但机器不同于人类，他们对世界的认知很大程度上取决于数据投喂的数量与质量。但是，这种机械性学习，无法让他们彻底了解事物之间的联系，以及具体的运行规律。如果要让机器看上去拟人，则需要我们人为地将这些“联系”。听上去虽然容易，但实际的工作量却相当庞大。
在这个学习方向上，学界一直存在一些争议。一种倾向是在现有结构上进行优化，将开发好的神经元结构与当前的模型结合起来；另一种倾向则是重新开发，训练人工智能模仿人类婴儿学习基础知识，教会它们主动获取知识
教会ai彻底向人类一样思考显然很难在短时间内实现，因此当前的研发方向更多地是对垂直领域进行深耕，令其掌握单个领域的知识与运作规律。那么，为什么要让ai先学习科学知识，而不是我们认知中的常识呢？
这其中涉及到数学领域，ai的运作，本身是建立在一个个数学模型之上。从物理的角度，公式的运算能够让ai推算出相关运动轨迹，掌握实现该现象的原理。在进行学习之后，便能令其在无标签的情况下，对同类动作进行自动运算。当然，即便已经拆解成单个领域，但所涉及的知识量仍旧十分巨大。
将复杂的问题简化，可以帮助我们更快地解决眼前的困难。对于难以解决的大问题，我们可以将其拆分成一系列小问题，逐个攻克，寻找其中的基本规律，以提高解决问题的效率
以上就是如何让人工智能拥有像人类一样的常识呢？的详细内容。