人的思維存在範式嗎？

01-14

能否將人的部分思維過程用形式化的範式加以描述?
現有演算法有沒有模仿人類思維方式的？哪些演算法是你認為最有可能模擬人類思維方式的？

這種問題我最拿手了~由於人的思維更加複雜，同時與人工智慧有相似的原理，這裡就先從人工智慧的簡單原理講起。

AlphaGo為代表的人工智慧，徹底的戰勝了人類的圍棋大師，震撼了全世界，那麼人工智慧的背後，有著怎樣的科技在支撐？

人工智慧、無人駕駛、語音圖片識別與大數據有什麼關係？海難空難如何搜救？垃圾簡訊、垃圾郵件如何識別？這些看起來彼此不相關的領域之間會有什麼聯繫嗎？答案是，它們都會用到同一個數學公式——貝葉斯公式。它雖然看起來很簡單、很不起眼，但卻有著深刻的內涵。那麼貝葉斯公式是如何從默默無聞到現在廣泛應用、無所不能的呢？先來看兩個經典例子。

1、天蠍號核潛艇搜救

2014年初馬航MH370航班失聯，所有人都密切關注搜救的進展情況。那麼我們是用什麼方法在茫茫大海中尋找失聯的飛機或者船隻的呢？這要從天蠍號核潛艇說起。

1968年5月，美國海軍的天蠍號核潛艇在大西洋亞速海海域突然失蹤，潛艇和艇上的99名海軍官兵全部杳無音信。按照事後調查報告的說法，罪魁禍首是這艘潛艇上的一枚奇怪的魚雷，發射出去後竟然敵我不分，扭頭射向自己，讓潛艇中彈爆炸。

為了尋找天蠍號的位置，美國政府從國內調集了包括多位專家的搜索部隊前往現場，其中包括一位名叫John Craven的數學家，他的頭銜是「美國海軍特別計劃部首席科學家」。在搜尋潛艇的問題上，Craven提出的方案使用了上面提到的貝葉斯公式。他召集了數學家、潛艇專家、海事搜救等各個領域的專家。每個專家都有自己擅長的領域，但並非通才，沒有專家能準確估計到在出事前後潛艇到底發生了什麼。有趣的是，Craven並不是按照慣常的思路要求團隊成員互相協商尋求一個共識，而是讓各位專家編寫了各種可能的「劇本」，讓他們按照自己的知識和經驗對於情況會向哪一個方向發展進行猜測，並評估每種情境出現的可能性。據說，為了給枯燥的工作增加一些趣味，Craven還準備了威士忌酒作為「投注」正確的獎品。

因為在Craven的方案中，結果很多是這些專家以猜測、投票甚至可以說賭博的形式得到的，不可能保證所有結果的準確性，他的這一做法受到了很多同行的質疑。可是因為搜索潛艇的任務緊迫，沒有時間進行精確的實驗、建立完整可靠的理論，Craven的辦法不失為一個可行的辦法。

由於失事時潛艇航行的速度快慢、行駛方向、爆炸衝擊力的大小、爆炸時潛艇方向舵的指向都是未知量，即使知道潛艇在哪裡爆炸，也很難確定潛艇殘骸最後被海水衝到哪裡。Craven粗略估計了一下，半徑20英里的圓圈內的數千英尺深的海底，都是天蠍號核潛艇可能沉睡的地方，要在這麼大的範圍，這麼深的海底找到潛艇幾乎成了不可能完成的任務。

Craven把各位專家的意見綜合到一起，得到了一張20英裏海域的概率圖。整個海域被劃分成了很多個小格子，每個小格子有兩個概率值p和q，p是潛艇躺在這個格子里的概率，q是如果潛艇在這個格子里，它被搜索到的概率。按照經驗，第二個概率值主要跟海域的水深有關，在深海區域搜索失事潛艇的「漏網」可能性會更大。如果一個格子被搜索後，沒有發現潛艇的蹤跡，那麼按照貝葉斯公式，這個格子潛艇存在的概率就會降低：

