莫拉维克悖论 #
高水平的推理需要相对较少的计算资源，而低水平的感知和运动技能则需要大量的计算资源。
这个现象意味着计算机和机器人在处理复杂逻辑和数学问题时相对容易，而在执行诸如行走、抓取和视觉识别等基本感知和运动任务时却非常困难。
分析 #
低水平的感知和运动技能从主观上来说非常简单，但从计算理论的角度来说却非常复杂。
高级任务：这个名词本身就十分主观，“高级"一词其实等价于"对人类来说困难”。然而这些所谓困难的任务却大多都是多项式时间可解的，这意味着从自身性质上来说，高级任务所涉及的问题并不复杂。
低级任务：其包含的问题大多是 NP 难甚至是 PSPACE 难的，从问题本身的性质来说，这类问题相当复杂。
人类能够轻而易举地解决低级任务源于进化过程中持续进行的优化：经历了漫长的岁月人类才获得了高效正确处理低级任务的能力；而产生处理高级任务的能力花费的时间相对来说很少。
这种反常悖论似乎来源于知识的可概括性，某些知识具有良好的可压缩性，但另外一些则不具有。有一个更加准确的概念叫做计算可约性
一个很简单的例子：考试，从逻辑上来说全部都是基于最基本的知识推理而来的对吧？讲道理，考试应该能够完全通过逻辑推理来解决所有问题。但是事实上，考过试的都知道，从阅读题目到形成解题思路的过程貌似并不那么“有逻辑”，甚至可以说是没有什么技巧可言，纯粹就是一种做题的感觉。
两类知识 #
两类知识的占比 #
明显可概括的知识远远少于不可概括的知识；可概括的知识从某种意义上来说是不可概括知识的特殊情况；
不可概括向可概括转化的趋势 #
不可概括知识的特点决定了其获取的难度（大量尝试消耗大量能量，这一步不可避免），运转不可概括性知识的能量消耗极高（知识难以概括就会占用大量的资源来维持运转），不可概括的知识难以跨过人类个体生命的边界（不可概括的知识往往会随着个体生命的消散而丢失，因为其难以概括从而难以以任何媒介形式流传，但机器智能似乎在这方面有本质的区别）；人类个体的能量十分有限，难以完全依靠不可概括知识来应对外部世界，因此会有从不可概括知识向可概括知识转化的特点，尽管这个过程对于个体而言相当困难、极其耗费能量（本身就是一个不可概括的知识），但从整个人类的角度上来说节省了海量的能量；
可接受功率决定了智能的上限 #
在这里似乎可以给出另外一个划分智能等级的标准：个体接受功率输入的级别，级别越高其，个体能掌握的不可概括知识越多；由于能量总是有限的（我们人类能消耗的能源级别可能是这个地球上面的资源，但是机器智能的消耗可能是恒星级别的），因此总会有一定程度上的知识概括，但是由于不可概括知识的固有性质，高等级智能的可概括知识对于低等级智能来说并不是可概括的；知识的可概括性具有相对性；
从这里可以看出，可接受功率对于一个智能系统来说具有关键意义。从另一个角度来说，或许我们能够人为降低机器智能可消耗功率的上限来观察不可概括知识向可概括知识转化的过程