人工智能对智能的最初理解可以追溯到托马斯·霍布斯的格言“理性……只不过是算计。这种想法被解释为对符号表征的操纵，从而产生了第一代人工智能——已故哲学家约翰·豪格兰(John Haugeland)称之为“优秀的老式人工智能”(Good old - old AI)或“GOFAI”。现代的深度学习系统和其他形式的第二波人工智能是一种不同的智能方法的基础——这些系统在游戏、面部识别、医疗诊断等方面取得了令人震惊的结果。
因为这两种方法都涉及到对作为输入的表现形式的操作，所以第一波和第二波AI仍然是计算的形式。但他们对待表象的态度不同。GOFAI起源于经典的三段论，如“人皆有一死;苏格拉底是个人;因此，苏格拉底是终有一死的。逻辑推理系统和定理证明程序就是这种类型的程序，它们是为在少量的强相关变量上进行深入的多步骤推理而设计的，基于相对有限的信息。
第二波人工智能系统则恰恰相反:基于大量数据，对大量相关性非常弱的变量进行浅层推理。后一种方法是让电脑识别朋友的面孔、落日和迎面而来的汽车。
第二波人工智能的表现形式通常被称为“分布式”，因为关于世界上许多常识特征的信息散布在这些系统的内部网络中。第二波系统还能够保留大量的细节，而不是将输入简化为简单的命题语句，如“这是一个苹果”或“那是莱姆病”。例如，除了将x光诊断为肺癌外，第二波人工智能系统还可以捕捉肿瘤的密度、对比度、形状和其他特征，所有这些都可能与药物选择或预测结果有关。
为什么这种方法更有效?为什么第二波人工智能在GOFAI被绊倒的地方表现出色?答案是本体论的。我们人类如何将世界解析为对象、属性、关系等等——我将说，我们如何注册世界——部分取决于我们的兴趣、我们的文化、我们的社区、我们的项目。这个未经解释的世界极其混乱。我们用来概念化经验的对象和属性不能被当作公理，也不能像第一波人工智能中简单假设的那样，直接“读出”这种丰富的信息。
相反，以适当的方式注册世界——保留那些值得注册的微观细节和细微差别——是一种智慧的成就。在某些情况下，比如玩游戏，第二波系统正在学习自己做这件事。在另一些情况下，我们人类首先给数据贴上标签(“那是一个停止信号”或“那是一只豹猫”)，然后系统学习模仿我们。但总的来说，这种模式匹配和分类是第二波技术不可否认的优势。
那么，人类的情况如何呢?第二波人工智能将被更快的处理器、更多的数据和更好的算法放大，达到人工智能的圣杯一般人工智能，导致系统等于或超过人类?
不，不会的。
在最好的情况下，人类有判断力——我指的是一种经验丰富的能力，具有开放的、深思熟虑的思想，是在几千年的时间里，在不同的文化中形成的，是理性、伦理和深思熟虑的行动的基础。这就是我们说一个人“有很好的判断力”的意思。这是我们努力向孩子们灌输的一种能力，是我们为成人树立的标准，也是人类思维最终必须追求的目标。
判断不仅需要记录世界，而且需要以适合环境的方式记录世界。这是一个难以置信的高门槛。它要求一个系统面向世界本身，而不仅仅是作为输入的表象。它必须能够区分外表与现实，并遵从作为权威的现实。
必须有风险，现实世界的威胁，系统是脆弱的。一个有判断力的系统必须关心它在想什么，必须愿意为真理而战，必须，就像Haugeland说的，“去他妈的。”
这些能力意味着对整个世界的理解和承诺——一个单一的、包容的整体。没有一个计算系统知道它在说什么;要做到这一点，它就必须让世界上的每一个物体、财产或事态对自己负责。如果我是如此开始认为一杯咖啡在我面前已经自发地跳两英寸到空中,段我的知觉系统交付,假设我cortex-I不会相信,也不会以证据为引人注目。
相反，我怀疑自己眨眼时没有意识到，怀疑有人推了我的桌子，怀疑我刚才喝的不是咖啡，怀疑地震正在发生。也就是说，我承认不可能的事情似乎发生了，但因为不可能的事情没有发生，我将把这种明显的不可能当作误解或错误的证据。我将努力弥补这个错误。可能是我的注册计划没有做到公正，需要更换。
换句话说，为了恰当地处理上下文，仅仅拥有一个世界模型、一个因果模型或其他一些“预先注册”的概念模式是不够的。没有完全的世界模式;没有普遍的概念方案。这是第二波人工智能的本体论课程。因此，判断不仅使已记录的现象对存在于世界负责;它也让注册计划自己负责。这样的计划必须使世界变得可理解。
判断就是能够动态地、持续地、警惕地评估任何适用的注册方案。想想我们为什么要把孩子托付给成年人。一个孩子，在经历了一场灾难之后，可能会说:“但是我做了你说的一切!”“并不是所有重要的事情都能说出来。无论多么广泛——没有一个有限的世界模型——没有任何长篇大论能够抓住所有相关的东西。
总而言之，判断需要对这个世界存在着承诺，对它的现实负责，并抵御虚假或不可能的东西。一个有判断力的系统以尊重和谦卑的态度对待这个世界，对待它所登记的实体，对待整个社会。