由於所有格子概率的總和是1，這時其他格子潛艇存在的概率值就會上升：

每次尋找時，先挑選整個區域內潛艇存在概率值最高的一個格子進行搜索，如果沒有發現，概率分布圖會被「洗牌」一次，搜尋船隻就會駛向新的「最可疑格子」進行搜索，這樣一直下去，直到找到天蠍號為止。

最初開始搜救時，海軍人員對Craven和其團隊的建議嗤之以鼻，他們憑經驗估計潛艇是在爆炸點的東側海底。但幾個月的搜索一無所獲，他們才不得不聽從了Craven的建議，按照概率圖在爆炸點的西側尋找。經過幾次搜索，潛艇果然在爆炸點西南方的海底被找到了。

由於這種基於貝葉斯公式的方法在後來多次搜救實踐中被成功應用，現在已經成為海難空難搜救的通行做法。

2009年法航空難搜救的後驗概率分布圖：

2014馬航MH370失聯搜索區域：

2、聯邦黨人文集作者公案

1787年5月，美國各州（當時為13個）代表在費城召開制憲會議；1787年9月，美國的憲法草案被分發到各州進行討論。一批反對派以「反聯邦主義者」為筆名，發表了大量文章對該草案提出批評。憲法起草人之一亞歷山大·漢密爾頓著急了，他找到曾任外交國務秘書（即後來的國務卿）的約翰·傑伊，以及紐約市國會議員麥迪遜，一同以普布利烏斯（Publius）的筆名發表文章，向公眾解釋為什麼美國需要一部憲法。他們走筆如飛，通常在一周之內就會發表3-4篇新的評論。1788年，他們所寫的85篇文章結集出版，這就是美國歷史上著名的《聯邦黨人文集》。

《聯邦黨人文集》出版的時候，漢密爾頓堅持匿名發表，於是，這些文章到底出自誰人之手，成了一樁公案。1810年，漢密爾頓接受了一個政敵的決鬥挑戰，但出於基督徒的宗教信仰，他決意不向對方開槍。在決鬥之前數日，漢密爾頓自知時日不多，他列出了一份《聯邦黨人文集》的作者名單。1818年，麥迪遜又提出了另一份作者名單。這兩份名單並不一致。在85篇文章中，有73篇文章的作者身份較為明確，其餘12篇存在爭議。

1955年，哈佛大學統計學教授Fredrick Mosteller找到芝加哥大學的年輕統計學家David Wallance，建議他跟自己一起做一個小課題，他想用統計學的方法，鑒定出《聯邦黨人文集》的作者身份。

但這根本就不是一個小課題。漢密爾頓和麥迪遜都是文章高手，他們的文風非常接近。從已經確定作者身份的那部分文本來看，漢密爾頓寫了9.4萬字，麥迪遜寫了11.4萬字。漢密爾頓每個句子的平均長度是34.55字，而麥迪遜是34.59字。就寫作風格而論，漢密爾頓和麥迪遜簡直就是一對雙胞胎。漢密爾頓和麥迪遜寫這些文章，用了大約一年的時間，而Mosteller和Wallance甄別出作者的身份花了10多年的時間。

如何分辨兩人寫作風格的細微差別，並據此判斷每篇文章的作者就是問題的關鍵。他們所採用的方法就是以貝葉斯公式為核心的包含兩個類別的分類演算法。先挑選一些能夠反映作者寫作風格的辭彙，在已經確定了作者的文本中，對這些特徵辭彙的出現頻率進行統計，然後再統計這些辭彙在那些不確定作者的文本中的出現頻率，從而根據詞頻的差別推斷其作者歸屬。這其實和我們現在使用的垃圾郵件過濾器的原理是一樣的。

他們是在沒有計算機幫助的條件下用手工處理「大數據」，這一工程的耗時耗力是可想而知的。將近100個哈佛大學的學生幫助他們處理數據。學生們用最原始的方式，用打字機把《聯邦黨人文集》的文本打出來，然後把每個單詞剪下來，按照字母表的順序，把這些單詞分門別類地彙集在一起。有個學生幹得累了，伸了個懶腰，長長地呼了一口氣。他這一口氣用力太猛，一下子把剛剛歸置好的單詞條吹得如柳絮紛飛，一屋子學生瞬間石化，估計很多人連滅了他的心都有。而這只是手工大數據時代的日常。

