作者 / 高焕堂 台湾VR工业联盟主席、厦门VR/AR协会荣誉会长兼总参谋
1 AI机器与人类携手共舞
AI思想(AI thinking)是指在AI技能潮流下的机器智能(machine intelligence)体现的暗地思想形式。根据AI思想的机器(即AI机器)学习技巧(即算法)一日千里，大数据(big data)又为它供给了很好的学习材料，然后使其敏捷从经历中学习、领会和呈现出高度智能。现在，在许多领域里，机器的智能体现现已逾越了人类，是人类所望尘莫及了。
机器智能的特性很相似人类的“概括性”智能，它的考虑进程不明晰、偏于定论性、短缺牢靠性。因为短缺牢靠性，因而在判别和决议计划上，机器和人类相同，常常会有成见和误判。
人类在日常日子中，往往是由“概括性”智能所主导，相同常会有成见、激动和误判。可是，人类有三种智能：概括性、演绎性和溯因性(abductive)智能。除了快速而不吃力的“概括性”智能之外，还有比较吃力的演绎推理和溯因推理。这两种思想才能使人类具有更强壮的才能来弭补“概括性”智能的缺点，并且带来了更多的创造力。
尤其是溯因性(abductive)智能。它是根据假定(hypothesis)思想系统、进行查验、反证的考虑进程。是人类最具创造性的推理办法，并且机器还不具有这种智能。在AI大数据潮流下、长于这种“溯因性”思想习惯的人群，其职场的竞赛优势将日益上升。现在十分盛行的“规划思想”(design thinking)便是根据溯因推理的思想办法。
咱们能让具有AI思想的机器运用大局探究才能来帮忙人类的构考虑虑敏捷寻找到最优的实践计划，一同，也让人类更多的慎密“考虑”来弭补机器“智能”的缺点。然后让人类和机器相得益彰、到达立异与实践的最佳组合。例如，发起“AI思想+规划思想”。
2 AI思想简史
回忆一下AI的发展史，自从1950年代，许多专家们便是希望将人类的常识和思想逻辑植入到机器(如计算机)里，让机器像人相同地考虑。其时就运用符号和逻辑来表明考虑和智能，人类尽力向机器输入符号化的“思想”并希望软件程序会议现出像人相同的考虑才能，可是这个希望并没有成功。
后来，专家们另寻他途，转而选用Rosenblatt在1957年提出的“感知器”程序、运用重入回馈算法“练习”各种逻辑式子，然后完成了开端的机器“学习”。这称为“联合主义”(connectionism)，也随之诞生了“神经网络”(neural networks)这一名词。这一途径并不是由内而外地向机器输入符号化的常识和逻辑来让机器展现出像人相同的考虑，而是由外而内，尽量让计算机体现得有智能，但人们并不关怀机器是否真的“体现”出考虑逻辑。
AlphaGo便是这项新途径的代表。2016年，AlphaGo在围棋比赛方面打败了人类的国际冠军。 AlphaGo的棋术(智能)是建立在人类的先验常识之上，根据人类很多的前史棋谱，敏捷学习和领会人类的棋术，从而自我练习、不断精从而胜过了人类。到了2017年，DeepMind团队的新一代AlphaGo Zero根据不同的学习途径，没有参阅人类的先验常识，没有依靠人类前史棋谱的指引，从一片空白开端自我学习、无师自通、棋术居然远远逾越AlphaGo，并且攻无不克，以100:0完胜它的长辈AlphaGo。
3 AI思想+大数据
根据AI机器很拿手学习，从how-to-do经历中学习和领会，而呈现出智能。大数据供给给它极佳的学习材料，大数据蕴藏了事物之间的相关性，成为它领会的源头，丰厚它的智能。跟着AI机器的学习技巧(即算法)一日千里，物联网技能促进大数据的敏捷出现，机器的学习成效急速上升，把人类远远抛在了后头，是人类所望尘莫及的了。
机器的智能很相似人类的“概括性”智能，它的考虑进程不明晰、偏于定论性、短缺可信(牢靠)性。因为它短缺可信性，所以在判别&决议计划上，机器和人类相同，常常会有成见和误判。一旦面对它未曾学习过的情境，就有或许会犯错。例如，上一年一名特斯拉(Tesla)车主在其特斯拉轿车的“主动辅佐驾驭”(autopilot)软件未能在阳光下发现一辆白色货车后死于撞车事端。
君不见，一个人的履历愈丰厚，它的判别与决议计划愈敏捷，但也更会有成见和误判(固执己见)。例如有一个传说，成吉思汗(比方人类学生)常常带着他最喜欢的神鹰(比方机器学生)。有一天正午时分，成吉思汗脱离部队，独自挑选了一条山路，在峡谷中穿行。气候很热，口干舌燥，想找泉流解渴。十分困难，看到有泉流从岩石缝隙滴下，快乐极了。拿着杯子去接那渐渐滴下的水。接满了一杯水，预备一饮而尽。
