什么是人工智能？這個問題，問起來容易，回答起來難。原因有二。首先，人們對“什么是智能”沒有達成廣泛的共識。其次，至少就目前來看，沒有足夠的理由相信機器智能（machine intelligence）與人類智能（human intelligence）有很大的關系。

人們為人工智能下了很多定義。這些定義各有千秋，但基本上都圍繞著一個概念——如何創造出一些計算機程序或者機器，讓它們能夠做出一些如若被人類實施則會被我們視為智能的行為。該學科的開創者約翰·麥卡錫（John McCarthy）在1955年將該過程描述為“讓機器的行為看起來就像是人類所表現出來的智能行為一樣”。

然而，這種描述人工智能的方法看似合理，實際上卻隱藏著深層的缺陷。舉例而言，請設想一下定義人類智能有多難，更別提對智能進行測量了。我們的文化總是喜歡將事物還原成數字來度量，方便直接比較，但這種偏好卻常營造出看似客觀和精確的錯覺。很顯然，對智能這樣主觀和抽象的東西進行量化，亦是如此。小薩莉得到了幼兒園最后一個寶貴的招生指標，只因她的IQ比小約翰高了7分？！拜托——麻煩找點更公平的方法來決定吧。許多人試圖應對這種過于簡化的模型，其中一個例子就是發展心理學家霍華德·加德納（Howard Gardner）。他提出了一個極富爭議的理論框架——多元智能理論，認為人的智能是多維的，從“音樂–節奏智能”到“身體–動覺智能”，再到“自然觀察智能”，總共包含8個維度。

不過，至少在某些語境下，說一個人比另一個人更聰明是有意義的。有一些測量智能的指標被人們廣為接受，并與其他指標高度相關。例如，對數列進行加減的速度和準確度被廣泛用來測量學生的邏輯能力和計算能力，同時還與關注細節的能力有關。但是，把同樣的標準運用在機器身上，是否合理呢？在計算這個任務上，售價1美元的計算器就能輕而易舉地打敗所有人類，根本不費吹灰之力。在第二次世界大戰之前，計算器的英文“calculator”指的是計算員，這是一種熟練計算的技術工。有趣的是，計算員通常是女性，因為人們相信，在這種艱苦的工作上，女性比大多數男性更仔細。那么，計算的速度是否可以看成是評判機器擁有卓越智能的標志呢？當然不能。

在對比人類智能和機器智能時，有一件大多數人工智能研究者都同意，卻讓問題變得更復雜的事，那就是“你如何解決這個問題”和“你能否解決它”同樣重要。要理解這一點，可以想象一個會玩井字棋（tic-tac-toe，也叫noughts and crosses）的簡單的計算機程序。在井字棋中，玩家們需要在一個3×3格子的棋盤上輪流畫出×或者〇符號，直到其中一個玩家將三個相同的符號在橫、縱或對角線方向連起來就算贏（如果所有格子都填滿了卻沒有連起來，那么這種情況算平局）。

在井字棋中，一共有255168種可能的棋局過程。在當今的計算機學界，很容易通過一些方法玩出一局完美的游戲，這些方法包括：生成所有可能的棋局過程、標記出其中的勝局，以及在表格中查閱每一步的走法。這些對今天的計算機來說是相當簡單的事情。但大多數人都不會認為這種微不足道的小程序算得上人工智能。現在，請想象另一種方法：一個計算機程序事先并不知道游戲規則，但它通過觀察人類玩這個游戲的過程，不僅了解了怎樣才算獲勝，還學到了哪些策略最有可能勝出。比方說，它可能會學到：每當一個玩家將兩個符號連起來時，對方玩家就必須堵上第三個位置；或者，如果一個玩家占領了三個角并且每兩個角之間為空，那通常會獲勝。假如存在這種程序，那么大多數人都會同意它算得上人工智能，尤其是因為它能夠在沒有任何指導或指令的情況下獲得所需的專業技能。

但是，并非今天所有的游戲（當然，也并非所有有趣的問題）都能輕易地通過井字棋這種“列舉法”來解決。與井字棋相比，象棋大約有10¹²⁰種可能的棋局過程，遠遠超過宇宙中原子數目的總和。因此，很多人工智能研究都可以看作是在嘗試為那些因為某些理論和實踐的原因，而既不能用確定性分析，也不能用列舉法來解決的問題尋找可接受的解決方案。但是，僅這一條描述還不夠，許多統計學方法都符合這個標準，但很難被稱為人工智能。

然而，有一件雖不符合直覺但卻符合實踐的事是：“從數量極其龐大的可能性中挑選出一個答案”和“憑直覺通過洞察力和創造力得到一個答案”二者似乎是等價的。關于這個悖論，一個更常見的表述是：足夠多的猴子在足夠多的鍵盤上最終能敲出莎士比亞全集。一個更現代的版本是：一段特定音樂的每個可能的演奏版本都能用一個有限的MP3文件集合中的某個文件來表現。從該文件集合中挑選出那個特定的音樂文件的能力，與錄制該集合的能力相比，是否擁有同等的創造性？很顯然，二者并不相同，但或許這兩種技能都值得我們喝彩。

當我們給學生的作業打分時，通常不會考慮他們究竟是如何完成作業的，我們假定他們只使用了自己的大腦和一些必要的工具，例如紙和筆。那么，為什么將機器作為測驗對象時，我們就要關心機器是如何完成的呢？因為我們理所當然地認為，人類在完成任務時使用的是某種與生俱來或后天習得的能力，而這種能力從本質上說能夠推而廣之，應用在十分廣泛的相似問題上。然而，當一臺機器在同樣的任務上表現相同甚至更加優秀時，我們卻不相信機器也擁有同樣的能力。

將人類的能力作為評判人工智能的標尺還有另一個問題。機器可以完成很多人類無法完成的任務，而其中許多似乎都能體現出智能。一個安全程序可以在短短500毫秒內從一段不尋常的數據存取請求模式中嗅出網絡攻擊的味道；一個海嘯警報系統可以根據海平面高度的變化來發出警報，這些變化反映了海底復雜的地形，對人類來說根本難以察覺；一個藥物開發程序可以在成功的治癌化合物中尋找過去從未被人類注意到的分子組合，從而提出一種新的混合藥物。在未來，這些系統將會變得越來越常見，但并不代表它們可以與人類的能力相提并論。然而，我們還是可能會將這些系統看作人工智能。

還有一個智能的標志是，看我們犯的錯誤是否合理。每個人，甚至智能機器都會犯錯，但是某些錯誤卻比其他錯誤更合理。理解和尊重自身的局限，允許出現合理的錯誤，是擁有專業技能的標志。想一想將語音轉換成文字有多難吧！如果一個法庭速記員無意中將“她犯了一個錯（She made a mistake），從而導致了他的死亡”聽成了“她為他煎了一塊牛排（She made him a steak），從而導致了他的死亡”，這個小錯是無傷大雅可以原諒的。但是，當谷歌語音（Google Voice）把“用常識來識別語音”（recognize speech using common sense）錯聽成“報復一個美麗的海灘，你平靜地唱歌焚香”（wreak a nice beach you sing calm incense）時，卻招來了人們無情的嘲諷，一部分原因是我們認為它作為一個專門的語音識別軟件，在自己的專長領域內應該更游刃有余才對。