在设计有道德的人工智能、适当规范AI或将任务分配给正确的系统之前，我们需要知道AI是什么。机器现在是如何思考的，未来我们会有什么期待？哪些任务适合AI，哪些不适合，为什么？要回答这些问题，我们需要对各种智能有一个微妙的了解。

艾对智慧的最初理解可以追溯到托马斯霍布斯的座右铭“理性”.就是计算。”解释为符号操纵的代表，它产生了第一代AI，被称为“老好人AI”，或已故哲学家约翰豪格兰(John Haugeland)写的GOFAI。今天的深度学习系统和第二波人工智能的其他形式基于一种不同的智能方法。这些系统在玩游戏、面部识别、医疗诊断等方面取得了如此突出的成就。

由于两种方法都涉及对作为输入呈现给它们的表示的操纵，第一波和第二波AI仍然是计算的形式。但他们在处理表象上是不同的。GOFAI来源于经典三段论，如“人皆有死；苏格拉底是一个人。逻辑系统和定理证明就是这类程序，以相对少量的信息为基础，对少量强相关变量进行深度多步推理。

第二波AI系统则相反：基于大量数据，对大量相关性非常弱的变量进行浅层推断。通过后一种方法，计算机可以识别朋友、夕阳和迎面而来的汽车的面孔。

第二波AI中的表示通常被称为“分布式”，因为世界上许多常识功能的信息都分布在这些系统的内部网络中。第二波系统还能够保留大量细节，而不会减少对简单命题陈述的输入，如“这是一个苹果”或“那是莱姆病”。例如，除了将X射线分类为显示肺癌之外，第二波人工智能系统还可以捕捉肿瘤的密度、对比度、形状和其他特征，这些特征可能与药物选择或预测结果有关。

为什么这种方法效果更好？为什么第二波AI在GOFAI绊倒的地方表现很好？答案是本体论的。人类如何将世界分解为对象、属性、关系等。(我会说，我们如何登记世界)部分取决于我们的兴趣、我们的文化、我们的社区和我们的项目。无法解释的世界极其混乱。正如我们在第一波AI中简单假设的那样，我们概念化我们的经验所依据的对象和属性不能被视为公理或直接“读出”这一洪水。

相反，用一种相关的方式登记这个世界，并保留需要这些登记的微观细节和细微差别。这是智慧的成果。在某些情况下，比如玩游戏，第二波系统正在学习自己执行这个操作。在其他情况下，我们人类首先标记数据(“这是停车标志”或“那是豹猫”)，然后系统学习模仿我们。但总的来说，这种模式匹配和分类是第二波技术不可否认的优势。

那么，人类的情况呢？更快的处理器、更多的数据和更好的算法放大的第二波AI是否会达到AI人工智能的圣杯，导致系统等于或超过人类？