为什么人工智能缺乏判断力（一）
近年来，人工智能（AI）无疑取得了显著进步，展示了其处理大量数据和执行复杂任务的能力。然而，重要的是要认识到人工智能缺乏人类拥有的基本素质：判断力。
亚里士多德区分了三种类型的知识：知识（episteme）、技术（techne）和实践（phronesis）。知识是关于人类及其环境如何运作的理论知识。这种知识形式是学校和大学最常教授的知识。
技术包括技能和能力，是关于如何做事的。了解一门手艺就是一个很好的例子。工艺（Technology）是此类知识的后期形式。
实践是一种判断性知识，使人能够在具体情况下做出明智的决定。这种形式的知识可以转化为实践智慧或良好的判断力。
人工智能为我们提供了创造新知识的工具。问题是人工智能给我们什么样的知识。要回答这个问题，首先要搞清楚 AI 能做什么。
最早的人工智能领域之一是各种需要人类智慧的游戏。例如，国际象棋程序“深蓝（Deep Blue）”在 1997 年击败了当时的世界冠军加里·卡斯帕罗夫（Garri Kasparov）；从那时起，一些游戏程序已经发展到远远超出人类能力的水平。然而，它们是高度专业化的，不能修改以解决其他任务。
游戏程序更多地涉及解决问题而不是创造新知识。提供新知识的人工智能程序属于知识体系。
最近，焦点集中在称为深度学习（deep learning）的编程方法上，其中使用大量数据训练具有多层（因此称为“深度”）的人工神经网络以识别不同类型的模式，例如人脸。这样的训练可以使程序比人类更好地分类或识别。
深度学习已成功用于医学领域，例如解释 X 射线图像。AlphaFold 程序表明，基于蛋白质中的氨基酸序列，它可以在几乎 90% 的情况下描述蛋白质的三维结构。以前，研究人员很难解决此类任务，而 AI 项目为医学研究和制药行业开辟了巨大机遇。
类似的方法被用于语音识别，如 Siri 和 Alexa 等。在自动翻译方面，人工智能程序主要基于统计方法。
然而，较新的大型语言模型（large language models），例如最近的自动生成文本的 GPT 系列，也是基于深度学习的。这些程序非常庞大（它们包含数千亿个变量），并根据来自 Internet 的大量文本示例进行训练。大型语言模型生成了很好的文本，但它们通常被认为缺乏创造力。
不同类型的人工智能程序的成功让人很容易忘记它们不能做什么。AI 系统的性能在很大程度上依赖于训练它们的数据集。如果出现特殊情况，它们没有办法适应。
一个令人心酸的例子发生在 COVID-19 大流行爆发期间，亚马逊的人工智能库存系统因卫生纸和口罩订单意外激增而出现问题。这些程序无法找到解决新型问题的方法。在这里，我们人类显然优于人工智能系统。