休伯特·德雷福斯对人工智能的看法是对该领域目标和方法的重要哲学批判，其影响从20世纪60年代一直延续到21世纪初。德雷福斯是加州大学伯克利分校的哲学教授，他认为人类智能和专长从根本上讲是具身的且依赖于情境的，这挑战了当时普遍认为智能可以归结为逻辑规则遵循或符号操作的假设。他的批判在塑造关于Artificial intelligence局限性的讨论中具有影响力，并启发了强调从经验中学习而非显式编程的替代方法。
德雷福斯的分析植根于现象学，特别是马丁·海德格尔和莫里斯·梅洛-庞蒂的著作，这些著作强调实践参与相对于超然反思的首要性。他主张，人类并非主要通过将形式规则应用于符号表征来思考，而是通过与世界的互动发展出灵活、直觉性的反应。这一观点直接对立于主导早期人工智能研究的信息处理范式，该范式假设智能可以被捕捉在显式的形式系统中。
早期批判：20世纪60年代和70年代
1965年，德雷福斯发表了一份由兰德公司资助的报告，题为《炼金术与人工智能》，该报告认为人工智能研究者通过专注于玩具问题而高估了进展。他著名地预测，计算机永远无法掌握需要常识的任务，例如翻译自然语言或在专家水平下下棋，因为这些任务需要大量未言明的背景知识。这份报告后来扩展为1972年的著作《计算机不能做什么》，该书批判了人工智能的四个关键假设：生物学假设（大脑像数字计算机一样处理信息）、心理学假设（思维通过形式规则运作）、认识论假设（所有知识都可以被显式化）以及本体论假设（现实由原子事实组成）。
德雷福斯的批判因其对国际象棋的预测受到挑战而声名鹊起。他认为早期的Chess computer程序很脆弱，会被强大的人类棋手击败，这一说法他在1967年与程序Mac Hack的对弈中亲自测试并落败。然而，他坚持认为这并未否定他的更广泛观点，因为该程序的成功依赖于蛮力搜索而非真正的智能。后来，IBM的深蓝在1997年击败了世界冠军加里·卡斯帕罗夫，但德雷福斯认为这一胜利反映了计算能力，而非类似人类的理解。
专长的现象学
德雷福斯工作的一个核心主题是理智知识与具身知识之间的区别。借鉴海德格尔，他将人类专长描述为从遵循规则的新手到直觉专家的进步，后者能流畅地应对具体情境，而无需有意识地思考规则。例如，熟练的驾驶员不会有意识地计算刹车距离；相反，他们将道路感知为行动的可用性。德雷福斯认为，基于规则的人工智能系统永远无法达到这种直觉把握的水平，因为它们缺乏身体和与世界互动的活生生的历史。
在1992年的修订版《计算机仍然不能做什么》中，德雷福斯回应了该领域的进展，但重申了他的立场。他赞扬了Machine learning和Neural network方法超越了显式规则，但认为这些方法仍然不足，因为它们依赖于统计模式识别而非真正的理解。他建议，真正智能的系统需要某种类似人类身体的东西，，这一主张后来与“具身人工智能”领域产生共鸣，但在哲学上仍有争议。
后来的回应与实用主义转向
在2000年代，德雷福斯将焦点转向技术的伦理和社会影响，但他继续评论人工智能。他承认统计方法在狭窄领域（如语音识别和视觉分类）中取得了成功，但坚持认为这些缺乏通用智能。在2007年的一篇文章《为什么海德格尔式人工智能失败了，以及如何修复它需要使其海德格尔化》中，他认为像MIT CSAIL的罗德尼·布鲁克斯等研究者构建“海德格尔式人工智能”的努力在哲学上是误导的，因为他们仍然将身体视为计算设备。
德雷福斯后来的工作还探讨了风险与承诺在专长中的作用，借鉴了克尔凯郭尔的哲学。他建议，真正的专长需要情感投入和对利害关系的感知，这是任何计算系统都无法复制的。这一观点影响了他对在Machine learning系统中模拟人类道德判断的尝试的批评。
对人工智能研究的影响
尽管德雷福斯的预测是负面的，但他的工作对人工智能产生了积极影响。他影响了联结主义和情境机器人等替代范式的发展，这些范式强调从数据和环境互动中学习，而非符号推理。他的批判也促成了20世纪80年代的“人工智能寒冬”，当时符号人工智能的资金减少，导致研究者探索统计方法。现代在Deep learning和Large language model方面的发展，例如OpenAI和Google DeepMind的那些，可能被视为部分证实了他的批判，即显式规则是不够的，同时也挑战了他关于这些系统无法实现有意义能力的说法。
截至2010年代末，德雷福斯观察到人工智能系统在模式识别任务上变得熟练，但仍缺乏人类拥有的整体性、常识性理解。他对人工通用智能的说法保持谨慎，强调智能与具身经验密不可分。他的观点继续在人工智能哲学课程中被研究，并被Brendan Lake和Joshua Tenenbaum等研究者引用，他们主张将统计学习与符号推理相结合的模型。
遗产与当代相关性
休伯特·德雷福斯于2017年去世，但他的批判仍然是讨论人工智能局限性和可能性的试金石。他对具身性和直觉的强调在人机交互和可解释人工智能等领域具有影响力。在ChatGPT和其他大型语言模型的时代，他关于理解需要超越文本操作的观点重新受到关注，因为这些系统可以生成看似合理的文本，但往往在简单的常识或物理推理任务上失败。因此，德雷福斯的工作提醒我们，智能不仅仅是计算问题，而是深深嵌入生命体的结构中。
哲学辩论中的参考
德雷福斯的观点受到人工智能社区许多人的批评，他们指出Machine learning的快速进展，并认为他的怀疑基于对计算机能力的过于狭窄的看法。例如，Deep learning在围棋和扑克等游戏中的成功表明，统计方法在某些领域可以超越人类直觉。然而，德雷福斯的反驳，即这些系统仅在表面意义上“智能”且缺乏真正理解，仍然是一个哲学挑战。
总之，德雷福斯对人工智能的看法是对该领域哲学基础的开拓性研究，提出了至今仍未解决的问题：智能能否被归结为计算？机器是否需要身体来思考？隐性知识在专长中扮演什么角色？这些问题继续塑造着人工智能研究和关于技术未来的公共讨论。