Mosteller和Wallance這是要在乾草垛里找繡花針。他們首先剔除掉用不上的辭彙。比如，《聯邦黨人文集》里經常談到「戰爭」、「立法權」、「行政權」等，這些辭彙是因主題而出現，並不反映不同作者的寫作風格。只有像「in」，「an」，「of」，「upon」這些介詞、連詞等才能顯示出作者風格的微妙差異。一位歷史學家好心地告訴他們，有一篇1916年的論文提到，漢密爾頓總是用「while」，而麥迪遜則總是用「whilst」。但僅僅有這一個線索是不夠的。「while」和「whilst」在這12篇作者身份待定的文章里出現的次數不夠多。況且，漢密爾頓和麥迪遜有時候會合寫一篇文章，也保不齊他們會互相改文章，要是漢密爾頓把麥迪遜的「whilst」都改成了「while」呢？

當學生們把每個單詞的小紙條歸類、粘好之後，他們發現，漢密爾頓的文章里平均每一頁紙會出現兩次「upon」，而麥迪遜幾乎一次也不用。漢密爾頓更喜歡用「enough」，麥迪遜則很少用。其它一些有用的辭彙包括：「there」、「on」等等。1964年，Mosteller和Wallance發表了他們的研究成果。他們的結論是，這12篇文章的作者很可能都是麥迪遜。他們最拿不準的是第55篇，麥迪遜是作者的概率是240：1。

這個研究引起了極大的轟動，但最受震撼的不是憲法研究者，而是統計學家。Mosteller和Wallance的研究，把貝葉斯公式這個被統計學界禁錮了200年的幽靈從瓶子中釋放了出來。

一、什麼是貝葉斯公式

18世紀英國業餘數學家托馬斯·貝葉斯提出過一種看上去似乎顯而易見的觀點：「用客觀的新信息更新我們最初關於某個事物的信念後，我們就會得到一個新的、改進了的信念。」這個研究成果，因為簡單而顯得平淡無奇，直到他死後的兩年才於1763年由他的朋友理查德·普萊斯幫助發表。它的數學原理很容易理解，簡單說就是，如果你看到一個人總是做一些好事，則會推斷那個人多半會是一個好人。這就是說，當你不能準確知悉一個事物的本質時，你可以依靠與事物特定本質相關的事件出現的多少去判斷其本質屬性的概率。用數學語言表達就是：支持某項屬性的事件發生得愈多，則該屬性成立的可能性就愈大。與其他統計學方法不同，貝葉斯方法建立在主觀判斷的基礎上，你可以先估計一個值，然後根據客觀事實不斷修正。

1774年，法國數學家皮埃爾-西蒙·拉普拉斯獨立地再次發現了貝葉斯公式。拉普拉斯關心的問題是：當存在著大量數據，但數據又可能有各種各樣的錯誤和遺漏的時候，我們如何才能從中找到真實的規律。拉普拉斯研究了男孩和女孩的生育比例。有人觀察到，似乎男孩的出生數量比女孩更高。這一假說到底成立不成立呢？拉普拉斯不斷地搜集新增的出生記錄，並用之推斷原有的概率是否準確。每一個新的記錄都減少了不確定性的範圍。拉普拉斯給出了我們現在所用的貝葉斯公式的表達：

P(A/B)=P(B/A)*P(A)/P(B)，

該公式表示在B事件發生的條件下A事件發生的條件概率，等於A事件發生條件下B事件發生的條件概率乘以A事件的概率，再除以B事件發生的概率。公式中，P(A）也叫做先驗概率，P(A/B)叫做後驗概率。嚴格地講，貝葉斯公式至少應被稱為「貝葉斯-拉普拉斯公式」。

二、默默無聞200年

貝葉斯公式現在已經非常流行，甚至在熱門美劇《生活大爆炸》中謝耳朵也秀了一下。但它真正得到重視和廣泛應用卻是最近二三十年的事，其間被埋沒了200多年。這是為什麼呢？原因在於我們有另外一種數學工具——經典統計學，或者叫頻率主義統計學（我們在學校學的主要是這種統計學），它在200多年的時間裡一直表現不錯。從理論上講，它可以揭示一切現象產生的原因，既不需要構建模型，也不需要默認條件，只要進行足夠多次的測量，隱藏在數據背後的原因就會自動揭開面紗。

