心法
我们要在算法和心法之间，腾出地方，交给ai，人类自己则继续向未知世界探索，利用碳基生物与生俱来的那种无知和混乱所带来的进化契机，结合AI进化加速力量，发现遥远宇宙的秘密，寻求更长的寿命，甚至在时间的深处找回我们失去的记忆和亲人。
01
悬崖峭壁上，绝世高手之间的生死对决，并不只出现在武侠小说里。这是件真事：为了帮师傅争夺武林盟主，高徒出马，勇斗江湖第一人，结果战死。故事发生在1835年7月。
当时的日本围棋江湖，几大流派为了争夺名人棋所，斗得不可开交。为了把当时的霸主十二世本因坊丈和拉下宝座，“围棋四哲”之一的井上幻庵因硕，派出了自己的密藏弟子赤星因彻。
史上最致命的这盘棋，下了整整四天。起初，局面难解难分，年轻的赤星因彻英勇善战，略占上风。直到丈和下出了著名的“古今无类三妙手”，如变魔术般扭转局势，最终战胜对手。
24岁的赤星因彻认输时，口喷鲜血，染红了整个棋盘。不久，他就死了。
该局棋谱流传于世，至今仍被视为绝世妙手的典范，经常出现于围棋教科书中，人们称之为“吐血之局”。
历史上另外一盘著名对局，也与幻庵因硕有关。不过这一次，他变成了被挑战的那个人。
1846年，幻庵因硕与17岁的天才少年秀策对局。幻庵以“大斜”开局，执黑先行的秀策很快“丧失”了先手之利。进入中局，观战者均以为年轻人凶多吉少。
这时，惟有一位围观的医生说：秀策必胜。众人哗然，说你一个外行，怎么敢妄加评论？
医生说，我虽然不懂棋，但留意到，在秀策落下一子后，幻庵看似面无表情，耳朵却立刻变得通红。
最终，秀策以两目的优势获胜。棋局的转折点，正是发生于医生所提及的那步棋：第127手。
后世棋手反复研究，认为这一手是妙到巅峰的神来之笔。石佛李昌镐评价道：三分靠实力，七分靠灵感。
这一场纹枰之上的巅峰对决，被称为“耳赤之局”。
02
170年过去了。被视为能体现人类独有灵性的围棋，意外地被AI拿下。2016年，世界顶级棋手李世石输给了阿尔法狗–一个人工智能围棋程序。
人工智能围棋水平已经远超人类。对此，职业棋手们从愕然，到接受，再到用AI作为训练的辅助工具。
有人突发奇想：如果把历史名局输入“机器”，AI会怎么评价人类的妙手？
让我们回顾一下“耳赤之局”的第127手，也就是下图中的黑1。
这手棋之所以被称为绝妙，据说是因为有一石三鸟之功：
联络下方快要被分断的四子，有了黑1之后，白棋无论从哪个方向分断都不会成功；
扩张上边黑棋模样；
此处遏制了白棋外势扩张，是双方势力消长的要点。这手棋完全展现了秀策的大局观和眼界。
如此厉害的一手棋，当人们将其输入电脑，结果，围棋AI“绝艺”却说：这一手一点儿也不妙！
对于这一手棋的下法，AI“绝艺”给出了四个选择，对比而言，“耳赤一手”竟然是最差的。
如上图，“耳赤一手”的胜率是55.2%，其它三个选择都更高，例如左上角的那手，胜率高达63.4%。
那么，医生所观察到的耳红，是否只是一个传说呢？
假如确有其事，那么耳红的原因，不是秀策的第127手有多妙，而是幻庵因硕的上一手棋（白126）太差，对手落子后他才意识到，所以懊恼不已。
有趣的事情来了：
传世妙手，其实是不好的一手，但近两百年来，从未被质疑，反而被几代高手反复论证歌颂。
耳红这件事情也许是真的，但是对“因果关系”的解释，却是错误的。
03
AI很久以前就在国际象棋领域战胜了人类，AI在围棋上赢了人类，有什么奇怪的呢？
事实上，在阿尔法狗横空出世之前，AI在围棋上的表现乏善可陈，差到令很多人怀疑，计算机永远无法在围棋上超过人类。
尽管计算机早就在国际象棋上超过人类，但是二者之间的差别，不仅在于棋局变化数量的天壤之别，对弈的哲学亦相去甚远。国际象棋更注重战术，围棋兼顾战术和战略。
