在《当你谈论人工智能时，到底在谈论什么?》中，我解释说当前对人工智能领域的“智能”有一套截然不同的理解。这种差异直接反映在他对“聪明”的工作定义中。

所谓“工作定义”，是指在一个理论中使用一个本来有歧义的词汇时，对其在该理论中的意义的界定。这就好比说：“我知道这个词有不同的含义，但这一理论意味着......”词汇工作的定义应尽可能在一般使用的一致，但不这是唯一的考虑因素，特别是对于一个本质上含糊不清的词。事实上，科学史上的一些重大进步始于对共同词汇的重新解释。

在以前的文章中提到的，我定义了“智能”作为“方面的知识和资源相对不足的适应能力”，这一文件的目的是解释为什么我就采取了这种独特的工作的定义。

在与“智能”（以及诸如“认知”，“思想”，“良心”等）相关概念相关的众多研究方向中，我有兴趣通过研究人类智能来发现智力的一般规律。并在您的计算机上实现它。这句话听起来很平淡，但是当你搜索它时，它意味着以下三个基本的预定义值：

（1）人类是聪明的（尽管不同人的智慧在程度和特征上可能不同）;

（2）人类智能并不是唯一可能的智能形式（智能系统与各方面的人不完全相同）;

（3）现有的计算机系统基本上不智能（否则，人工智能已经实现）。

让我们逐一分析这些基本预设，并检查它们与情报工作的各种定义之间的关系。

第一预设看上去不言自明，但实际上排除了许多“原则派”的智能定义。如前所述，该小组认为智能代表某种合理的原则，“智能”意味着它最好用某些标准来衡量。传统的理性标准包括古典逻辑模型和概率论的模型及其变种，但人类现实的思维活动往往从这些模型偏离，所以很多人都认为人类的思想是“非理性”。如果只有智能逻辑或概率理论被认为是智能的，普通人就应该被排除在智能系统之外。

第二预设要求智能定义不能只包括人类智能。即使在“一般智力”的理论是完全建立起来，我们有理由要求至少覆盖智能以下几种方式：

（1）人类智能（第一个预先设定的环境）;

（2）人工智能或计算机智能，至少作为理论上的可能性;

（3）动物智力：一些动物被认为比其他动物“聪明”，广义智能理论应该能够解释这种差异。在另一方面，因为我们认为，智力是进化的产物，这是不可能的说，其他动物没有什么情报，虽然可以说，他们的智力比人类的要低得多;

（4）组智能：一种治疗人或动物基作为智能系统不仅是一个隐喻或拟人化的修辞设备，但深的合理性。固有的完整性和蚁群和蜂群的行为的协调是众所周知的，而人的组织（如政府，军队，公司，合伙企业等），往往可以分析为“聪明的“或”愚蠢的“作为一个人。虽然团体和个人之间存在一些差异;

（5）异形情报：虽然没有证据证明它的存在，但至少没有人否认“聪明的外星人”是一个重要的概念。

一旦上述解释的第二个解释被接受，“结构主义”和“行为”的智能定义显然过于有限，且过于“人类中心主义”。即使你不谈论人工智能，最后三种智力显然是不一定有相同的内部结构，人的大脑，不必然产生比人的外部行为一样。

当图灵提出了著名的“图灵测试”被认为是“思考”充分的充分必要的条件的情况下，因为它明确地承认，一台机器可以表现不同人的方式，但仍然被认为是你能想到因此，智力或给没想到一个“行为”定义，这是由后人大多误解。智能系统仍然可以沿着“结构性”或“行为”航线创建的，但他们的目标和方式只添加所必需的人类智慧的限制是不是人工智能正确的道路。而完全是“以鸟为师”进行调查，并做出一个平面上，这个问题是没有可能性，但必要性和普遍性。

第三预设是基于下面的直觉：虽然今天的计算机可以解决许多复杂问题，但我们仍然认为它们缺乏人类思维的一些基本特征。这里的区别不在于速度，容量，复杂性，可靠性等，而在于适应性，灵活性，创造性，自主性等方面。

当解决一个具体的问题，电脑往往取决于一个给定的程序，缺乏解决问题的能力，并且不能与系统设计人员没有预料到的情况下应付。这样的工作正是需要传统的计算，即，“问题”被认为是输入输出集合的比率，以及该问题的“溶液”被认为是一个固定的“算法”，其逐渐将输入出口“程序”是算法计算机可以理解和执行的形式。

根据第三预设，如果一个系统在解决问题时完全依靠预先给定的程序，那就不算有智能，不论问题在人看来有多难，或程序相应于哪种人类认知功能。从这个角度来看，“技能”和“方法”智能定义过于“宽泛”包含许多系统，人们不直觉地认为他们是聪明的。例如，现在没有人认为一个节目分类是聪明的，但出现在电脑前，“组织将任意对象按照一定的顺序”，其实，只有人类的大脑可以解决一个问题，它还意味着一些认可。知道功能。