在經典統計學看來，科學是關於客觀事實的研究，我們只要反覆觀察一個可重複的現象，直到積累了足夠多的數據，就能從中推斷出有意義的規律。而貝葉斯方法卻要求科學家像算命先生一樣，從主觀猜測出發，這顯然不符合科學精神。就連拉普拉斯後來也放棄了貝葉斯方法這一思路，轉向經典統計學。因為他發現，如果數據量足夠大，人們完全可以通過直接研究這些樣本來推斷總體的規律。

打個比方來幫助我們理解這兩種統計學方法的區別。假如我們想知道某個區域裏海拔最低的地方，經典統計學的方法是首先進行觀測，取得區域內不同地方的海拔數據，然後從中找出最低點。這個數據量必須足夠多，以反映區域內地形全貌的特徵，這樣我們才能相信找到的就是實際上的最低點。而貝葉斯方法是我不管哪裡最低，就憑感覺在區域內隨便選個地方開始走，每一步都往下走，雖然中間可能有一些曲折，但相信這樣走早晚能夠到達最低點。可以看出，貝葉斯方法的關鍵問題是這個最終到達的低點可能不是真正的最低點，而是某個相對低點，它可能對該區域的地形（碗型、馬鞍形等）和最初我們主觀選擇的出發點有依賴性。如果問題域是碗型的，我們到達的就是最低點；但如果是馬鞍形或者其他複雜曲面，那麼我們到達的可能是多個相對低點（極點）中的一個，而不是真正的最低點。這是貝葉斯方法最受經典統計學方法詬病的原因，也是它在過去的200多年被雪藏的原因所在。

貝葉斯方法原理示意圖：

三、初顯威力

長期以來，貝葉斯方法雖然沒有得到主流學界的認可，但其實我們經常會不自覺地應用它來進行決策，而且還非常有效。比如炮兵在射擊時會使用貝葉斯方法進行瞄準。炮彈與子彈不同，它的飛行軌跡是拋物線，瞄準的難度更大，因此他們會先根據計算和經驗把炮管調整到一個可能命中的瞄準角度（先驗概率），然後再根據炮彈的實際落點進行調整（後驗概率），這樣在經過2-3次射擊和調整後炮彈就能夠命中目標了。

在日常生活中，我們也常使用貝葉斯方法進行決策。比如在一個陌生的地方找餐館吃飯，因為之前不了解哪家餐館好，似乎只能隨機選擇，但實際上並非如此，我們會根據貝葉斯方法，利用以往積累的經驗來提供判斷的線索。經驗告訴我們，通常那些坐滿了客人的餐館的食物要更美味些，而那些客人寥寥的餐館，食物可能不怎麼樣而且可能會被宰。這樣，我們就往往通過觀察餐廳的上座率來選擇餐館就餐。這就是我們根據先驗知識進行的主觀判斷。在吃過以後我們對這個餐館有了更多實際的了解，以後再選擇時就更加容易了。所以說，在我們認識事物不全面的情況下，貝葉斯方法是一種很好的利用經驗幫助作出更合理判斷的方法。

而正是天蠍號核潛艇搜救和聯邦黨人文集作者公案，兩個標誌性的事件在讓學術界開始重視貝葉斯方法上起到了重要作用。

與計算機的結合使貝葉斯公式巨大的實用價值進一步體現出來，它不但為我們提供了一條全新的問題解決路徑，帶來工具和理念的革命，而且甚至可能是人類大腦本身的認知和構建方式。

貝葉斯公式在聯邦黨人文集作者公案和天蠍號核潛艇搜救中大顯身手後，開始引起學術界的注意和重視，而其上世紀八十年代在自然語言處理領域的成功，向我們展示了一條全新的問題解決路徑。計算能力的不斷提高和大數據的出現使它的威力日益顯現，一場轟轟烈烈的「貝葉斯革命」正在發生。