围棋是中国少有的“数目化事物”，它既有西式的精确量化，又有东方的混沌哲学。所谓大局观、天才的感觉、石破天惊的一手，都被认为是计算无法企及之处，是围棋的神秘魅力。
围棋的局部变化，大多是有唯一解的，可以用精确的推理“还原出来”。但是涉及到全局，很多时候没有“最优解”，走在哪里，取决于棋风和感觉。
上世纪八九十年代，日本围棋统治世界的时候，超一流棋手几乎都是木谷实和吴清源两个人的入室弟子。冠军也几乎都被这几个超一流棋手垄断。他们都有“绰号”，例如“宇宙流”，“天煞星”，“美学棋士”，代表着各自的棋风。
正因此，人们说，围棋是技术的，也是艺术的。
艺术的那部分，被认为是高手的灵性的部分，代表了某种难以被描述、无法被计算的人类独特智慧。这也是棋手们的自豪之处。
然而，阿尔法狗一夜之间摧毁了人类的幻觉。
摧毁分为两步：
肉体上摧毁。在对局中赢了人类冠军。但职业棋手们还是不服，认为即使计算机赢了，也是靠蛮力；
灵魂上摧毁。典型一手是对李世石的第37手肩冲。“人类死硬派”代表聂卫平当时就傻眼了，直接改口称阿尔法狗为“阿老师”。
为什么？这手棋，完全是有人类感觉的。
AI在围棋上战胜人类顶尖高手，基本证明了所谓的“棋感”、“棋风”、“大局观”等围棋高手所谈论的虚的能力，并不是人类独有的，经过训练的神经网络也会有。
所以，随着技术的进步，电脑也会能够欣赏艺术（音乐、画作、小说、笑话），能够创作文学、艺术作品，能够针对不同的情况形成自己的“情绪”。
此前，一个顶尖围棋高手被认为有赖天赋，因为有些招法需要天外飞仙似的灵感。现在看来，所谓人类的灵性，可能只是大脑事后的包装。
再加上社会网络的包装，便诞生了“耳赤之局”。
很多人没有意识到，阿尔法狗的胜局，是全人类的耳赤之局。
04
作为“完全信息博弈”的最高峰，围棋极好地模拟了人类思维的特征。
让我用如下这个模型，开始一场简化的探索：
围棋的基本功是计算，做死活题，数官子。这部分我们称之为“算法”；
围棋不可计算的那部分，也被认为是只可意会不可言传的，需要天赋，有着个人烙印的，我们称之为“心法”。
不可避免的，中间会有交织地带。这里发生的，要么是算法与心法的混合应用，要么是冒充算法的心法，要么是未被识别的算法。
耳赤之局的传世“妙”手，如此被世代传颂，甚至连李昌镐这类天才也没看破，有多少是因为计算（科学），又有多少是因为神话（心理学）？
AI做了什么？它一脚将围棋领域的“心法”完全踢了出去，半点都不需要了。
AI利用算法，模拟了人类的感觉，它的感觉因为压倒性的胜率而显得更加“高明”。人类之前的围棋灵性，被证明是个相对低级的黑盒子。
然而围棋毕竟是有边界的，它只是一个“完全信息博弈”。算法对心法的“一脚踢出边界”，在更广阔的世界里尚未发生，尽管人们已经心有疑虑。
05
在费曼这类科学原教旨主义者眼中，科学的进步，就是科学一路上踢哲学的屁股。
费曼认为：“科学家是探险者，而哲学家是观光客。”这位顽童大师刻薄但又扎中痛处地说：科学哲学对于科学家的作用，就跟鸟类学对于鸟的作用差不多。
古希腊哲学家留基伯早在公元前5世纪，就提出原子论：万物由原子构成。他的学生德谟克利特说，这些原子“太小了，因此我们无法感知到它们……它们，或者说这些元素……可见、可感知的物质”得以形成。
“原子论”看起来有惊人的远见和洞察力，但科学家认为他们只是碰巧撞上了一部分事实而已。
物理学家、诺奖获得者史蒂文·温伯格说：
“这些早期的原子论者看似相当超前，但是（一元论者们）‘错了’，德谟克利特和留基伯的原子理论在某种意义上‘对了’，这种对错之分对我来说并不重要……
如果我们不知道如何计算物质的密度、硬度或导电性，即使泰勒斯或德谟克利特告诉我们石头是由水或原子构成的，我们又能在理解自然的路上走多远呢？”
