1、莫拉維克悖論
這個悖論的大體意思是：對人來說簡單的問題，對計算機來說往往很困難；對人來說困難的問題，對計算機往往很容易。在我看來，這個悖論的本質(zhì)，是對兩類問題的漠視：對人簡單、對計算機也簡單；對人困難、對計算機也困難。這兩類問題都存在，只是人們不關(guān)心它們，于是出現(xiàn)了上述悖論?！叭绻袃芍皇直恚筒粫c準確的時間”。同樣，既然人和計算機是不同的計算機制，差異也總是會存在的。其中，計算機的記憶和計算能力是人類望塵莫及的，而人類的直覺、頓悟等也是計算機難以企及的。這種能力，正是人工智能研究的重點，也是近期的突破點。我覺得，圖像語音識別、阿爾法狗都是具體體現(xiàn)。
2、新知識悖論
計算機到底能不能發(fā)現(xiàn)新知識？這個問題的本質(zhì)就是：如何定義新知識。比如，歸納和總結(jié)得到的結(jié)論，算不算新知識？我們知道，人類很多知識是實踐探索過程中得到的。比如，把多種元素混在一起生成合金，其性能往往是事先無法計算出來的。這樣的知識，只能通過物理實驗來獲得。如果把“知識”的定義局限于這類物質(zhì)世界的知識，計算機顯然是無法得到新知識的。但是，有了數(shù)據(jù)之后，計算機可以通過歸納和總結(jié)，得到普遍適用的公式；如果把這樣的公式看做新知識，計算就就是可以產(chǎn)生新知識的。
3、啟發(fā)式悖論
人工智能針對的問題往往是NP完備性問題。如果不是NP完備性問題，計算機往往就有能力計算出來、就更容易被看做普通優(yōu)化或數(shù)學規(guī)劃問題，而不被人們當做人工智能問題。換句話說，這是人們劃分學科的習慣性問題。如果是NP完備性問題，往往需要啟發(fā)式函數(shù)來提高搜索效率。當人類面臨這類問題時，往往會形成一定的感覺或直覺?！吧妻恼咧\勢、不善弈者謀子“。所謂的“勢”，其實就是這樣一種難以用語言文字或代碼描述清楚的直覺感覺。而啟發(fā)函數(shù)就是去描述這種“勢”。阿爾法狗的自學習，本質(zhì)上可以看成對這種“勢”的自我構(gòu)筑。采用啟發(fā)式函數(shù)肯定是有風險的，但常常是沒有辦法的辦法。其實，在具體應用的時候，工程師總能找到一些辦法為自己的工作“保底”，以避免因為它的問題出現(xiàn)大的風險。
