尽管一些人认为这一挑战只是 AI 创造的一种辅助，但另一种观点认为，这是一个新的工程学分支。就像过去几十年的土木工程和化学工程一样，这门新学科的目标是围绕一些关键思想，为人们带来新的资源和能力，并确保安全。土木工程和化学工程建立在物理和化学的基础上，而这门新的工程学科将建立在上个世纪赋予了实质的思想之上，如信息、算法、数据、不确定性、计算、推理和优化。此外，由于新学科的大部分重点将放在来自人类和关于人类的数据上，因此，它的发展将需要社会科学和人文学科的观点。
比如，松鼠能够感知它所居住的森林的三维结构，并能在树枝间跳跃，这种能力对这些领域具有启发意义。AI 旨在关注一些不同的东西：人类进行推理和思考的高级或认知能力。然而，60 年后，高层次的推理和思想仍然难以捉摸。现在被称为 AI 的发展主要出现在与低水平模式识别和运动控制相关的工程领域，以及统计学领域，该学科的重点是在数据中发现模式，并做出有充分根据的预测、测试假设，以及决策。
自上世纪 60 年代以来，AI 已经取得了很大的进步，但可以说，这种进步并非源于对模仿人类的 AI 的追求。相反，就像阿波罗飞船的例子一样，这些想法往往隐藏在幕后，研究人员的工作专注于特定的工程挑战。虽然普通大众看不到，但在文档检索、文本分类、欺诈检测、推荐系统、个性化搜索、社会网络分析、规划、诊断和 A / B 测试等领域的研究和系统构建取得了重大进展，这些进步推动了谷歌、Netflix、 Facebook 和亚马逊等公司的成功。
人们可以简单地把这一切称为 AI，事实上，这似乎已经发生。对于那些发现自己突然被称为 AI 研究人员的优化或统计学研究人员来说，这样的标签可能会让他们感到意外。但撇开标签不谈，更大的问题是，使用这个单一的、定义不清的首字母缩略词，阻碍了他们对正在发挥作用的智能和商业问题范围的清晰理解。
在过去的 20 年里，工业和学术领域都取得了重大进展——作为模仿人类的 AI 的补充，通常被称为“智能增强”(Intelligence Augmentation, IA)。在这里，计算和数据被用来创建增强人类智力和创造力的服务。搜索引擎可以被视为 IA 的一个例子，因为它可以增强人类的记忆和事实知识；自然语言翻译也是 IA 的一个例子，它可以增强人类的沟通能力。基于计算机的声音和图像生成为艺术家提供了增强调色和创造的能力。虽然这类服务将来可能包含高层次的推理和思考，但目前还没有；它们主要执行各种字符串匹配和数值操作，以捕获人类可以使用的模式。
现在我们面临一个关键问题：目前在传统的、基于人类模仿的 AI 真的是解决这些挑战的最佳方式（甚至是唯一方式）吗？
事实上，机器学习近年来取得成功的一些成功案例都是在模仿人类的 AI 领域，如计算机视觉、语音识别、游戏和机器人技术。也许我们应该继续等待，等待这些领域的更多技术进步。这里有两件事情需要注意。
首先，目前模仿人类的 AI 取得的成功还很有限，我们的最终愿望还远未实现。同时，在这个领域已经取得的有限进展，产生了巨大的快感，也滋生了不少恐惧，导致 AI 的过度繁荣和媒体的过度关注，这一点在其他工程领域是不存在的。
更重要的是第二点，在这些领域取得的成功并不足以解决重要的 IA 和 II 问题。比如自动驾驶汽车。要实现自动驾驶，需要解决一系列工程上的问题，这些问题可能与人的能力（或人力资源缺乏）关系不大。整体交通运输系统（II 系统）可能更接近当前的空中交通管制系统，而不是目前普遍关注的人类驾驶员。这种系统比现有的空中交通管制系统复杂得多，特别是可以使用大量数据和自适应统计建模，为精细化决策提供信息。应对这些挑战需要关注最前沿，仅仅关注模仿人类的 AI 是不够的。
至于必要性，有人说模仿人类的 AI 愿景涵盖了 IA 和 II 的目标，因为它不仅能够解决 AI 的经典问题（比如图灵测试），同时也是解决 IA 和 II 问题的最佳选择。不过这种说法几乎在历史上找不到先例。以前听说过要用 AI 木匠或 AI 瓦工来搞土木工程吗？化学工程是否应该建一个 AI 化学家的框架？更有争议的是：如果我们的目标是建立化工厂，是否应该首先打造一群 AI 化学家，然后让 TA 们去研究怎么建？
有一种说法是，人类智能是我们所了解的唯一一种智能，因此我们应该将模仿人类智能作为第一步。但是，人类实际上并不擅长某种推理，人类有自己的失误、偏见和局限。而且，至关重要的是，人类并没能进化足以执行现代 II 系统必须面对的大规模决策，也没有应对 II 环境中出现的各种不确定性的能力。
有人可能会说，人工智能系统不仅会模仿人类智能，还会纠正人工智能，而且这种能力可以扩展到任意规模的问题。当然，现在说的处于科幻小说的范畴，这种推测性的论点，虽然放在科幻小说中会很吸引人，但不应该成为我们面对关键的 IA 和 II 问题时采取的主要战略，这类问题已经开始出现了。我们需要根据自身的优势解决 IA 和 II 问题，而不仅仅靠模仿人类的 AI。
当然，经典的人工模拟 AI 问题仍然很有意义。然而，目前的重点是通过收集数据进行 AI 研究，部署深度学习基础设施，以及模仿某些特定人类技能的系统的演示。这些研究中几乎没有涉及新的解释性原则，往往会将研究的注意力偏离经典 AI 领域的几个主要开放问题。
这些问题包括需要将意义和推理引入自然语言处理的系统，以应对推断和表示因果关系的需要。开发计算易处理的不确定性表示，以及开发制定和追求长期目标的系统。这些都是模仿人类的 AI 的经典目标，但在当前人工智能革命的热潮中，人们很容易忘记这些尚未解决的问题。
IA 同样是非常重要的问题，因为在可预见的未来，计算机仍无法与人类在抽象推理真实情况的能力相比。我们需要经过深思熟虑的人机的交互来解决最紧迫的问题。我们希望计算机能够催生出人类创造力的新水平，而不是取代人类的创造力。
目前的 AI 视野过于狭隘，谈 AI 革命为时尚早
最早提出“人工智能”这个名词的是约翰·麦卡锡（时任达特茅斯大学教授，后来去了麻省理工学院），当时他提出这个名词，应该是为了区分他刚刚起步的研究项目和诺伯特·维纳的项目（当时是 MIT 的老教授）。维纳提出了“控制论”一词来指代他自己对智能系统的展望，这一概念与运营研究、统计学、模式识别、信息理论和控制理论密切相关。而麦卡锡则强调了与逻辑的联系。有趣的是，今天占据主导地位的更多是维纳的关于“智能”的内容体系，但外表却用的是麦卡锡提出来的“人工智能”一词。