爱因斯坦和因菲尔德用一个比喻描述了如此“希腊困境”：
古希腊自然世界的探索者们就像：某人非常想了解手表的机械结构（机制），他却只能盯着表盘和不停转动的指针，听着手表嘀嘀嗒嗒的声音，因为表盖无论如何也打不开。如果他还算机灵，他可以绘制一幅机芯图，为他所观察到的一切做出解释。
但是他……可能永远都不能用真正的机芯与自己绘制出的图纸两相对照。他觉得这样的对照不仅是不可能的，也是毫无意义的。
确切来说，费曼和爱因斯坦，反对的是“捣糨糊”。他们想要打开黑盒子，看个究竟。
另一方面，他们都受益于人文。两位大科学家一个拉小提琴，一个打鼓。爱因斯坦后期俨然是个名言迭出的哲学家，而费曼则始终沉浸在“房间里我最聪明”的传奇趣味中。
自认为是哲学家的索罗斯，同样旗帜鲜明地反对用类比的方式，将自然科学的原理和公式，套用到人文和经济领域。
他们并非要抛弃人类的灵感和不确定性，而是反对神话，不甘心用黑盒子来解释这个现实的世界。
06
“在科学与人文之间，以及所谓的硬科学（例如物理）与人文学科（例如社会学）之间，存在着脱节……我一直以来对这个脱节的根源感兴趣。”
诺贝尔奖获得者杰拉尔德·埃德尔曼，在《第二自然》一书中，试图探究人类意识之谜，进而阐释我们如何得以理解世界和理解我们自己。
他提及，从笛卡尔和培根直到现代，存在一条思想的主线，试图建立科学、自然和人文的统一思想体系。
另一方，是德国思想家和哲学家狄尔泰，他的观点是：
将人类的知性视为解释性的，物理因果的概念在其中没有位置。
否定人类本质为理性的观念。相反，其中混杂着愿望、情感和思考。
将心理学、哲学和历史归为人文科学。与之相对的是自然科学，关注的是物理世界。
还有一些科学家，试图整合或者绕开这种分裂，例如基于生物学还原论的威尔逊。
他认为一旦我们了解了大脑形成和运作的后天规则，我们就能应用这些规则来理解人类行为，包括标准行为。
威尔逊声称甚至伦理学和美学也能这样还原分析，他称之为协调。
“既然人类行为由物理因果事件组成，为什么社会和人文科学就不能与自然科学协调一致呢……人类史课程和物理学史课程没有根本性的分别，不管是谈论恒星或是组织多样性。”
简而言之，生物学家们不打算纠结于科学和人文之间的对立或纠结，而是直接绕到大脑深处神经元的层面。
科学家费曼和他嘲讽的哲学家们，都是用的一样结构的大脑来思考，尽管他们的思考方式也许不同，但是从生物学的底层，大家的神经元的工作原理都是一样的。
07
一些心理学和哲学研究的结果表明：认知和情感在深层次上是统一的。
两者不但在各种不同环境中有着不同程度的相互影响，而且在深层次上，只有单一的认知或情感过程，尽管从外部看来确实好像存在着两种相互平行却相互影响着的心理过程，但这只是单一过程的分裂表现罢了。
假如大脑是个计算机，这台计算机的“算法”和“心法”是混合在一处的。就像人们无法分清理智与情感。
尽管科学家们说系统1、系统2，自动思维、控制思维，有意识、无意识，并且试图在大脑找到主管不同系统的区域，但是思考不应该是系统的简单叠加，认知和情感，算法和心法，似乎是有机统一体。
以发现DNA双螺旋结构而闻名于世的英国生物学家弗朗西斯·克里克提出了“惊人的假说”：意识，也称为心智，是物质的衍生属性。
这是一个基于“还原论”的“惊人的假说” 。在论述过程中，他对还原论的研究方法给出了令人信服的解释。
克里克认为“人的精神活动完全由神经细胞 、胶质细胞的行为和构成及影响它们的原子 、离子和分子的性质所决定” 。他坚信 ，意识这个心理学的难题 ，可以用神经科学的方法来解决 。
他甚至认为自己找到了“自由意志”躲藏的位置：“它”可能与“前扣带回”密切相关 。