四、真正的突破

自然語言處理就是讓計算機代替人來翻譯語言、識別語音、認識文字和進行海量文獻的自動檢索。但是人類的語言可以說是信息里最複雜最動態的一部分。人們最初想到的方法是語言學方法，讓計算機學習人類的語法、分析語句等等。尤其是在喬姆斯基（有史以來最偉大的語言學家）提出「形式語言」以後，人們更堅定了利用語法規則的辦法進行文字處理的信念。遺憾的是，幾十年過去了，在計算機語言處理領域，基於這個語法規則的方法幾乎毫無突破。

其實早在幾十年前，數學家兼資訊理論的祖師爺香農 (Claude Shannon)就提出了用數學方法處理自然語言的想法。遺憾的是當時的計算機根本無法滿足大量信息處理的需要，所以他的這一想法並沒有引起重視。

率先成功利用數學方法解決自然語言處理問題的是語音和語言處理大師賈里尼克 (Fred Jelinek)。他引入一個全新的視角，認為語音識別就是根據接收到的一個信號序列推測說話人實際發出的信號序列（說的話）和要表達的意思。這就把語音識別問題轉化為一個通信問題，而且進一步可以簡化為用貝葉斯公式處理的數學問題。

一般情況下，一個句子中的每個字元都跟它前面的所有字元相關，這樣公式中的條件概率計算就非常複雜，難以實現。為了簡化問題，他做了兩個假設：

1、說話人說的句子是一個馬爾科夫鏈，也就是說，句子中的每個字元都只由它前一個字元決定；
2、獨立輸入假設，就是每個接受的字元信號只由對應的發送字元決定。

這樣的簡化看起來有點簡單粗暴，每個字元在語義上都是和文章的其他部分相關的，怎麼可能只跟它前一個字元相關呢？很多人不相信用這麼簡單的數學模型能解決複雜的語音識別、機器翻譯等問題。其實不光是一般人，就連很多語言學家都曾質疑過這種方法的有效性。但事實證明，這個基於貝葉斯公式的統計語言模型比任何當時已知的藉助某種規則的解決方法都有效。賈里尼克和貝克夫婦在七十年代分別獨立提出用這個模型進行語音識別，八十年代微軟公司用這個模型成功開發出第一個大辭彙量連續語音識別系統。現在我們手機上的語音識別和語音輸入功能都已經非常成熟而且好用了。

更加可貴的是，這種語音識別系統不但能夠識別靜態的詞庫，而且對辭彙的動態變化具有很好的適應性，即使是新出現的辭彙，只要這個詞已經被大家高頻使用，用於訓練的數據量足夠多，系統就能正確地識別。這反映出貝葉斯公式對現實變化的高度敏感，對增量信息有非常好的適應能力。

自然語言處理方面的成功開闢了一條全新的問題解決路徑：

1、原來看起來非常複雜的問題可以用貝葉斯公式轉化為簡單的數學問題；
2、可以把貝葉斯公式和馬爾科夫鏈結合以簡化問題，使計算機能夠方便求解；雖然我們不完全了解為什麼這種看似粗暴的簡化並不影響我們的研究過程，但從實踐看來它非常有效；
3、將大量觀測數據輸入模型進行迭代——也就是對模型進行訓練，我們就可以得到希望的結果。

隨著計算能力的不斷提高、大數據技術的發展，原來手工條件下看起來不可思議的進行模型訓練的巨大工作量變得很容易實現，它們使貝葉斯公式巨大的實用價值體現出來。

五、經典統計學的困難和貝葉斯革命

1、經典統計學的困難

當貝葉斯方法在實際應用中不斷證明自己的同時，經典統計學卻遇到了困境。經典統計學比較適合於解決小型的問題，同時該方法要求我們獲得足夠多的樣本數據，而且要求這些樣本能夠代表數據的整體特徵。在處理涉及幾個參數的問題時，它可以得心應手。但如果相對於問題的複雜程度，我們只掌握少量的信息時，經典統計學就顯得力不從心了，原因就是數據的稀疏性問題。

