目前的AI仍屬「狹義AI」，距離具備全面人類智能的「通用AI」仍有一段距離。《我們與機器人的光明未來》指出，儘管像ChatGPT或DeepMind的Gato在特定任務上表現亮眼，真實的機器人大腦仍需處理龐大數據、感測資訊與高階決策，遠比電影中單一AI更複雜也更具挑戰性...
目前的AI都不是通用AI
那機器人的大腦呢？如果沒有大腦告訴機器人何時該做什麼事，機器人的身體就只是個繁複的雕塑品罷了。機器人可能需要儲存過往經驗的數據，同時它的感測器會不斷蒐集周圍環境的新資訊，因此數據會源源不斷輸入系統。有些機器人會保留所有的數據，有些則根據即時回饋運作。
單是來自相機和雷射掃描器的數據串流，便可能極為龐大。例如，一小時的串流影片可能會產生高達 30 億位元組（3GB）的數據，對於搭載一兆位元組（1TB）硬碟的機器人大腦而言，不到兩星期，容量就會被數據填滿。因此，機器人大腦需要配備專門用於儲存的高容量記憶體。
此外，機器人大腦在實體上還需要強大的處理元件，來運行程式，幫助機器人理解所有儲存和串流的數據，規劃行動，進行預測，並推理下一步如何行動或應對突發狀況。
說到此，機器人究竟如何規劃、預測和推理呢？機器人大腦的運作並不單憑 AI，但我們可以從此處開始探討，畢竟整個機器人領域的起源便是 AI。
AI 背後的重要思想可追溯至英國科學家圖靈（Alan Turing）。圖靈曾設想一臺能自然與人類交流、甚至讓人誤以為它也是人類的機器。圖靈提出這項挑戰幾年後，在 1956 年，電腦科學先驅閔斯基（Marvin Minsky）和一群學者友人，在達特茅斯學院舉辦了一場研討會，深入探討科學與工程領域最重要的議題。他們在徒步健行、研討和飲酒交流的過程中，討論了如何開發具有類似人類特徵的機器，包含移動、觀看、玩耍、溝通、甚至是學習等能力。
某種意義來說，圖靈向我們描繪了 AI 的可能性，而閔斯基和友人則透過那場思想碰撞和隨後在 1961 年發表的論文〈邁向AI的步驟〉，提出了實現此一目標的方向。接下來數年，頂尖大學紛紛成立AI實驗室，相關研究雖然進展緩慢，但是仍穩定進行。然而，到了 1980 年代，AI 發展陷入停滯，這段時期也就是所謂的 AI 寒冬。
過去十多年，AI 領域已取得大幅進展。如今隨便一臺普通的智慧型手機，運算能力都遠超過 1980 年代廣受吹捧的克雷二號（Cray-2）超級電腦。電腦、智慧機器和感測器的普及，推動了數據的爆炸式成長，而創新研究人員開發並改進了數以千計的演算法，使其能從大數據中尋找模式，進行預測和學習。但我們是否實現了閔斯基那一代學者所設想的AI？
答案是否定的。
如今，AI 已成為包羅萬象的用語，是常被大公司用來為產品和服務添加高科技光環的行銷流行語。然而，機器人領域的奠基者當年走出樹林時，他們的目標是開發具有人類能力的機器。此一目標即發展所謂的「通用 AI」，我們很早便意識到實現的難度極高，短期內無法達成。
相較之下，現今普遍的 AI 技術屬於「狹義 AI」，雖然與閔斯基等人的願景相去甚遠，但能力依舊令人驚嘆。這些 AI 系統已經擊敗了西洋棋大師，甚至戰勝世界頂尖的圍棋高手；它們能創作引人入勝的故事，編寫可運行的程式碼，並生成有趣、甚至美麗的藝術作品。更有甚者，有一款 AI 系統曾在熱門益智搶答節目《危險邊緣》中奪冠，展現了非凡實力。
然而，大家討論 AI 在特定領域達到的顯著成就時，經常忽略一個重點：這些系統都高度針對特定任務。比方說，圍棋大賽勝出的 AI系統就無法駕駛自駕車。不過隨著 AI 快速發展，人們會有所混淆，也不難理解。
2022 年 5 月，字母控股公司（Alphabet）旗下的 AI 公司「深腦」（DeepMind）推出了一款名為「蓋圖」（Gato）的 AI 模型，能完成六百多種不同任務。乍看之下，這似乎接近了通用 AI 的目標，但蓋圖並非真正的通用 AI 大腦，無法自行學會如何完成所有任務，像是為圖片下標題、指揮機器手臂堆積木或打電動等。恰恰相反，蓋圖是由多個針對特定任務精心訓練的模型組成的集合體，它所達到的成果非凡，但還不屬於真正的通用 AI。
這個語用模糊且無所不包的 AI，確實存在於機器人的大腦，但它主要聚焦於高階的決策與推理。為了讓機器人有效運作，還需要許多其他處理功能，來輔助 AI 程式的執行。機器人在電影中常被描繪成擁有一個統一的 AI 大腦，如同電影《復仇者聯盟二：奧創紀元》中，反派機器人的 AI 就被呈現為一顆全能、影像模糊的數位球狀形體。然而，現實世界的機器人大腦要複雜得多，也有意思得多。
