學(xué)術(shù)界的人工智能研究過分局限于約翰·麥肯錫的定義，也就是人工智能的目標(biāo)是“像人”，并指出我們應(yīng)該突破對智能的狹義理解。這與AI要解決NP-hard級別難題有什么聯(lián)系？

“像人”的人工智能是一個已經(jīng)被大家很重視的方向，但我認(rèn)為人工智能的另一個發(fā)力點(diǎn)是「解決大問題」。尤其是用機(jī)器學(xué)習(xí)的方法解決意義重大的科學(xué)難題，即在多項(xiàng)式時間內(nèi)“有效解決”指數(shù)復(fù)雜性問題。

所謂指數(shù)復(fù)雜性是指求解一個問題所需的時間或空間（存儲用量）隨著問題規(guī)模增加而指數(shù)性地增加。這也就人們常說的組合爆炸。在計(jì)算復(fù)雜性理論中，將一大類目前還找不到多項(xiàng)式級復(fù)雜性算法的問題劃歸為NP-hard問題。如果一個問題能找到多項(xiàng)式級復(fù)雜性的算法，例如排序算法等，直接按確定的程序計(jì)算就能精確求解，人們一般不認(rèn)為是人工智能應(yīng)用。人工智能要研究的問題幾乎都是NP-hard問題，從其誕生開始就要對付組合爆炸。從這種意義上講，人工智能的“天”就是組合爆炸，所謂“頂天”就是找到巧妙的辦法克服組合爆炸。