都大數據時代了，還存在數據稀疏性問題嗎？答案是肯定的。具體來說，一個取決於n個參數，並且每個參數只有兩種表現（0或者1）的系統，共有2的n次方種現象。如果某類癌症的產生過程中有100個基因參與（這其實很保守了，人類總共有幾萬個基因），那麼它有2的100次方種可能的基因圖譜；根據採樣定理進行估算，採用經典統計學方法至少需要獲得1%-10%的樣本才能確定其病因，也就是需要製作出數萬億億億個患有該疾病的病人的基因圖譜！這不具備可操作性。所以用經典統計學方法無法解釋由相互聯繫、錯綜複雜的原因（相關參數）所導致的現象。

2、貝葉斯網路帶來工具革命

而目前的情況是，相對簡單的問題已經解決得差不多了，剩下的都非常複雜。龍捲風的形成、星系的起源、致病基因、大腦的運作機制等，要揭示隱藏在這些問題背後的規律，就必須理解它們的成因網路，把錯綜複雜的事件梳理清楚。由於經典統計學失效，科學家別無選擇，他們必須從眾多可能奏效的法則中選擇一些可以信任的，並以此為基礎建立理論模型。為了能做出這樣的選擇，為了能在眾多可能性中確定他們認為最為匹配的，過去，科學家多少是依靠直覺來彌補數據上的缺失和空白。而貝葉斯公式正好以嚴謹的數學形式幫他們實現了這一點。科學家把所有假設與已有知識、觀測數據一起代入貝葉斯公式，就能得到明確的概率值。而要破譯某種現象的成因網路，只需將公式本身也結成網路，即貝！葉！斯！網！絡！，它是貝葉斯公式和圖論結合的產物，一種全新的科學高效的工具。

網路化想法的提出也不是一帆風順的。直到上世紀80年代，美國數學家朱迪亞·珀爾才證明，使用貝葉斯網路應該可以揭示複雜現象背後的成因。操作原理是這樣的：如果我們不清楚一個現象的成因，首先根據我們認為最有可能的原因來建立一個模型；然後把每個可能的原因作為網路中的節點連接起來，根據已有的知識、我們的預判或者專家意見給每個連接分配一個概率值。接下來只需要向這個模型代入觀測數據，通過網路節點間的貝葉斯公式重新計算出概率值。為每個新數據、每個連接重複這種計算，直到形成一個網路圖，任意兩個原因之間的連接都得到精確的概率值為止，就大功告成了。即使實驗數據存在空白或者充斥雜訊和干擾信息，不懈追尋各種現象發生原因的貝葉斯網路依然能夠構建出各種複雜現象的模型。貝葉斯公式的價值在於，當觀測數據不充分時，它可以將專家意見和原始數據進行綜合，以彌補測量中的不足。我們的認知缺陷越大，貝葉斯公式的價值就越大。

心血管疾病成因的貝葉斯網路

和前面提到的馬爾可夫鏈類似，我們可以假設貝葉斯網路中每個節點的狀態值取決於其前面的有限個狀態。不同的是，貝葉斯網路比馬爾可夫鏈靈活，它不受馬爾可夫鏈的鏈狀結構的約束，因此可以更準確地描述事件之間的相關性。可以說，馬爾可夫鏈是貝葉斯網路的特例，而貝葉斯網路是馬爾可夫鏈的推廣，它給複雜問題提供了一個普適性的解決框架。

為了確定各個節點之間的相關性，需要用已知數據對貝葉斯網路進行迭代和訓練。由於網路結構比較複雜，理論上，用現有的計算機是不可計算的（基於馮·諾依曼結構的計算機無法解決這種NP複雜度的問題，NP（Non-deterministic Polynomial）指用非確定機在多項式時間內可以解決的問題類）。但對於一些具體的應用，可以根據實際情況對網路結構（採用網路拓撲的圖同構技術）和訓練過程進行簡化，使它在計算上可行。如果量子計算機開發成功，將能夠完全解決其計算問題。這樣，貝葉斯公式為科學家開闢的新路就完全打通了。

