道具体的细节，而是需要对它的功能有一个很好的了解，对其是如何工作的有一个粗略的认识，并且清楚如何使用它——它对我们有什么用处。
思维和行为是机器不经常同时拥有的特征。在“有行为但不思考”这一极端，我们发现机器人设备虽然可以执行各种物理动作，但需要通过固定的录音（如喷漆机器人）或远程人工操作（如核反应堆维护机器人）进行控制。在这两种情况下，机器人都不被认为是在思考。在另一个极端，我们发现计算机只回答问题（比如《2001太空漫游》的HAL或IBM的沃森，在第8章中有详细的描述），从技术上讲，它们不是机器人，因为它们没有身体，也不能移动。
我们必须同时考虑机器人硬件和纯思维机器，因为正如我们稍后将看到的，行为和思维在人类和动物中是密切相关的，在机器人中可能也需要如此。你必须能够思考和移动棋子，才能玩像国际象棋这样的游戏[4]，但是谁会想到，通过物理方式移动棋子会变成一项更难实现自动化的任务呢？
第一部分：人工智能在机器人领域的局限性
本书的第一部分介绍了机器人技术和人工智能的现状。我们将从第2章开始，简要概述一系列商业机器人产品，旨在让读者了解现代机器人设备的范围及其功能。这展示了它们目前的能力、成就和局限性。接下来的第3章是对机器人研究的概述，包括对创新的支持和资助方式。汇总表显示了决定成功实现机器人的难度的两个关键因素：设定要完成的任务的性质，以及工作环境的复杂性和混乱性。
因为AI是未来机器人技术的关键，第一部分包含了几章来介绍AI的实际工作原理、它能提供什么，以及它有什么问题。每一章都介绍了一个关键的主题，读者可以利用它来理解现代AI的思想和问题，以及它们与机器人技术的相关性。
事实证明，当涉及类人行为时，存在一些严重的障碍。与媒体宣称不同，AI与人类智能完全不同，在这方面也没有取得太大进展。AI对于特定任务非常强大，对于解决个别问题也非常出色，但它仍难以再现人类的通用智能特征。目前还没有一个程序可以以任何令人信服的方式假扮人类超过几分钟。AI相关章节得出了一个惊人的结论：工程方法和AI不足以（甚至不适合）创造出类人机器人。
不像许多动物，人类是多面手。我们很容易适应不同的环境，甚至会调整环境来适应我们自己。这需要有广泛的适应新情况的能力。人类是自主的，受到内部驱动和外部力量的激励，而灵活性的关键是我们开放式的学习能力。这使我们能够面对新的挑战，了解它们，并找到应对它们的方法。有些动物是由基因决定的，小鸭子会跟随它们孵化后见到的第一个“父母”。但是人类能够从零开始学习如何掌握全新的任务。失败也能教会我们重要的教训。因此，类人机器人确实需要具有足够的潜力来处理任何任务的通用智能。
通用智能是AI的“圣杯”，但迄今为止，它被证明是难以捉摸的。经过了60年的研究和理论推导，通用AI并没有取得任何值得一提的进展，这甚至可能成为一个不可能解决的问题（至少对基于软件的AI来说是不可能的）。然而，即使通用的AI能够以某种方式在计算机中实现（我对此表示怀疑），这也不足以解决像人类一样思考和行动的问题。这是因为人类的智慧是具体化的：我们所有的思想、感觉、意图、关系、概念和意义都只有在身体中才有意义。我们的大脑并没有运行抽象的代码来控制我们的行为——这是一个错误的比喻。大脑（即我们的思想）深深依赖于我们的身体体验（包括社会和文化体验），并受其影响。我们完全融入了我们的生活环境，以至于我们的内在思维结构以一种近乎共生的方式反映和匹配这些环境。
AI章节介绍了从基本概念到大数据和深度学习的最新进展（第7章）。这些发展已经取得了一些显著的进展，并被视为所有剩余AI问题的解决方案。其理念是，AI的学习方法现在（或很快就会）强大到足以学习任何所需的任务，从而演变成通用智能。这将是AI历史上一个严肃而重要的事件，因此具有深远的意义。在第一部分的结尾，第9章和第10章（关于大脑模型和人工智能集成）分别解释了一般AI的问题以及个体和体现的本质。这两章包含了反对社交机器人中人工智能的核心论点。
可以跳过一些AI的细节，但一定要阅读每章结尾的简短要点（“观察”）列表。这些总结了所有需要记住的重要事情的基本论点，并逐渐形成本书的论点。
第二部分：发育机器人
显而易见的问题是：如果AI在制造类人机器人方面遇到障碍，还有其他出路吗？还有其他我们可以探索的范例吗？本书的第二部分介绍了一种非常不同的方法。这个新观点是：如果你想要一个类人机器人，为什么不从我们对人类的了解开始呢？这里的想法不是“建造你自己的机器人”，而是“培育你自己的机器人”。不要用大量的人类知识来装配你的机器人，要让它自己去探索，建立对其有意义的事物的认知，就像我们所做的那样。这是一种具体化的、实施性的方法，允许认知功能与经验同步发展。其思想是将知识和意义的来源从机器人设计者，或从大数据，转移到机器人本身。这种方法的灵感和数据来自对早期婴儿行为的研究，在这些研究中，可以发现许多关于学习和互动行为的崭新和惊人的想法。