假如人们在神经元中发现了“算法”与“心法”的共同秘密，那种可能产生的震撼、无奈、乃至虚空，也许是输给阿尔法狗之后的40亿（最早生命出现的历史）倍。
你的快乐、悲伤、思念、灵感、爱意、冲动，对时光的追忆，对未来的憧憬，原来都只是一堆神经元和乱七八糟分子的集体行为。
抛开最好玩儿的自由意志不说，用还原论去打破黑盒子是值得赞赏的。因为我们不能用神秘主义去解释神秘主义，用一个黑盒子去装另外一个黑盒子。
“惊人假说”另外的惊人之处，还在于：在洞察了大脑的内在机制之后，是否会通过逆向工程做些什么？正如人们今天对基因所做的。
如同评论者所说，随着分子神经科学的顺利进展，以及计算机复制了越来越多的人类智能，克里克的假说似乎是真的。
如此说来，自然智能和人工智能，其实都是机器智能的一种。
08
图灵在 1936年的一篇原创论文中写到，他在发明那台作为计算机前身的理论设备时，原本是在尝试复制出“人类计算实数的过程”。
阿尔法狗之父哈萨比斯认为，人工智能要从机器学习和系统神经科学中获得启发。
对比国际象棋，围棋的算法很难通过一个合适的评价函数来定义谁是赢家。用DeepMind首席设计师的话来说，最难的部分是：
象棋是个毁灭性的游戏，棋子越来越少，游戏也变得越来越简单。
围棋是个建设性的游戏，开始棋盘是空的，子越下越多。
围棋需要对不确定性的未来作出判断，这点很难。顶尖高手的确需要一流的“直觉”。于是，阿尔法狗的设计者通过深度神经网络模仿人类的这种直觉行为。
直觉也是可以被计算的。
“一切皆计算”，来自英国哲学家托马斯·霍布斯，被认为是人类历史上最伟大的思想之一。
托马斯·霍布斯一方面创立了机械唯物主义的完整体系，认为宇宙是所有机械地运动着的广延物体的总和。另一方面，他认为人性的行为都是出于自私的，这也成为哲学人类学研究的重要理论。
最伟大的头脑，总是会触及算法和心法的两极。
图灵与其追随者们证明了：
理性可以通过物理计算过程实现；
简单的机器可以完成任何计算；
由简化过的神经元搭建而成的神经网络可以实现很复杂的功能。
史蒂芬·平克由此总结，大脑的认知特性可以用物理术语来解释：
信念：不过是一种信息；
思考：只是一种计算过程；
动机：则是一种反馈和控制系统。
以上概念转化为文学语言，就是方鸿渐在《围城》里的台词：哪里有什么爱情，压根儿就是生殖冲动！
史蒂芬·平克认为该理念的伟大之处体现在两个方面：
第一，它让人类对宇宙的认知过渡到自然主义阶段，从而摒弃了超自然的灵魂、精神、幽灵的干扰。
第二，这种理性的计算理论开启了一扇通往人工智能的大门：会思考的机器。
《计算机与人脑》是冯·诺伊曼留给人世的最后瑰宝。他对计算机和人脑的思考，即使到了今天也令人惊叹。
他在书中得出结论：
“神经系统基于两种类型通信方式，一种不包含算术形式体系，一种是算术形式体系。也就是说，一种是指令的通信（逻辑的通信），一种是数字的通信（算术的通信）。前者可以用语言叙述，而后者则是数学的叙述。”
在这个模仿游戏中，正如飞机的发明不用100%仿造飞鸟，计算机的算法也无需（目前更多是不能）复制人脑。
人脑与电脑，数字与模拟，理性与计算，算法与心法，如同纷杂的神经元般，交织在一起。
09
作为业余围棋爱好者，我仍然坚持去那些仍然在坚持着的报刊亭买《围棋天地》，然而其内容的精彩程度已经大不如前。AI用其更高的胜率，毁掉了人类围棋的乐趣。由此可见，人类的不靠谱，例如对耳赤之局的过分吹捧，有着真理之外的价值和意义。
杂志上棋谱的讲解，再也没有大师们个性十足（充满偏见）、但又趣味盎然的讲解。职业棋手们现在变得只会说，AI认为下在这里赢棋的概率更大。
为什么呢？
AI并不会告诉你。
算法只说怎么下，但不负责解释为什么。
