“人工”智能的基础是什么？
数据库系统与数据挖掘学会主席Thomas Seidl：
“本质上，人工智能（AI）这一术语指的是，能够通过行为模仿被认定为具有智能的计算机系统。在形式上，AI 可以被理解为一种数学函数。真实世界的情境、观察、问题与任务属于输入内容，而将其「映射」至适当的响应、决策与行动流程之后即可得到输出结果。
第一代 AI 系统主要将这些功能编码为手动建立的规则列表。举例来说，其中某些方案能够解释自然语言，这类系统利用正式编码方式处理语言中的一切语义与句法规律，外加各种不规则性因素。然而这样的系统很快就遇到了问题，因为日常语言的使用特点在于，不规则性要远高于任何预期，而当前的 AI 系统仅仅能够自动从精心挑选的文本样本中学习到这些特征。
为了改善这一问题，AI 系统首先选择基础性功能架构，例如决策树或者神经网络，并借此逐步自动适应训练数据所提供的特征。这种方法使得当前的 AI 系统能够将报纸、书籍、讨论文本或者议会辩论纪要中的语言示例作为模型训练素材，而这也使其真正有可能掌握真实语言的表达结构。”
“成功实现自动（或者机器）学习的关键之一，在于强化学习方法的应用。具体来讲，这种方法会提供适当的反馈以调整系统行为，从而响应任务学习期间的成功或失败尝试。在这种情况下，编程要素主要负责以数学术语来衡量成功或失败的量化标准——例如，分别为期望的结果与不正确的推论定义合适且有效的奖励与惩罚，以这种反馈机制为基础，学习系统将能够有效改变自身后续行为。从此意义出发，如今的 AI 系统已经非常类似于人类以及其它生物的学习过程——能够将反复试验得出的实际结果，一步步改进自身行为并摸索出解决问题的最佳办法。”
机器人在认知方面会超越人类吗？
发展与教育心理学学会主席Markus Paulus：
“我们可以在两者之间设定一种根本性的区别。人类的智能体现在我们的文化当中，我们的思想与观念是在我们的历史背景下逐步发展起来的，成为社会生活方式中不可或缺的组成部分。只有以实体方式成长在这种文化当中，我们才能真正理解。与之相对，尽管我们已经能够开发出以类似于人类行为的方式模拟出某种文化倾向的机器人，但机器人仍远远无法与人类的智能相媲美。
人类能够轻松分辨红色，能举一反三，将红色与其它一些相似的颜色联系起来，也可以判断出周遭世界的红色物体，轻松区分其中细微的色差区别。这实际上代表着一整套与知识相关的智能机制。另外，能够感知并回应细微差别与幽默元素，也是人类智能的另一大组成部分。只有具备能够记录感官印象的身体，我们才能够真正理解智能所包含的大部分意义。我们通常将其称为「体验认知」。一个人必须能够感受到痛苦，才能理解它的含义。如果不能理解这种感受，那么就必然无法与能够理解感受的生灵产生共鸣。
机器人与人类之间存在着如此巨大的鸿沟，以至于 AI 永远无法获得与人类智能相当的东西。虽然机器人很可能在多个方面超越人类，但就我们人类能力的广度与灵活性，甚至是智能对于我们的根本意义而言，AI 甚至永远无法接近我们的水平。”
机器能否写出未来的畅销书？
德国现代与当代文学及媒体学会主席 Olier Jahraus 教授：
“人工智能，再加上艺术创造力，有朝一日确实可能会在文学领域掀起波澜。文学领域其实非常特别，因为从某种意义上讲，文学实际上表现的是每一个人心中关于世界形象的认知，以及自我矛盾的体现——这是个令人惊讶的概念。
