这似乎是个悖论：人工智能在现实世界中学习驾驶车辆，竟然比学习玩俄罗斯方块这样的经典电子游戏更容易。根据纽约大学朱利安·托格利乌斯等专家的观点，关键在于规则的本质。物理世界由一致且可预测的定律所支配，而电子游戏的规则是人为设定的、任意的，其行动空间更为抽象，对机器而言也更难建模。
可预测的物理定律 vs 代码的任意性 🤖
自动驾驶运行在一个连续的、由牛顿物理学主导的领域，其中的行动会产生可预测的后果。神经网络可以从现实世界的数据中学习这些一致的规律。相比之下，像俄罗斯方块这样的游戏拥有一个离散且巨大的状态空间，其规则是人为创造的抽象规则，例如方块的旋转或消除整行，这些都没有直接的物理对应关系。这种任意性要求一种符号推理能力以及对抽象规则的理解，讽刺的是，这反而更具挑战性。事实上，像编程这样具有清晰逻辑规则和即时反馈的任务，正是当前语言模型已经表现出色的领域。
启示：为机器重新定义“复杂” 🤔
这一视角颠覆了我们对人工智能难度的直觉。它迫使我们区分基于感觉运动经验和常识的人类复杂性，与抽象的计算机复杂性。理解这一点对于开发强大的人工智能以及校准公众认知至关重要。自动驾驶汽车并不像我们一样理解交通，但它依托于一个可预测的世界。未来的真正挑战在于赋予机器灵活理解任意规则的能力，这仍是人类智能占据主导的领域。
抽象规则的复杂性与物理世界的可预测性，如何决定一个问题对人工智能的真正难度？
（附言：试图在网络上封禁一个昵称，就像试图用手指遮住太阳……不过是数字版的。）