AI靠模仿人类下棋的直觉赢了人类，但是它们没有学会像木谷实和吴清源这类大师一样，能够向弟子们讲解棋道，棋理，以及具体局面的招数变化和计算。
确切说，AI解释了你们人类也不懂。
所以，它只给出答案：走在A处，（全局）胜率62.%；B、59.2%；C、55.7%。
AI毫无温度。
不久之前，AI的大部分从业者仍是通过逻辑来处理AI技术。例如深蓝的团队里，还是需要职业棋手的介入。
现在呢？受益于计算力的大幅提升，通过庞大的神经网络，用巨大的矢量来表示内部含义，不再采用逻辑推理的方法，人们让神经网络自己学习。
一切都变了。
与传统机器学习不同，深度学习是由AI直接从事物原始特征出发，自动学习，生成高级的认知结果。
在输入的数据和其输出的答案之间，存在着“隐层”，即所谓“黑箱”。
这个黑箱既无法观察，亦无法理解。
即使AI能够解释，我们也不懂。哥伦比亚大学的机器人学家 Hod Lipson称之为：“这就像是向一条狗解释莎士比亚是谁。”
费曼深恶痛绝的黑盒子又出现了。曾经为坚守“因果论”而不愿相信上帝是在扔骰子的爱因斯坦，也不会喜欢计算机在最难的智力游戏中击败人类，但又说不出为什么。
但是，爱因斯坦自己拉小提琴时，想过五音六律与怡情悦性之间的逻辑关系吗？
假如计算机是在模仿大脑，算法出现黑盒子也不奇怪。人的大脑更是一个无法理解的黑盒子，甚至是人类意义上，这个宇宙中最黑的黑盒子。
对于每一秒的输入，人类大脑大概有一万个参数来处理。如此庞大的系统，其如何工作？并且能耗如此之低？
我们认为自己理解自己的大脑，是因为大脑有一部分专门来给自己讲故事，让你自己觉得一切都是连贯的，世界是有前因后果的。
想一下耳赤之局的故事，你每天都在自己的脑袋里编造这类神话，幻庵的耳朵真的红过吗？那个医生是被杜撰出来的吗？甚至于，那一场传奇对局，真的发生过吗？
通过对围棋的反思，我们此前相当多对围棋的理解都是错的。如此说来，什么叫做“可理解性”？
AI也许会发展出某种模式与人类沟通，就像我们大脑深处的“自我意识”。如此一来，它若想要欺骗我们，会把我们骗得非常舒服。
假如，AI确实有欺骗我们的动机的话。
10
图灵奖得主朱迪亚·珀尔认为 ：当下的AI只是曲线拟合，而不是真正的智能。
珀尔说，除非算法和由它们控制的机器能够推理因果关系，或者至少概念化差异，否则它们的效用和通用性永远不会接近人类。
朱迪亚·珀尔以人工智能概率方法的杰出成绩和贝叶斯网络的研发而知名。2011年，他因通过概率和因果推理的算法研发在人工智能取得的杰出贡献而获得图灵奖，被称为贝叶斯网络之父。
为了证明上帝的存在，18世纪的贝叶斯悄悄写下了从未发表的概率统计公式。作为一名神职人员和业余数学家，他的这个公式朴素，简单，“主观”，甚至令人生疑。
这个公式所主张的观点也毫不起眼：“用客观的新信息更新我们最初关于某个事物的信念后，我们就会得到一个新的、改进了的信念。”
阿尔法狗的算法，用到了蒙特卡洛方法。这是一种通过随机模拟，以概率统计理论为指导的计算方法。
随机模拟的思想很早就有了，但受限于取得随机数的难度。蒙特卡洛方法的出现得益于现代电子计算机的诞生。这个名字来自摩纳哥那个著名的赌场。
上世纪90年代，马尔科夫链蒙特卡洛计算方法引入到贝叶斯统计学，令贝叶斯统计蓬勃发展。
诺贝尔经济学奖获得者托马斯·萨金特说，人工智能其实就是统计学，只不过用了一个很华丽的辞藻。好多的公式都非常老，但是所有的人工智能利用的都是统计学来解决问题。
南加州大学信息科学家巴特·卡斯科认为：人工智能=高速计算机上运行的老算法
所以机器不会思考。它们更类似于函数，即将输入变为输出。