凭借着丰富的知识与经验，机器能够帮助我们写下新的推文。我其实非常喜欢读这些机器生成的内容，而且有时候会觉得它们真的很懂人类的感受。如果我们能自己可以从中学到什么，也许关于 AI 未来的辩论根本没必要这么激烈。就以文学为例，这是一种非个人的载体（毕竟其中的情节与表达必须要与读者共享），但同时承载的却又是一种高度修改化的故事内容。文学总是暗示着的存在与归属。因此，我们需要考虑的并不是AI能否写出畅销书、能否使我们误以为内容是由和我们一样的人类所撰写，或者能否用机器人代替歌德。相反，其中的关键在于AI能否融入复杂的归责与归属系统——在这样的系统中，其必须探索并不断重新思考一般与特殊、集体与个人之间的关系。而只有在这些问题中找到独属于自己的答案，AI才能成为真正的创。在我看来，这样的发展目标不可能实现——无论是在技术上，还是在结构上，都不可能。”
机器能够在短期之内超越人类的文本翻译能力吗？
计算机语言学学会主席兼信息与语音处理中心（简称CIS）主任Hinrich Schütze：
“在某些情况下，机器很快就能翻译比人类更好的文本内容。计算机完成的速度更快，而且能够更好地体现其中的专业技术术语。
目前的计算机在处理简单的文本格式时没有任何问题。然而，它们也存在一些明确的限制。机器翻译可能无法传达诸如反讽、讽刺或者其它一些常见的文学类表达的微妙之处，因为其中包含着一些不同的语言风格、细微差别乃至隐晦的暗示。
另外很重要的一点在于，虽然算法能够在一定程度上使机器追赶人类的能力，但用户反过来也能够适应计算机的特征。举例来说，如果双方都使用简单的表达方式，那么谷歌翻译已经能够让我们与只会说泰语的朋友交流。同样的情况也出现在我们的日常引擎使用过程当中。我们会输入「爱因斯坦生日」并快速得到答案，而且很明显，我们绝对用同样的方式向人类提问。可以看到，引擎代表着一种强大的创新，而且已经成为我们所有人不可或缺的重要工具。同样，谷歌翻译也拥有着巨大的潜力。当然，这并不是说我们在理解术语意义方面体现出了智能。
那么，所谓人工智能中的智能，到底体现在哪些方面？以往，很多人曾经将国际象棋视为AI具有智能的实例。但如今还有人会采取这样的观点吗？很明显，我们对人工智能的定义与要求都发生了很大变化，而且相信这种变化还将长期存在。”
与聊天机器人的交流会如何改变我们？
心理学、市场与消费者心理学教授Sarah Diefenbach博士：
“在逻辑占主导地位的领域，各类情境、决策与行动往往都能够合理使用严格的逻辑术语进行制定并简化为公式，如此一来，人工智能当然能够超越人类并为我们完成很多工作。但作为一名心理学家，我真正感兴趣的是情感因素在其中发挥的重大作用——人工智能将如何改变我们的社交生活，以及我们彼此之间的日常互动？
这里，我们以服务业为例。当我们突然意识到对方并不是人类时，会对我们自身产生怎样的影响？过去十分钟，我们的交流对象原来只是聊天机器人——大家是否会因此感到受骗、受辱或者自尊受挫？我们是否会因此产生抵触情绪？
要回答这个问题，我们需要思考机器人在社交网络中的作用。在我带的一位学生的论文当中，她尝试分析Instagram上点赞对于用户自尊的影响。这里引发的相关问题，就是点赞操作的——真人抑或是聊天机器人，是否会对结果产生影响。在另一个关于养老院的项目中，我们也在尝试从另一个角度研究社交机器人的作用。在陪伴老人的过程中，机器人应该表现出怎样的「个性」？它们应该像是个温驯的仆人那样表现出尊重与谦逊吗？或者说在这样的情况下，应该让机器人表现得更真实一些——粗枝大叶与情绪化等典型的个性化行为，是否反而可能让老人们感觉更加舒服处在？”
机器是否有可能在不久的将来取代记者？
慕尼黑路德维希马克西米利安大学媒体与传播系教授Neil Thurman：