在天空中翱翔的神鹰忽然飞扑下来，“嗖”的一声，把他的杯子踢翻了、水全洒在地上。成吉思汗捡起了杯子，又去接那泉流，神鹰又爬升下来，把杯子踢翻了。他又接了两次，神鹰都把他手里的杯子踢掉了。成吉思汗气急败坏，拿起弓箭射向神鹰。天空中的神鹰惨叫一声下跌下来死了。
成吉思汗自己沿峻峭的石壁爬上去，总算爬到了水源，看到水池里躺着一条粗大的剧毒死蛇。成吉思汗愣住了，他懊恼不已，大声喊道“神鹰救了我的命呀”。
在这传说里，神鹰具有更高视界和更多材料(看到了毒蛇)，让牠更信赖那泉流是有毒的，而成吉思汗的丰厚履历却带给他成见和误判。导致成吉思汗把神鹰杀害了。
试想发生这项悲惨剧的暗地原因是什么? 因为机器学生具有的是“概括性”智能，加上大数据的支撑、其“定论”常识比人类更完好而精确。神鹰判别：这泉流是有毒的。其正确性高于成吉思汗心中的假定：这泉流能够喝。
尽管人类有三种智能：概括性、演绎性和溯因性智能。可是往往是由“概括性”智能所主导，它快速而不吃力。至于杂乱的演绎推理和溯因推理是比较费时和耗费精力的。一般，一个人的履历越丰厚，关于其丰厚的“概括性”智能具有越大的信赖，大多数的判别与决议计划很敏捷和精确，可是或许会发生成见和误判。
因为演绎推理和溯因推理需求费时和耗能量，而从经历履历的概括性常识加以使用，十分敏捷有成效。跟着概括性常识的增加，演绎推理和溯因推理的运用和演练就越少了，逐步沉寂而睡着了，甚至连概括性的领会运作也变少了。则日常日子变成：根据丰厚自傲的“定论性”常识，敏捷运用来取得成效。仅仅如方才所说到，或许会发生更严峻的成见和误判，像成吉思汗相同射杀了心爱的神鹰。
4 AI思想+规划思想
在AI潮流下，怎么让机器和人类携手共舞、一同立异成为最新潮的立异思想。其间较好的立异之路很或许是：机器AI思想+人类规划思想。于此，就从常识的视点来看AI思想与规划思想之间的密切关系。
4.1 常识1.0
机器的智能很相似人类的“概括性”智能，它的考虑进程不明晰，所以只发生考虑的“定论”常识，而没有发生考虑的“进程”常识。这种概括性智能所发生的定论性常识，笔者称之为：常识1.0。
当今，在常识1.0(即概括性智能)领域内，机器现已远远逾越人类了。这让人类一则以喜，一则以忧。欢喜的是：机器能敏捷学习和领会更多“定论”，实时弥补或更新人类的常识。忧心的是：一些依靠于“概括性”思想习惯的人群，其职场的竞赛优势将日益弱小。
4.2 常识2.0
除了概括性智能之外，还有第2种是：演绎性智能。它的考虑进程(即逻辑推理)很明晰，能以符号来表达成为常识。从常识的视点看来，常识内在扩展了，除了考虑的“定论”常识之外还增添了考虑的“进程”常识。笔者称之为：常识2.0。
可是，当今在机器智能的国际里，机器能敏捷学习、领会并输出“定论”常识(如how-to-do常识)。机器智能还处于常识1.0阶段。
4.3 常识3.0
人类除了上述的概括性智能(常识1.0)和演绎性智能(常识2.0)之外,还有第3种：溯因性智能。它是根据假定(hypothesis)思想系统进行查验、反证的考虑进程。笔者称之为：常识3.0。
溯因推理的智能是由调查现象(成果)到原因的猜想推导进程，沿着现象的特征往回追溯发生该现象的原因;是除了演绎推理、概括推理之外的第三种逻辑推理办法。运用这种办法去猜想现象的或许原因，受逻辑规矩限制的程度较小，具有高度的灵活性，是一种颇具创造性的推理办法。
这种构思型的思想习惯是人类的特长，机器还不具有这种智能。在AI大数据潮流下，长于这种“溯因性”思想习惯的人群，其职场的兢争优势将日益上升。现在十分盛行的“规划思想”便是根据溯因推理的思想办法。
参阅文献：
[1] Why AI Needs a Dose of Design Thinking,http://deloitte.wsj.com/cio/2017/08/02/why-ai-needs-a-dose-of-design-thinking/
[2]Design Thinking: Future-proof Yourself from AI,https://infocus.emc.com/william_schmarzo/design-thinking-future-proof-yourself-from-ai/
[3]Design Thinking in Robotic Automation,https://dzone.com/articles/design-thinking-in-robotic-automation-1
本文来源于《电子产品国际》2017年第12期第67页，欢迎您写论文时引证，并注明出处。