今天一場轟轟烈烈的「貝葉斯革命」正在發生：生物學家用貝葉斯公式研究基因的致病機制；基金經理用貝葉斯公式找到投資策略；互聯網公司用貝葉斯公式改進搜索功能，幫助用戶過濾垃圾郵件；大數據、人工智慧和自然語言處理中都大量用到貝葉斯公式。既然在手工時代，我們無法預測到今天貝葉斯公式與計算機結合的威力，那麼我們怎麼能忽視貝葉斯網路與量子計算機結合可能蘊藏的巨大潛力呢？

3、人類大腦的構建方式？

貝葉斯公式不僅在自然科學領域掀起革命，它的應用範圍也延伸到了關於人類行為和人類大腦活動的研究領域。教育學家突然意識到，學生的學習過程其實就是貝葉斯公式的運用；心理學家證明貝葉斯方法是兒童運用的唯一思考方法，其他方法他們似乎完全不會。進一步，心理學研究的成果使科學家思考人類的大腦結構是否就是一個貝葉斯網路。這個公式不僅是研究人類思維的工具，它可能就是大腦本身的構建方式。這個觀點十分大膽，但獲得越來越廣泛的認可。因為貝葉斯公式是我們在沒有充分或準確信息時最優的推理結構，為了提高生存效率，進化會向這個模式演進。貝葉斯公式突然滲透到一切科學領域，提供了通用的研究框架，這是十分罕見的事情。

人工智慧近年來取得了長足的進步，但目前的人工智慧通常需要從大量的數據中進行學習（需要大數據的支持），而人類具有「僅從少量案例就形成概念」的能力，兩者之間存在巨大差距。比如，儘管你這輩子只見過一個菠蘿，但你一眼就能看出菠蘿的特徵，很快就能從一堆水果中認出菠蘿來，甚至還能在紙上畫出菠蘿的簡筆畫，而目前的人工智慧演算法得看成千上萬張菠蘿的圖片才能做到。人工智慧最典型的代表AlphaGo，也是建立在千萬甚至過億次的圍棋對弈的基礎上才戰勝人類的，也需要大數據的支持，同樣的，目前的語音識別、文字識別、圖片識別也是建立在大數據的基礎之上。

不過，這種情況或許已經開始改變了。2015年底，一篇人工智慧論文登上了《科學》雜誌的封面，為人們帶來了人工智慧領域的一個重大突破：三名分別來自麻省理工學院、紐約大學和多倫多大學的研究者開發了一個「只看一眼就會寫字」的計算機系統。只需向這個系統展示一個來自陌生文字系統的字元，它就能很快學到精髓，像人一樣寫出來，甚至還能寫出其他類似的文字——更有甚者，它還通過了圖靈測試，我們很難區分下圖中的字元是人類還是機器的作品。這個系統採用的方法就是貝葉斯程序學習——一種基於貝葉斯公式的方法。這不但是人工智慧領域的重大突破，而且為我們認識人腦的學習機制提供了重要參考。

人和機器作品對比圖（圖片來源：science）

六、理念的革命

這不僅僅是一場科學的革命，同樣也是一場理念的革命。當科學不斷強調其對世界認識的客觀性時，貝葉斯公式卻融入了主觀性因素：它並不向我們表述世界，而是表述我們所掌握的知識和經驗。這些帶有觀察者個人因素的知識是脫離研究現象本身的；而它在向我們描述外部現實世界的同時，也描述了觀察者對現實的認知的缺陷。更重要的，它迫使我們認識到，科學理論和科學模型反映的是現實的心理意象，而不是現實本身。而現實為我們提供數據，以保證對現實的意象不會離現實本身太遠。在尋找各種現象原因的同時，它也在規範著我們的思想。

七、貝葉斯公式這麼牛，與我何干？

我們經常需要在信息不充分或者不準確的情況下進行判斷和決策，一條街上哪個飯館最靠譜？在自習室驚鴻一瞥的女神有沒有男朋友？老公的公文包里發現一隻口紅，他有沒有出軌？新開發的App應該等做得盡善盡美再發布，還是應該儘早發布，用互聯網的力量幫助它完善？我應該選擇哪個工作offer或者還是考公務員才能使自己的收益最大化？