他说，大数据和机器学习中最流行的两种算法：无监督算法，监督算法，都是现代统计学中同一标准算法——期望最大化算法的特例。大多数所谓的人工智能只不过是“机器爬山算法”而已。
麻省理工学院的一篇论文指出：
创建类人的学习和思考的机器需要他们能够构建出世界的因果模型，能够理解和解释他们的环境，而不仅仅是使用模式识别来解决问题。
这样的系统必须建立在物理(物理学)和社会(心理学)科学的基础上，才能具备对世界进行直观推理的能力，从而使机器能够“迅速获取知识，并将其推广到新的任务和情况中”。
亚里士多德说：“受过教育的人的标志，是有能力接受一种思想而不接受事物本身。”
目前的AI，不具备这种特征。
朱迪亚·珀尔们试图发展人工智能推理因果关系的能力。简而言之，他们希望自己发明的人类有史以来最强大的人工智能机器，不要成为下面这种“人”：只计利害，不问是非。
然而，何谓“因果关系”？
也许正如休谟所说：我们只不过发展了一个思考习惯，把总是前后相继的两类客体或事件联系起来，除此之外，我们无法感知到原因和结果。
11
大脑最神奇之处，也许在于它会思考自己。
历经40亿年从单细胞开始的进化，采用扔骰子和修修补补的工作方法，我们的大脑得以拥有如今这个面貌。
大脑的愚蠢之处就不必说了，你没法用它算一个两位数乘法，没法用它在茫茫人海中避开一个渣男，甚至没法用它来利索地决定今天吃啥。而大脑的厉害之处，则令整个宇宙惊叹。
物理学家劳伦斯·克劳斯说：
尽管计算机的存储和运算能力在过去的 40年时间里有了指数级的增长，但是能思考的计算机需要一个与现在的计算机几乎毫无相似之处的数字架构。它们也不可能在短期内变得有竞争意识。
原因只有一个：能耗。
他做了一个计算：鉴于电子计算机目前的功耗，一台拥有人类大脑存储和运算能力的计算机将会需要超过 10太瓦（ terawatts）的能量。
这个数字什么概念？占到了全人类电能消耗总量的两成。
而人脑呢？只消耗 10瓦能量。
二者相差1万亿倍。
这个计算也许有个问题，AI更可能是以网络的形态出现的，而非复制一个“人”。智人战胜了脑容量更具优势的尼安德特人，除了运气和残忍，是因为智人构建了网络。
我们并不需要复制一个人类大脑。这个超级网络可能会把无数个人类大脑都连接进去。每个个体，包括人和机器，都变成了神经元。
抛开这些，大脑里的神奇装置，是这个宇宙里比黑洞还要黑一千亿倍的秘密。
又或许，宇宙不过是某个人大脑的快照？
快乐和悲哀可以计算吗？机器会有同情心吗？人工智能可以理解痛苦吗？那种真正的痛苦。它们能够分不清生殖冲动和爱吗？分清很容易，有本事你也分不清试试看！机器会有动机吗？人工智能会赋予那些没有意义的意义吗？例如将教堂里的分子结构并无差别的水视为圣水。
我很高兴这些问题没有答案，我也不介意人类就是生活在一个虚拟网络里的幻想。嘿，这是谁干的？你的手艺真棒，一切都太真实啦！
人类还远没到要抛弃大脑的时候。在漫长的进化进程中，我们还是那么蠢也许是有原因的。即使将来AI真的统治了这个世界，也许依然会豢养人类来获取某种随机性，以及不稳定的情绪体验。
耳赤之局不过如此，但“耳朵红”很有趣。
12
至此，你会发现，利用大脑的特性，我们至少会获得两个方向的乐趣，以及两种思考的模式。
我并不打算来构建“算法”与“心法”的概念和关系。
例如：阿尔法狗的“算法”其实是模仿人类的直觉；
例如：一代科学在范式转移后的下一代科学眼中，从“算法”沦落为“心法”。
“算法”与“心法”也不简单是计算与直觉的关系。
埃德尔曼认为存在两种主要的思维模式——模式识别和逻辑。
考虑到所面对的新奇事物的广泛多样，首要的模式就是模式识别。这主要表现在格式塔响应、词汇排序和各种分类行为中。它非常强大，但是因为需要广度，它损失了一些特异性。
