This paper describes problems in AI research and how the SP System (described in an appendix) may help to solve them. Most of the problems are described by leading researchers in AI in interviews with science writer Martin Ford, and reported by him in his book {\em Architects of Intelligence}. These problems are: the need to bridge the divide between symbolic and non-symbolic kinds of knowledge and processing; the tendency of deep neural networks (DNNs) to make large and unexpected errors in recognition; the need to strengthen the representation and processing of natural languages; the challenges of unsupervised learning; the need for a coherent account of generalisation; how to learn usable knowledge from a single exposure; how to achieve transfer learning; how to increase the efficiency of AI processing; the need for transparency in AI structures and processes; how to achieve varieties of probabilistic reasoning; the need for more emphasis on top-down strategies; how to minimise the risk of accidents with self-driving vehicles; the need for strong compositionality in AI knowledge; the challenges of commonsense reasoning and commonsense knowledge; establishing the importance of information compression in AI research; establishing the importance of a biological perspective in AI research; establishing whether knowledge in the brain is represented in `distributed' or `localist' form; how to bypassing the limited scope for adaptation in deep neural networks; the need to develop `broad AI'; and how to eliminate the problem of catastrophic forgetting.

中文翻译：

---

AI 研究中的问题以及 SP 系统如何帮助解决这些问题

本文描述了 AI 研究中的问题以及 SP 系统（在附录中描述）如何帮助解决这些问题。人工智能领域的主要研究人员在与科学作家 Martin Ford 的访谈中描述了大部分问题，并在他的著作 {\em Architects of Intelligence} 中进行了报告。这些问题是： 需要弥合象征性和非象征性知识和加工之间的鸿沟；深度神经网络 (DNN) 在识别中容易出现大的和意想不到的错误；需要加强自然语言的表示和处理；无监督学习的挑战；需要对概括进行连贯的说明；如何从一次接触中学习有用的知识；如何实现迁移学习；如何提高人工智能处理的效率；人工智能结构和流程的透明度需求；如何实现各种概率推理；需要更多地强调自上而下的战略；如何将自动驾驶汽车发生事故的风险降到最低；人工智能知识需要强大的组合性；常识推理和常识知识的挑战；确定信息压缩在人工智能研究中的重要性；确立生物学视角在人工智能研究中的重要性；确定大脑中的知识是以“分布式”还是“本地化”形式表示的；如何绕过深度神经网络中有限的适应范围；需要开发“广泛的人工智能”；以及如何消除灾难性遗忘的问题。需要更多地强调自上而下的战略；如何将自动驾驶汽车发生事故的风险降到最低；人工智能知识需要强大的组合性；常识推理和常识知识的挑战；确定信息压缩在人工智能研究中的重要性；确立生物学视角在人工智能研究中的重要性；确定大脑中的知识是以“分布式”还是“本地化”形式表示的；如何绕过深度神经网络中有限的适应范围；需要开发“广泛的人工智能”；以及如何消除灾难性遗忘的问题。需要更多地强调自上而下的战略；如何将自动驾驶汽车发生事故的风险降到最低；人工智能知识需要强大的组合性；常识推理和常识知识的挑战；确定信息压缩在人工智能研究中的重要性；确立生物学视角在人工智能研究中的重要性；确定大脑中的知识是以“分布式”还是“本地化”形式表示的；如何绕过深度神经网络中有限的适应范围；需要开发“广泛的人工智能”；以及如何消除灾难性遗忘的问题。常识推理和常识知识的挑战；确定信息压缩在人工智能研究中的重要性；确立生物学视角在人工智能研究中的重要性；确定大脑中的知识是以“分布式”还是“本地化”形式表示的；如何绕过深度神经网络中有限的适应范围；需要开发“广泛的人工智能”；以及如何消除灾难性遗忘的问题。常识推理和常识知识的挑战；确定信息压缩在人工智能研究中的重要性；确立生物学视角在人工智能研究中的重要性；确定大脑中的知识是以“分布式”还是“本地化”形式表示的；如何绕过深度神经网络中有限的适应范围；需要开发“广泛的人工智能”；以及如何消除灾难性遗忘的问题。