用信息集成 考考 机器人
除了根据机器的连接状况测量意识容量以外（这非常困难），我们怎么知道一台机器是不是有意识呢？什么测量方法可行？
一种测试机器的信息集成度的方法是，让机器来做一个6岁小孩也能完成的题目： 这幅画里有什么地方不对劲儿？ 要解决这个简单的问题，就得拥有海量背景知识，比现今高档电脑在执行识别人脸、追查信用卡欺诈之类任务时所依靠的那点知识，不知多了多少倍。
计算机在分析图像中的信息是否合理时，必须依靠强悍的处理能力，这种能力远远超过了对数据库进行简单语言查询的级别。说起玩高级游戏，电脑可以让人甘拜下风，但如果问电脑一张照片有些什么问题，它就无计可施了。虽然最新电脑中的硬盘容量远远超出了我们毕生所能记忆的东西，但硬盘上的信息依然是未整合的，系统中的每一单元同其他元素基本没有关联。
同样的整合过程甚至能让六岁小孩知道许多不协调的画面是荒谬的，比如人在地毯上溜冰，奶牛变得透明等等。而确定一台电脑是否有意识的关键也正在此处。这些明显跟日常生活体验背道而驰的现象，证明了人类拥有精深的知识，知道哪些事件和物体可以同时出现，而其他绝大多数则不行。
我们依赖于这样一种认识：只有具备意识的机器才能主观描述普通照片里的场景是 对 还是 错 。这种综合判断照片内容的能力是构成意识思维的一种基本属性，比如看见大象蹲在埃菲尔铁塔顶端，就能够知道这不合情理。但现在机器尚不具备这种能力：即使是让满满一房间的IBM超级电脑联手上阵，也无法判断画面中哪些内容合乎情理。
如何测试电脑 读图
测试电脑如何解读图像，并非必须采用向机器输入测试问题这样的传统的图灵测试法。其实你只须在网上随便找几幅图，沿垂直方向将每幅图的中间涂黑，并用剪刀剪开，然后随机将左、右两部分拼合起来。这些合成图像一般都左右不匹配，只有个别图片的左右两部分都来自同一张图。电脑面临的挑战，就是要把左右匹配的图片找出来。
把图像中央涂黑，是为了防止电脑使用如今那些低级的图像分析技巧，比如说考察被拆散的各部分图像之间的纹理或色彩是否相配。这种基于拆分图像的测试方法要求电脑具备先进的图像解读技术，并能够推断图像各部分的搭配是否和谐。
另外一种测试则是将若干物体放进几幅图像中，使得所有图像看起来都还正常，只有一幅图像有问题。接受测试的电脑必须找出这个异类。比如计算机前面放着键盘也理所当然，但如果是盆栽植物，那就不合适了。
许多计算机算法是通过收集颜色、边缘或纹理之类图像特征，并采用低层次统计数据进行匹配。这些方法或许还能应对单一测试，但在多种不同图像测试面前，就无能为力了。这些测试方法离真正实用还有一段距离，但是，在应用这些方法后，我们发现，人类的意识感知功能涉及海量的整合知识，而相比之下，机器视觉系统的知识实在是太过狭窄和专业化。
想拥有意识要 学学 大脑结构
了解这些后，我们近期可以期待些什么呢？如果某项任务可以独立出来，不与其他任务有牵连，那么它可以由机器来承担。高速算法能够飞快的在庞大的数据库中进行搜索，并在国际象棋比赛和 危险边缘 节目中战胜人类选手。复杂的机器学习算法经过训练后，可以完成面部识别或者侦测行人等工作，效率比人类更高。
我们可以轻松地想出许多场合，让机器人去完成日益专业化的任务。先进的计算机视觉系统日臻成熟，不出十年，一种可靠的、基本上自主的驾驶模式将成为可能。但我们估计，这类机器视觉系统还无法回答与汽车前方景象相关的简单问题，仍然不会有意识地感受到出现在它前面的场景。
但我们也可以设想另一类机器，它可以把世上各种事物间无数错综复杂的关系，整理成知识并纳入高度整合的单一系统中。如果问这类机器 这幅图有什么地方不对劲儿？ ，它会自动给出答案，因为图中任何与现实不符的地方都不可能满足系统中的内在约束条件。