婴儿在出生时的感知和运动技能非常有限，但很快就会在身体和社交方面变得熟练。他们学会了交流，建立了对“自我”的理解，并学会了识别其他社会主体。通过对这些心理成长过程进行建模，机器人将能够发展和学习社交互动能力，而不是由其设计者来提供社交算法或从人类数据文件中提取行为模式。
本书的这一部分是由我自己对开发机器人学习机制的研究所支持的。在iCub仿人机器人上的实验已经改进了该方法，并产生了有趣的结果。机器人已经从非常差的感觉运动能力（只有一些反射动作和较弱的感觉分辨能力）发展到能够控制四肢、眼睛、头部和躯干的肌肉、感知和触及有趣的刺激，并与物体玩耍。这些纵向实验把机器人从相当于新生儿的婴儿阶段带到大约9个月大的阶段。目前，iCub可以触摸物体并与物体玩耍，将单字发音与熟悉的物体或颜色联系起来，做出有意义的手势，并对新情况产生新的动作。
幸运的是，婴儿玩耍和互动的方式在发展心理学的大量理论和实验工作中被很好地记录了下来。这为机器人发展的新研究领域提供了灵感和基准里程碑。这类机器人的起源将在第11章中解释，这是一种基本的且不同于AI的体现。然后，介绍了iCub的工作方式，阐明了其工作原理。很明显，机器人可以有一种主观经验，因为所学到的一切都是基于机器人所看到的主动经验。通过发展学习能力，它们概括和提炼最基本的经验，从而储存有意义的模式和相关性，抛弃不可靠的现象。请注意，这些机器人是独立发展的；它们可能一开始是相同的，但它们会产生一些不同的心智模型和行为。这让我们想起了人类的独特性：每个人都有自己的一生的经历，而这些经历形成了特定的社会互动。
这种“成长”的方法，包括通过实验反复改进，是综合性的而不是分析性的。我相信，它给我们提供了一条很好的道路，使类人机器人具有更人性化的特征。
第三部分：未来，可能的发展和未来学
本书的最后部分概述了AI机器人和类人机器人对未来可能的影响，评估并比较了近期在行为和表现方面可能的进展。例如，AI机器人的设计者会给它们设定目标，它们有一个客观的立场，因为它们是从外部构造出来的。因此，与发育机器人的对比是鲜明而有启发性的。例如，未来的AI机器人将拥有大量可用的数据资源。它们会回答各种各样的问题，它们会解决问题，它们会学习。因此，进入一个未知的房间，识别物体，使用房间里的物体来执行任务将成为一项非常常规的工作。它们对物体和环境的处理能力最初将远远优于发育机器人。但它们的行为并不像人类。它们将使用有关人类行为的大数据来模拟常见的人类模式，而且往往令人信服。但它们解决问题的方式不同，推理的方式不同，构建的概念和感知也不同。这些差异都是可以察觉到的，而且实际上是显而易见的，尤其是在社交场合。AI机器人将只知道人类是物体——活动的个体，但仍然是物体。它们无法感同身受，无法欣赏另一个和自己一样的社交个体。这是因为自我模型是无法设计的，是动态的，必须从经验中创造。
相比之下，发育机器人会有一个“自我”的内部模型（它们的身体空间，它们的动作和效果，以及它们的环境），它们能够将它们对另一个类似个体或类似行为的经验与自己的自我模型相匹配，并将人类视为一个独立的个体：另一个“自我”。这使得机器人能够更好地进行互动和社交，因为机器人可以预测和理解人类的行为。学习将改善互动伙伴的模式，交流将更加立足于个人和共同意图及目标的背景和理解。
在探讨了这些差异之后，我将从更广泛的角度来看待可预期的这种技术的影响。AI无法避免的传播将影响人类生活的各个方面。这种所谓的颠覆性技术既有威胁，又有好处。我对当前的研究环境所引发的一些主张和警告发表了自己的评论。这包括对工作的威胁、信任的作用，以及让人类参与到人机组合系统中所带来的好处。很明显，来自机器人和AI的威胁是来自通用数字技术的更广泛威胁的一部分。在本书的这一部分中，我们将这些观察结果应用到整个计算基础设施中。
最后几章列举了对未来进展的一些预测，并检验其可行性。媒体上充斥着关于机器人的各种无稽之谈，很难知道该相信什么。记者们喜欢机器人的故事，因为它们为投机、骇人的预测和散布恐慌提供了巨大的空间。2017年7月25日，BBC一档节目上出现了这样的标题“机器人进化得如此之快，可能会被视为‘入侵物种’，威胁人类的未来”，这种情况并不少见。新闻媒体不断地报道智能机器人几乎接管一切的危险，这常常得到未来学家和学者的支持，他们每隔一段时间就会预测超能力的突破。尽管新技术对应用的能力和范围带来了惊人的进步，但我们没有理由盲目地将这种成功投射到那些屡次未能达到预期的领域。许多技术问题在很短的时间内已经得到了解决，但这并不足以证明我们能够解决所有悬而未决的问题。
我试着从一个不那么歇斯底里的角度来审视当前的形势。根据对200多名专家已有记录的预测的分析，我对他们的说法进行了分类和平均，以产生一个汇总。这揭示了一个针对未来发展的更平衡的观点，主要来源于在该领域工作并实际解决困难的AI和机器人问题的实践工程师。其中包括一些主要高科技公司的顶尖专家——他们有的经验丰富，有的已经取得重大突破，或两者兼而有之。他们认识到技术进步的局限性，并提供了一个成熟、积极和更稳定的未来形象。尽管与媒体的炒作有所不同，但威胁是真实存在的，我们都必须参与到对未来数字技术的安全和效益管理中去。