人工智能領(lǐng)域，人工智能機器因為無法如人一樣理解常識知識，而使人工智能機器表現(xiàn)出的智能程度極其有限。

因此，“常識問題或常識知識問題（common sense knowledge problem）是認知科學特別是人工智能中一個被稱為‘真正的問題’的問題?！泵鎸θ斯ぶ悄艿陌l(fā)展，海斯指出：“我們需要把如何進行推理的知識加以形式化，還要把那個使推理成為可能的有關(guān)現(xiàn)實世界的知識加以形式化。這種元信息可自行參與推理過程，但是，它又與演繹式解釋程序有著不同的和特殊的關(guān)系：它對自己的活動作出描述，而不僅僅為了有利。

在另一個研究智能的科學中，認知科學目前最大的難題也是語言和常識知識（默會知識、背景知識）問題。符號主義范式早期在證明幾何學定理、弈棋、定理再發(fā)現(xiàn)，以及運用邏輯演算和少量現(xiàn)實世界背景知識就可精確控制的一些領(lǐng)域取得了成功。但是，人們很快認識到，日常生活中要解決的大多數(shù)問題無法歸入少數(shù)幾種因素的形式組合。至少機器語言翻譯的經(jīng)驗告訴我們，人類認知是與真實世界的大量背景知識相關(guān)的。

大部分認知科學工作者試圖通過智能計算機的研究，發(fā)明一些解決日常生活實際問題的程序，致力于按照規(guī)則的觀念闡明必要的背景知識，尋求最小知識系統(tǒng)。人們猜測，只要抽象出真實世界中那些對于求解問題非常重要的特征，機器就能給出這個抽象世界足夠的背景信息，并智能地思考簡化了的人工世界中的對象及其關(guān)系，從而實現(xiàn)模擬真實世界的目的。最初的努力是試圖建構(gòu)嵌入機器的“微型世界”，微型世界是對真實世界特征的極大簡化。

不幸的是，如休伯特·德雷福斯（H.Dreyfus）所說，“微型世界不是世界，而是孤立的，缺乏意義的不毛之地，不能指望這樣的不毛之地生長出我們?nèi)粘Ｉ畹亩嗖适澜??！庇捎谏鲜隼щy，人工智能科學家寄希望于從盡量少的知識集合出發(fā)，通過形式化手段演繹出整個知識系統(tǒng)。自1975至今，開始進入尋求極小常識知識集合的階段。在這方面的工作中，已經(jīng)取得初步成就的極小常識系統(tǒng)有明斯基的“框架”程序、尚克（R.Schank）的“腳本”程序、麥克德莫特（D.McDemott）和多伊爾（J.Doyle）和賴特（R.Reiter）的“非單調(diào)邏輯”、麥卡錫（J.McCarthy）的“化界系統(tǒng)”，以及麥克德莫特的“時態(tài)邏輯”等。

但事實上，這些常識理解程序?qū)嶒灲Y(jié)果表明，它們都只能完成某一范圍的局域性特定任務(wù)，難以真正在實踐中得到廣泛通用。這項研究提醒我們，最重要的是，我們對于常識知識結(jié)構(gòu)本身的復(fù)雜性還知之甚少，甚至是無知。1985年，德克薩斯奧斯丁微電子和計算機中心開始啟動的常識知識數(shù)據(jù)庫的重大項目，預(yù)計包含上億條邏輯語句，由于難以擺脫用機器程序處理日常問題所遇到的“組合爆炸”問題，目前仍在艱難進行之中。

可以說，當前的智能研究所面臨的意向性問題、范疇問題、常識化問題、對心靈的認識問題、人工智能的目標問題無疑已經(jīng)成為了亟待解決的重要問題。很顯然，回避問題不是明智的做法，而解決問題才是必選之道。問題是這些問題的解決又如何可能呢？在我們還不能直接解剖活生生的大腦時，哲學的探索無疑是一個最好的選擇。如同古希臘的自然哲學一樣，對智能的哲學分析也將促進人們對智能的科學認識。當然，這種哲學分析也需要適當?shù)臈l件。既需要來自科學的實證材料，又需要來自哲學的反思。