一次说明我们当前许多方法的缺陷的一种方法是考虑如何很好地表示（等效地，学习）常识知识。

在这一领域， Levesque提出了 Winograd Schema Challenge ，其中每个问题都作为包含歧义代词的输入自然语言文本给出：

巴巴尔想知道如何才能买到新衣服。幸运的是，一个一直喜欢小象的非常富有的老人立刻明白他渴望一套精美的西装。

在这里，程序被要求判断“他渴望一套精美的西装”中的“他”是指巴巴尔还是老人。已经整理并提出了数千个这样的问题，作为图灵测试的更可量化的替代方案。

尽管输入域是自然语言，但不可否认，这里的成功是 AGI 的先决条件，并且（正如我在此处的回答中所暗示的那样）能够与人类世界进行合乎道德的互动。

IBM 研究组织在回应白宫为人工智能的未来做准备时表示，人工智能依赖于许多长期的进步，不仅来自人工智能研究人员，而且来自许多学科的许多跨学科专家团队，包括以下挑战：

• 机器学习和推理。

  目前，人工智能系统使用监督学习，使用大量标记数据集进行训练。这与人类通过创建概念、关系、常识推理来学习的方式非常不同，后者赋予了在没有太多数据的情况下进行大量学习的能力。因此，应进一步研究具有常识推理能力的机器学习。

• 决策技术。

  当前基于人工智能的系统做出决策的能力非常有限，因此必须开发新技术（例如，对系统风险进行建模、分析权衡、在上下文中检测异常、在保护隐私的同时分析数据）。

• 特定领域的人工智能系统。

  当前基于人工智能的系统缺乏理解人类专业知识的各种领域（如医学、工程、法律等）的能力。系统应该能够执行专业级别的任务，例如设计问题、实验、管理矛盾、谈判等。

• 数据保证和信任。

  当前基于人工智能的系统需要大量数据，它们的行为直接取决于这些数据的质量，这些数据可能存在偏差、不完整或受损。这可能既昂贵又耗时，尤其是在将其用于可能非常危险的安全关键系统时。

• 极其高效的计算基础设施。

  当前基于人工智能的系统需要前所未有的工作负载和计算能力，这需要开发新的计算架构（例如神经形态）。

• 可解释性和解释。

  人们要遵循人工智能的建议，他们需要信任系统，而这只有当他们能够了解用户的意图、优先级、推理并且能够从错误中吸取教训时。许多业务领域和专业人士都需要这些能力

• 价值观和道德规范。

  人类可以分享世界如何运作的常识，而机器则不能。他们可能会因为无意和意外的行为而失败，只是因为人类没有为他们指定正确的目标，或者他们忽略了基本的培训细节。系统应该能够更正目标规范并避免行为中的意外和不希望的后果。

• 社交人工智能。

  基于人工智能的系统应该能够在人类的职业和个人生活中与人类密切合作，因此它们应该具有重要的社交能力，因为它们可以影响我们的情绪和我们的决策能力。此外，还需要开发复杂的自然语言功能，以实现人机之间的自然交互和对话。

资料来源：人工智能研究中的基本问题和最重要的研究空白（RFI 问题 5 和 6）。（链接不再可用）