事實核查莫拉維克悖論

莫拉維克悖論——認為對人類困難的任務對AI容易，反之亦然——自1988年漢斯·莫拉維克提出以來，在AI領域被廣泛引用。但本文作者通過深入分析發現，這一所謂的“悖論”從未得到嚴格的實證檢驗，其背後的進化論解釋也充滿漏洞。

作者指出，莫拉維克悖論更像是對AI研究社區關注焦點的一種描述，而非關於問題難度的普適規律。當人們系統性地忽略那些對人類和AI都過於簡單或過於困難的任務時，自然會得出看似負相關的結論。例如，無數對兩者都簡單的任務（如圖像亮度判斷）被日常編程解決且無人關注；而某些對人類和AI都極難的任務（如預測股票價格）也因進展緩慢而少被討論。此外，計算機科學中還有大量被證明為NP完全的問題，AI研究者因此迴避它們。因此，悖論實際上是一種選擇效應。

關於進化論方面，莫拉維克認為推理是“進化新產物”，因此對AI容易，但這一論證忽視了推理對感知運動基礎能力的依賴。現代AI在開放領域推理上的失敗，如IBM Watson在現實應用中的表現，進一步削弱了這一論點。實際上，開放領域的推理需要常識知識，而這恰恰是“對人類容易、對AI困難”的領域。因此，AI推理遠非輕易之事。

這種簡化思維帶來了雙向誤導：一方面，它催生了“超級智能即將到來”的恐慌，促使政策制定者準備應對白領失業潮；另一方面，它又讓人對機器人技術的突破過分樂觀，錯誤地認為這類“困難”問題不會迅速取得進展。然而，計算機視覺領域的突破（如2012年深度學習的崛起）表明，看似困難的問題也可能因技術組合的革新而突然解決。用GPU加速AI的創意直至2010年左右才出現，而深度學習的科學基礎早在1980年代就已奠定。

作者呼籲放棄對預測的執着，轉而關注如何更好地適應已經確定會到來的技術變革。以自動駕駛為例，儘管Waymo十五年前就開始測試，但直至今日社會才匆忙應對。實際上，突破性技術的商業化往往需要數十年，因此我們有充足時間準備。與其恐慌，不如提前構建有韌性的社會體系。

原文鏈接：https://www.aisnakeoil.com/p/fact-checking-moravecs-paradox