人类永远不会做出这样的举动。但这一举动是经过深思熟虑的，而且是基于AlphaGo的政策网络所学到的。DeepMind的工程师不可能预测到这一步棋，只能在AlphaGo走完这一步棋后才能确定它的推理:在计算出人类在游戏的特定状态下走这一步棋的概率为0.010%后，它还是走了(Metz2016)。可以说，AlphaGo制定了一个计划并执行了它。AlphaGo不仅学习了人类如何下棋，而且超越了几代人类围棋选手对如何下棋的限制，做出了看似适得其反的高度新颖的招式，并以人类无法做到的风格下棋(Metz2016年)。AlphaGo的创造力来自于这样的棋路，以及它如何以一种全新的、非人的方式学会下围棋;如果是人类做了这其中的任何一种，她很可能会被认为是原创的、有创造力的、高智商的。
尽管取得了这场胜利，但我们注意到，Katja Grace等人(2018)列出的AGI里程碑列表中的“Go”尚未通过。这个里程碑被特别列出为“Go(与人类相同的训练)”(Grace et al. 2018: 747)。虽然这些变化可以用AI效应来解释，但AlphaGo的胜利虽然令人印象深刻，但与人类学习如何下棋相比，就不那么令人印象深刻了。正如Brenden M.Lake等人(2017)指出的那样，一个人只下几次围棋就能学会围棋，但对于一个ML系统来说，要做到这一点，需要数十万到数百万局的数据。AlphaGo接受了超过3000万局围棋的训练，而李世石一生中可能只下过5万局围棋(Lake et al. 2017: 23)。这种差异强调了机器学习的主要缺点:它只需要做一件事就需要过多的数据。另一方面，人类能够“构建丰富的因果模型，做出强有力的概括，并构建强大的抽象”，这一切都是基于极其有限的数据(Tenenbaum et al. 2011:1279)。事实上，仅仅基于几个例子进行泛化的能力可能是通用智能的核心。
一些认知心理学家认为，人类通过想象力从有限的数据中进行归纳;因此，通往AGI的道路可能在于通过为系统配备人工想象力来克服数据暴食的问题(Lapovsky 2014;Johnston 2008: 408;Ritter et al.2017)。想象力是马克思认为标志着劳动是独一无二的人类的另一个因素:人类建筑师在现实世界开始施工之前就在脑海中建造了一些东西。
perfect machines, inhuman labour .
121