随着技术的不断进步，似乎离实现真正的人工智能（AGI）越来越近。然而，尽管计算硬件的不断升级，似乎仍然与AGI有着遥远的距离。究竟是什么阻碍了编程机器以泛化到多个领域的能力？邀请了梅兰妮·米切尔教授，波特兰州立大学的计算机科学教授，也是多本关于人工智能书籍的，来解答这些紧迫且重要的问题。
梅兰妮教授带来了超过三十年的教学和学术经验，参与了第19集DataHack Radio播客节目。听她分享关于人工智能自1980年代以来的变化、深度神经网络的兴起、为何仍未接近AGI、她的博士论文中开发的一个引人入胜的程序，以及她即将出版的关于人工智能的书籍等话题，真是令人愉快。
梅兰妮教授的背景故事始于她大学时代，通过阅读道格拉斯·霍夫斯塔特的《哥德尔、埃舍尔、巴赫：永恒的金色编织》一书，激发了她对计算机科学领域的兴趣。这本书本质上是关于人工智能的，激励梅兰妮教授投身于这一领域的研究。她联系了霍夫斯塔特先生，就人工智能的某些主题进行了讨论。这些对话延续到了梅兰妮教授的计算机科学博士学位，霍夫斯塔特先生成为了她的论文导师。这是一个关于坚持和相信自己的激情如何推动实现梦想的绝佳例子。
在20世纪80年代中期和90年代初，人工智能是一个相当知名的研究领域。神经网络刚开始变得流行。大多数人现在想到的是密集的层和神经元网络，但它们获得“深度”这个称号花了相当长的时间。当时，这些神经网络相当浅薄。根本就没有足够的计算能力来生成任何深度神经网络！
梅兰妮教授拥有密歇根大学的计算机科学博士学位。她的论文是关于开发一个能够进行类比的程序，名为Copycat。它被认为是最早的类比制作方法之一。可以在这里阅读更多关于Copycat及其功能的信息。她的研究是关于尝试让机器泛化到新领域。是的，这意味着通用人工智能——一个仍在努力取得进展的研究领域。
大多数在人工智能中看到的突破都要归功于计算能力的提高和大型数据集的可用性，而不是任何令人震惊的洞察力。例如，深度卷积神经网络（CNN），这是当今的热门趋势，早在1980年代就被发明了！这些深度CNN被用于手写数字识别等问题，但程度非常有限。计算资源根本就不存在。现在呢？大多数人只要有一台不错的机器，就能构建一个准确的数字识别模型！