在一些情形中，可以用逻辑来消除模糊性。显然，借助受控的科学观察可以有效提高特异性和一般性。
这个从广度到特异性的变化，可以被认为反映了基于脑的认识论和传统认识论之间的生成关系。
阿尔法狗通过模仿人类的直觉，选出高手最可能下的几手棋，解决思考的广度问题。然后计算每一手的终局胜率，解决思考的深度问题。
人工智能教父杰弗里·辛顿一直致力于探寻一个高效的深度学习算法，像人类习得知识一样，能够从一个庞大且多维的数据集合中梳理其复杂的结构。
“算法”和“心法”是有趣和混乱的概念，某种大脑亲生的混乱。
朱迪亚·珀尔对因果建模的执着追求，恰是人类“心法”的呈现。以统计学或盲模型的方式运行AI，既是AI本身的限制，又是人类科研的限制。
哲学家Stephen Toulmin认为：基于模型与盲模型的二分法，是理解巴比伦与古希腊科学之间竞争的关键。
他的解释非常有趣：
巴比伦天文学家是黑箱预测的高手，在准确性和一致性方面远远超过了古希腊人。
然而科学却青睐希腊天文学家的创造性思辨战略。
古希腊的埃拉托斯特尼测量出了地球的半径，这绝对不会发生在巴比伦。
朱迪亚·珀尔得出结论：人类的AI不能单纯地从盲模型的学习机器中出现，它需要数据和模型的共生协作。
我赞赏爱因斯坦和珀尔在黑盒子面前的唐吉柯德精神。也许，我们不该再像爱因斯坦那样反对上帝是在扔骰子。
但我们需要去探索上帝扔的是什么样的骰子，以及如何扔骰子。
13
从世俗的角度理解，智慧可分为两种：
一种是用来适应和征服世界的，例如投机家，成功人士，名利场上的赢家，苟且偷生者。
一种是用来理解和预测未来的。例如科学家，经济学家，理论信奉者，第一性原理信奉者，捍卫因果论的斗士。
有些人飞翔其间，有些人两边行骗。
前者强调大自然的算法，以及有效地适应环境。对环境、资源、不确定性、反脆弱，有着惊人的直觉；后者追求精确的公式，优雅地诠释经验。在我看来精确的诠释（用公式用算法），和人文的诠释（用概念），只要是求真的，其实是一致的。
我赞成巴黎矿院前任校长雷蒙德·费斯彻赛尔对智慧的定义：
“有效地关注重要之事。这样的智慧，因为反思、理解并欣赏生活而伟大，并不仅仅因为掌控生活而伟大。”
《经验的疆界》一书认为，从经验中获取智慧的模式可以分为两种：
第一种模式，低智学习。是指在不求理解因果结构的情况下复制与成功相连的行动。
第二种模式，高智学习。是指努力理解因果结构并用其指导以后的行动。
实际的学习是两种模式兼而有之，尤其是厉害的人，两头都很强。
我们不能简单地将心法与低智学习（这个名字容易让人产生歧义）关联，也不能认为高智学习就是算法。两种学习方法都有令人惊叹之处，也有着各自的难题。
有些时候，我们自己也分不清楚。就像耳赤一手，之前它被认为是算法，后来被发现只是一个神话。
一旦进入大脑层面，这个问题就更加复杂。因为构建物质世界和精神世界彼此间的因果关系，看起来相当虚无缥缈。
但至少有一点，我相信埃德尔曼的观点：
科学是由可验证真理支撑的想象。当然，它的终极力量在于理解，并且就如我们看到的，它在技术上的成就让人震惊。
但是科学想象力的大脑源头与诗、音乐或伦理体系的建立所必需的没有区别。由于神经达尔文主义的模型承认人类思维的历史性和创造性的一面，因此，在科学和人文之间的背离是没有必要的。
14
算法和心法，科学与人文，是我们理解这个“竟然可以理解的世界”的两个轮子。在本文的自由飞翔之后，我对二者之间的关系，有一个具体的建议。
围棋AI将人类的“心法”，我是指那种一直被人类歌颂的、在其它领域仍然被信奉着的“天生智慧”，逼出了那个19✖️19的有着无穷变化的棋盘。这件事给我的最大启发是：让算法和心法保持距离。
尽管二者之间有不可切断的交织，但是尽量把它们拉开，是一种有益的做法。