“新闻业能否实现自动化，即极少甚至根本不需要任何直接性的人为控制？目前还不行，至少还不存在一种能够涵盖所有模式及方法的解决方案。我们仍然需要将任务分解为常规的、可重复的例程，这是自动化算法编写者的工作。机器学习技术仍然高度依赖于以往样本中的「训练数据」，这意味着其还没有能力在复杂、极具创造性而且最重要的新闻任务当中表现出能够与优秀记者相匹敌的职业素养。”
然而，尽管存在这些限制，自动化工具仍然开始在一部分任务当中取代人类记者——包括故事线索的筛选、新闻文本的编写，以及应该将哪些故事发布给哪些读者、又该怎样进行优先级排序等等。
有人曾说，“机器人写作”等技术的进步有可能改善新闻业财务状况不稳定的困境，甚至有望帮助新闻业腾出资源进行实地调查。然而，人们也担心计算机过度敏感的新闻嗅觉可能给隐私带来负面影响，或者是打着新闻个性化的旗号带来无形的内容过滤。
“随着算法与AI技术的持续发展，我们必须确保整个新闻行业能够继续以可持续、透明且负责任的方式为公众提供服务。”
AI能否为我们做出经济决策？
比较经济学学会主席Monika Schnitzer教授：
“人工智能可以从数据集当中整理出「最佳估算」结论。例如，根据可用的统计数据，信用卡公司能够计算出刚刚办理的卡片遭到办卡人滥用的概率。而根据数据，风险能够按照相对比例进行量化，并视情况决定拒绝支付或者允许支付。”
“这种评估已经成为多种商业模式的重要基础。对人工智能技术的应用能够大大降低此类估算的成本，因为其能够以极快的速度分析与以往类似情况相关的大量数据。目前，AI尚不能实现的是独立评估行动的后果。我们需要考虑有哪些响应方法可供选择，以及如何在评估当中建立合适的安全界线以避免令人讨厌的意外。在未来，这些仍然需要由人类做出判断，而机器只能执行人们分配的某些特定任务。”
算法会在招聘领域发挥作用吗？
心理学方法与诊断学学会主席Markus Bühner：
“算法目前已经被用于进行人员筛选。虽然可能在决策流程当中发挥一定作用，但其仍然无法完全取代人力资源从业者。在我看来，很多面向现有市场问题提出的所谓AI改进意见根本不切实际。在大多数情况下，我看不到这些算法能够带来哪些具体的收益。当然，考虑到在理论层面上，引入数百万个变量的算法对候选人的评估确实有可能更准确。但最重要的是评估到底哪些人才素养，如果候选人声音不好听，比如说碰巧感冒了或者面试语言并非其母语，那么结果会受到哪些影响？
根据DIN工作相关能力评估规范，在上下文当中收集信息的评估人员必须确保这一切与工作内容直接相关。作为人类，我们不可能事无巨细地收集并分析候选人的每一项特征与对应数据。因此，我也期待看到算法的应用与我们的数据保护立法条款如何协调统一，毕竟这些条款对于受试人的数据透明度做出了约束要求。另外，即使是在那些毫无争议的伦理与法律问题上，算法的有效性也仍然存在问题。如果要对掌握某些新技能的候选人做出准确的可靠性预测，其必须不断重建自身以适应岗位的要求。”
“我们永远不会制造出真正的合作伙伴”
哲学与政治理论教授Julian Nida- Rümelin：
“目前，人工智能领域仍然主要处于模式，基本上可以这么断言。机器人技术的设计目标在于提供能够模仿人类能力的方案，以人脸识别为代表的实际成果已经体现出这种明显的趋势。然而，这类应用不太可能决定AI领域的未来发展方向。
换言之，试图将利用非生命事物作为自我预测的动机是种不明智的行为。我们永远不会制造出真正的合作伙伴或者谈话对象。相反，我们应该集中精力于经济生产这一核心。如果实现工业4.0的努力主要集中在对工具以及技术能力的推动方面，那么数字化无疑有望为全世界的经济发展做出巨大贡献。”
