都不是。人工智能开发几乎都是一些数值和数学模型和方法的创新。除了在图像和语音处理应用中对蒙特卡罗模型的深度学习模型的巨大成功外，该领域还没有任何关于“智能”的客观知识。

大多数从业者都意识到人类的认知，创造力和智力尚未被科学研究完全解释，而人工智能（AI）系统却试图模拟人类认知的某些方面（Sowa，2011）。

在过去的五十年（左右）中，重点是让硬件加速; 运行六十年前发明的算法或更多。到目前为止，从业者已经做了足够的工作（例如，在图像和语音识别中），以了解他们的模型和方法是不完整的，他们对现实的近似只能得到它们，即近似值。

每个人都使用近似值，为什么AI工程师不应该？对？人工智能制作人甚至没有触及近似的表面，人工智能有足够的理由来覆盖。这一进步提高了人们对某些东西缺失或模型出现问题的认识。您可以阅读区分A类和B类AI的文章。这是一个标志，表明它不足以区分一般AI与GOFAI或符号AI。现在我们必须区分两种类型：一种是“聪明的”，另一种只是“好”，就像将兰花与另一种兰花区别开来一样。

如果你能想到一个图像处理应用程序：有一个人工智能。有很多创新的空间。

为什么我们不能像星际迷航的数据这样的机器人为我们工作？什么地方出了错？

简而言之，任何明智的理解都可以运用智慧来学习所有存在主义命题都需要从对其无条件现实的概念中综合出真实经验的每一种感知，其中规则性原则来源于更简单但必要，客观或“ 结构 ”的基础。现实 - 引导我们去明显的原因，身份和认知过程来控制这种感知，这反过来又帮助或提供了一个移动或完成现实的机会（以达到某种结果，结果，结果）。

为了提升游戏性，注入独创性并创建 通用 AI，工程师需要的不仅仅是数值和统计方法，他们需要了解如何阅读（不创造或发现）概念或认知结构，以发现规则性原则实际发生的事情。

认知似乎依赖于词​​义的处理。如果你曾经使用过像SIRI，Alex或Google Home这样的语音处理器，你可能会对他们对实际意义的掌握感到不满意，并对机械上难以理解的认知感到沮丧。

研究人员一直在尝试（几个世纪以来）理解词义和认知过程之间的关系。有证据表明，词义与认知心理结构有关，可以用图表来表示。这些认知结构通常被称为概念结构（Sowa，2011）。有人将它们称为框架（Petruck，1996; Fillmore，1982）。

不幸的是，在寻找概念结构时，研究人员只依赖浅层语义学，研究整个语素的意义（最小的语法单位：词根，代词，介词等），而不考察个体的意义贡献。构成那些语素的声音。例如，Sowa对“坐在垫子上的猫”（Sowa，2011），以及Petruck和Fillmore关于框架的讨论（Petruck，1996; Fillmore，1982）的讨论中，这是显而易见的。

浅层语义是基于个别声音根本没有任何意义的学说，语言学家索绪尔在长期寻找声音意义之后建立的学说以失败告终（Saussure，1916）。

与浅层语义相反，深层语义学检验了单个声音对语素意义的贡献。需要明确的是，该语义在“深的语义”是指规则用于处理的声音（辅音和元音）成词素，词根等的含义虽然“ 深 ”指的是对应的进程间控制（规范原则），其条件（外部）主观性和词义的（明显）分布。这些原则似乎是衍生出来的 从固有的象征意义 - 内在的或无条件的现实 - 已经从可观察到的声音结构的基础中被抽象和概括（它是语言和知识的基础以及世界的物质基础的一部分）。

大多数语言学家和符号学家，包括着名的查尔斯皮尔斯（1960年），都认为索绪尔（Sussure，1916）听起来不是意义的标志。换句话说，他们相信浅层语义。本杰明·沃尔夫（Benjamin Whorf）将语言调查视为具有揭示人类思想特征方面能力的代码破坏活动时是错误的（Whorf，1956）？

浅浅的语义就像是在说：“我只需要知道糖是甜的。我不在乎碳，氧和氢如何引起这种味道。“也许索绪尔的追随者应该只说：”我们无法找出单个声音与单词含义的关系，“而不是：”听起来毫无意义！“最近，一项跨越世界6000多种语言中三分之二的统计研究证明，声音和意义之间存在关联（Blasi，Wichmann，Hammerström和Christiansen，2016），因此这些科学家要求重新审视这一假设。声音的任意性作为标志。

如果科学家无法理解单词意义与声音的关系，那么他们真的可以告诉我们语言是如何被处理的以及单词如何与认知结构相关联的？最近一项关于认知科学，神经科学和计算语言学四分之一世纪的研究表明答案是“不”（Sowa，2011）。因此，浅层人工智能根本不起作用：尽管花费了数千亿美元和数百人的工作，但人工智能系统不能通过阅读教科书“阅读，书写或说话与孩子一样”或获取新知识。