目前銀行機器人肯定是屬于第一類機器人，因為這種人工智能系統(tǒng)是純粹的被動型，即沒有形成記憶的能力，也沒有利用過去的經驗來指導當前的決策，而且這種銀行機器人比較簡單，只需要有大量數據，輸入到對話系統(tǒng)，還是相對比較容易實現的，雖然現在來看這種方式還是不太智能。

第一類人工智能：反應型機器

最基本類型的人工智能系統(tǒng)是純粹的被動型，既沒有形成記憶的能力，也沒有利用過去的經驗來指導當前的決策。20世紀90年代末，IBM的下棋超級計算機Deep Blue就是這類機器的完美典范，它曾在90年代末擊敗過國際特級大師加里-卡斯帕羅夫（Garry Kasparov）。

Deep Blue可以識別棋盤上的棋子，并知道每一步的走法。它可以預測出它和對手下一步可能會走什么棋。而且它可以從各種可能的棋子中選擇出最合適的棋步。

但它對過去的事情沒有任何概念，也不記得以前發(fā)生過的事情。除了一個很少使用的國際象棋特有的規(guī)則，禁止重復下三遍相同的棋子外，深藍棋手無視眼前的一切。它所要做的就是看著棋盤上的棋子，就像現在這樣，從可能的下一步棋中選擇。

這種類型的智能涉及計算機直接感知世界，并根據它所看到的東西采取行動。它不依賴于對世界的內部概念。在一篇開創(chuàng)性的論文中，人工智能研究者羅德尼-布魯克斯（Rodney Brooks）認為，我們只應該建造這樣的機器。他的主要理由是，人們并不擅長編程準確的模擬世界供計算機使用，也就是人工智能學術界所說的 "表象 "世界。

目前我們感嘆的智能機器，要么是沒有這樣的世界概念，要么是對其特定的職責非常有限的、專門的世界概念。深藍設計的創(chuàng)新并不是為了擴大計算機考慮的可能電影的范圍。相反，開發(fā)者們找到了一種方法來縮小它的視野，根據它對未來的一些潛在動作的評價結果，來停止追求一些可能的動作。如果沒有這種能力，深藍計算機需要更強大的計算機才能真正擊敗卡斯帕羅夫。

同樣的銀行機器人銀行機器人，谷歌的AlphaGo，曾經擊敗過人類頂尖的圍棋高手，但它也無法評估所有可能的未來棋局。它的分析方法比深藍的分析方法更復雜，使用神經網絡來評估棋局的發(fā)展。

這些方法確實提高了人工智能系統(tǒng)的能力，使其能夠更好地下好特定的棋局，但不能輕易改變或應用于其他情況。這些計算機化的想象力對更廣闊的世界沒有任何概念，這意味著它們無法在分配給它們的特定任務之外發(fā)揮作用，很容易上當受騙。

它們不能像我們想象中的人工智能系統(tǒng)有朝一日可能出現的那樣，交互式地參與到這個世界中。相反，這些機器每次遇到同樣的情況時，它們的行為都會一模一樣。這對于確保人工智能系統(tǒng)值得信賴是非常好的。你想讓你的自主汽車成為一個可靠的駕駛員。但如果我們希望機器真正與世界互動，并對世界做出反應，那就不好了。這些最簡單的AI系統(tǒng)永遠不會無聊，也不會感興趣，也不會難過。

第二類人工智能：記憶力有限

目前自動駕駛汽車已經做了一些這樣的事情。例如，它們觀察其他汽車的速度和方向。這不是一瞬間就能完成的，而是需要識別特定對象，并在一段時間內對其進行監(jiān)控。

這些觀察結果會被添加到自駕車汽車對世界的預編程表示中，其中還包括車道標記、交通燈和其他重要元素，比如道路上的彎道。當汽車決定何時改變車道，避免與另一名司機發(fā)生碰撞或被附近的汽車撞到時，這些信息都會被包含在內。

但這些簡單的過往信息只是暫時的。它們并沒有被保存為汽車經驗庫的一部分，它可以從中學習，就像人類駕駛員在駕駛過程中多年來積累的經驗一樣。

那么，我們如何才能構建出能夠構建完整的表征，記住他們的經驗，并學習如何處理新情況的AI系統(tǒng)呢？布魯克斯說的沒錯，要做到這一點是非常困難的。我自己研究的方法受到達爾文進化論的啟發(fā)，可以通過讓機器構建自己的表征，開始彌補人類的不足。

第三類人工智能：心智理論

我們可能會在這里打住，稱這一點為我們現有的機器和未來我們將建造的機器之間的重要分界線。然而，我們最好更具體地討論一下機器需要形成的表征的類型，以及機器需要關于什么的表征。

下一個更高級的類的機器不僅形成關于世界的表征，而且還形成關于世界上其他代理人或實體的表征。在心理學中，這被稱為 "心智理論"，理解世界上的人、生物和物體都會有思想和情感，影響自己的行為。

這對于我們人類如何形成社會是至關重要的，因為它們使我們能夠進行社會交往。如果不了解對方的動機和意圖，不考慮到別人對我或環(huán)境的了解，那么在一起工作充其量是困難的，最壞的情況下是不可能的。

如果人工智能系統(tǒng)真的要在我們中間行走，它們必須能夠理解我們每個人都有想法和感受，以及對如何對待我們的期望，而他們也必須相應地調整自己的行為。

總結

雖然我們可能還遠遠沒有創(chuàng)造出具有自我意識的機器，但我們應該把工作重點放在理解記憶、學習和基于過去經驗做出決策的能力上。這是理解人類智能本身的一個重要步驟，而如果我們想要設計或進化出能夠對眼前的事物進行分類的機器，這一點至關重要。