总之，如果前三个假设和解释被接受，那么聪明的工作定义只有一个“principalista”的方式，并根据经典逻辑或概率论不能作出理性的原则。

我们理解为什么“在知识和资源相对不足的条件下适应的能力”符合上述智能工作定义的要求。

首先，“相对不足的知识和资源”需要进一步澄清。 “资源不足”意味着虽然系统的信息处理能力（数字处理，速度，内存容量等）有限，但它必须实时工作，也就是说，新任务可能随时出现，并且要求时间。因此，缺乏时间（没有时间思考），缺乏空间（没有安装的地方）是常态。 “知识不足”意味着新任务通常超出现有知识的范围，所有现有知识都可能受到新知识的挑战。

在先前的理论模型（经典逻辑，概率论，图灵机）中没有充分考虑这些缺陷。虽然每个特定系统只具有有限的功能，知识和资源，但这些模型假设它们足以执行系统必须解决的任务。以计算模型为例，系统只负责解决现有算法存在的问题，能够满足其时空资源需求。对于超出知识和系统资源范围的问题，它基本上不提供有价值的答案。如果你问计算机一个问题并且你无法回答它，那就是你的错，而不是你的错。

这不是智能系统应该做的事情。我们经常遇到新问题，而且一般来说，没有时间考虑问题的所有相关因素。我们的智能在这种情况下精确显示，而不是那些我们已经预见到详细解决方案并且我们有足够时间的情报。我们正在进行相应的行动。对于最后一个问题，我们会说解决方案是“机械的”或“本能的”，并且不需要“训练”。

能够在“相对不足的知识和资源”的条件下工作只是这个明智定义的一半，而另一半是关于如何在这种条件下纳入“理性”。这里的关键概念是“适应”。具体来说，它包含两点：以过去的知识应对未来的情况；以有限的资源应对无限的需求。

自适应系统根据经验确定他们的行为，即使遇到他们从未见过的问题，他们也会对类似的情况作出反应。当事情要考虑的是超出了系统的思考能力，适应能力是指专注于最重要的事情，什么是“重要的”，是基于过去的经验。

由于该系统是开放的未来的经验，是一种认识，即未来的经验和过去的经验可能会有所不同，因此，它不可能保证自己行为的绝对正确性。在这种情况下，“适应”是一种努力“尽力而为”，其合理性是不是基于结果的成败。因为当前的反应将成为未来的经验，即使尝试的失败将有助于未来的决策。

在一个相对稳定，但仍充满变化环境的，“做最好的人，听天命”比“为变革”更适应，“因为它是不可预测的，为什么不能随意？”它更具适应性。这种合理性与过去的系统经验和当前的资源供应有关，因此可以解释系统错误。 “智能”绝不“无所不知，无所不能”，但如果不正确，错误的，必须是合理的。

在诸如智能定义“知识和相对不足的资源条件下的适应能力”与前三个假设相一致。当我们看一个系统的智能化，我们并不关注它可以解决问题，但如果它的功能被预先确定和不能改变，或逐步形成并维持在经历一定的塑性。这也是传统计算机系统与人脑之间的主要区别。甚至现有的机器学习算法仍然基于几个知识资源相对充足的假设，并且它们的学习结果倾向于收敛于特定的输入 - 输出映射。根据这些传统观点，每个问题都有一个“正确”的解决方案，而系统的经验与情况无关。但是根据上面的“相对合理性”，什么样的解决方案“正确”经常（尽管不总是）与系统的经验和情况有关。因此，本文中描述的此智能定义与其他智能定义之间的关系是明确的。根据这一规范，智能系统在内部结构或外部行为方面不必与人类大脑“相似”，但在理性原则中必须“相似”。如果计算机系统是否智能，它取决于在某个时间可以解决的实际问题，但它提供的解决方案是否取决于系统的历史和情况。这个定义的另一个优点是，它只能建立研究人工智能与一般智力理论的领域，而其他的定义主要归功于人工智能到现有的纪律：在“结构主义”，主要贡献在脑科学的“行为”主要有助于心理，“能力”基本上是一个软件应用程序，该“方法”主要贡献于计算机和“校长”基于传统的理性模式主要有助于数学和逻辑。学习相反，他们的“适应性的知识和资源相对不足的条件”的研究并不完全属于任何现有的学科，而是涉及到许多学科。人工智能系统最终通过计算机技术实现，但这并不意味着智能理论应该基于计算理论。

这种情报被定义为人工智能，表明与一般视图非常不同的路径，可用于解释人类智能的许多现象。对其扩展结论和实施方式的详细讨论超出了本文的范围。