具体而言：尽量拉开算法和心法，并缩小各自的半径。将尽可能多的空间留给未知。
这是一个对模糊概念的模糊建议，由此熬出的鸡汤也是老生常谈。
达里欧的“塑造者”的概念，可以拿来作为我的论据。
塑造者既有大图景，又能在小细节上实现。
愿景需要非常原创，足够宏大，是超级理想主义者；
细节需要坚决实现，决不妥协，是极端现实主义者。
地球的确是被上述这类人统治着的。
你要有一个宏大的梦想，梦想本身要大到不允许被人质疑；你要有可计算的具体行为，具体到允许被人质疑。
将中间地带留给“不知道”，留给学习、成长和自我塑造。
15
人类会继续下围棋，但是那种“人是万物之灵”的自信，已经不能再以围棋为证据了。
在算法和心法之间预留空间，一方面，为“对心法步步紧逼”的算法留下腾挪之地，另一方面，也令心法本身更有意义。
真正的危险，是在二者交织地带或强词夺理，或自暴自弃。例如用心法来计算，用算法来剥夺心法。
浅薄和讹妄，在于混淆了计算与神话的界限。神话只能作为一种远程的指引，并不能作为中距离或者近距离的思考工具和计算方法。
此外，在我们的有生之年，该担心的不是机器变成人，而是人变成机器。
纯粹的还原论者值得尊敬，他们冒着毁掉声誉的风险，本文提到的几位大师，恰恰是在拿到人类最高级别的智慧奖项后，一猛子扎进未知世界，瞄准算法、意识等问题最艰深、最容易一无所获的领域。
纯粹的还原论者并非极端的还原论者。因为纯粹，他们不仅执着，也有温度，闪耀着人性的光芒。
一样值得歌颂的，还有纯粹的人文主义者。就像科学家们在普鲁斯特的小说里，发现了与脑神经科学一致的对记忆的洞察。
将世界切割为原子的科学家们，与将生活幻化成意识流的艺术家们，令科学逻辑与故事逻辑交融在一起。
鄙视哲学家的费曼，用一种充满哲学意味的话语写道：
继续向上走，我们会遇到魔鬼、美和希望…….
借用一下宗教的隐喻，哪一端更靠近上帝呢。美和希望？还是基本定律？
我认为正确的答案当然是要寻找事物之间联系的整体结构；一切科学，不仅仅是科学，还包括各种知识和成果，都是在寻找层次之间的联系，美与历史的联系，历史与人类心灵的联系，人类心灵与脑活动的联系，大脑与神经脉冲的联系，神经脉冲与化学的联系，等等，上下层相互联系。
而在今天，不管我们如何自信，我们已无法在两头之间画出一条明确的界线，因为我们已开始明白层次是相对的。
我也不认为哪一端会更靠近上帝。
机器的算法和人类的心法，将携手令我们的未来更值得期待。
我们要在算法和心法之间，腾出地方，交给AI，人类自己则继续向未知世界探索，利用碳基生物与生俱来的那种无知和混乱所带来的进化契机，结合AI进化加速力量，发现遥远宇宙的秘密，寻求更长的寿命，甚至在时间的深处找回我们失去的记忆和亲人。同时，克服贪婪，避免自我毁灭。
参考读物：《如何思考会思考的机器》，《计算机与人脑》，《第二自然》，《惊人的假设》，《神经的逻辑》，《普鲁斯特是个神经学家》等。
相关阅读
希望通过我们的几篇文章，能够帮助你更好的了解A/B测试和置信区间，一起实现用A/B测试驱动产品优化。A/B测试的实质是对照试验，即通过
经典指标：SAR算法和应用SAR又叫抛物线转向指标，是一种经典的判断股市转势和顶底的指标。以下我们来看下SAR指标的算法和应用，看下这
计算用户/物品相似度，以相似度作为权重，对不同物品进行评分预测，从而实现物品。什么是协同过滤先举个生活中的场景，你想听歌却不知道
堆排序(Heapsort)是指利用堆积树（堆）这种数据结构所设计的一种排序算法，它是选择排序的一种。 算法分析 在学习堆排序之前我们要先
目录•1.指数平滑定义及公式•2.一次指数平滑•3二次指数平滑•4.三次指数平滑•5指数平滑系数α的确定1、指数平滑的定义及公式