貝葉斯公式為我們提供了一些決策原則：

平時注意觀察和思考，建立自己的思維框架，這樣在面臨選擇時就容易形成一個接近實際情況的先驗概率，這樣經過少量的試錯和糾錯的迭代循環就可能得到理想的結果；在經過很多次選擇和實踐的歷練後就能夠形成自己的直覺，在面對陌生情況時，根據自己的經驗和少量信息就能夠快速地做出比較準確的判斷。
大數據時代獲得信息的成本越來越低，社會也變得更加開放和包容，初始狀態（先驗概率）的重要性下降了，即使最初選擇不理想，只要根據新情況不斷進行調整，仍然可以取得成功。所以如果當下覺得很難做出選擇，那就傾聽內心的聲音，讓直覺來選擇，這有利於治療選擇恐懼症。

以開發App的例子來說，先按照自己的想法弄個可用的原型出來，然後充分利用互聯網的力量，讓活躍的用戶社區幫助它快速迭代，逐漸使它的功能和體驗越來越好。

對新鮮事物保持開放的心態，願意根據新信息對自己的策略和行為進行調整。

「大膽假設，小心求證」，「不斷試錯，快速迭代」，這些都可以看成貝葉斯公式的不同表述。英國哲學家以賽亞·伯林（Isaish Berlin）曾經援引古希臘詩人的斷簡殘片「狐狸多知而刺蝟有一大知」，將人的策略分為狐狸和刺蝟兩類。刺蝟用一個宏大的概念解釋所有現象，而狐狸知道很多事情，用多元化的視角看待問題，它也願意包容新的證據以使得自己的模型與之相適應。在這個快速變化的時代，固守一個不變的信條的刺蝟很難適應環境的變化，而使用貝葉斯公式的靈活的狐狸才更容易生存。

參考文獻

《新發現》雜誌2013年2月：解密世界的方程式

吳軍：《數學之美》

何帆：《先放一把火》

科學松鼠會：死理性派是怎麼判斷漂亮女孩是不是單身的？

統計之都創作小組：失聯搜救中的統計數據分析

推薦同樣用科學解釋世界的經典文章——

生命起源（上）結構篇——細胞膜結構

生命起源（中）能量篇——上帝的造物之手

靈魂阿賴耶識人工智慧自我意識與情感感知理解反思處境行為學習記憶推理建模博弈非完整信息盲人畫家

西安交通大學教授鄭南寧：人工智慧的下一步是什麼？―中國教育和科研計算機網CERNET

西安交通大學教授鄭南寧：人工智慧的下一步是什麼？

2016-12-15 中國教育網路

院士談信息領域的顛覆性技術

編者按：

　　10月25～26日，「國際工程科技發展戰略高端論壇——信息領域的顛覆性技術」在西安開幕，百餘名國內外院士、專家出席，現場聽眾近700人。本次論壇的主題是「信息領域的顛覆性技術」。論壇由中國工程院主辦，西安交通大學、中國工程院信息與電子工程學部共同承辦，是中國工程院信息學部最重要的年度學術活動。本屆論壇設置主題演講、分論壇兩大環節，26位專家將各自研究領域所獲得的傑出成就發表演講，研究範圍涉及人工智慧、認知計算、人機交互、雲計算、知識自動化、機器人、大數據、虛擬現實、集成電路、高性能計算、空天一體化信息網路、計量檢測等領域。擷取部分與會嘉賓的精彩觀點與讀者一起分享。

鄭南寧：人工智慧的下一步是什麼？

鄭南寧：中國工程院院士、西安交通大學電信學院教授

　　隨著2006年Hinton等人提出深度學習概念，人工智慧研究進入了嶄新的發展時期，也不斷地影響、推進著相關眾多產業、行業的快速發展。人工智慧「精彩回歸」，重新受到學術界、產業界等社會各界的廣泛關注。

　　人工智慧是研究人類智能活動的規律，構造具有一定智能的人工系統，使機器能夠像人一樣思維和認知。當前人工智慧的研究前沿之一是如何實現由完整信息到非完整信息的處理，構建更加健壯的人工智慧，使人工智慧系統對用戶錯誤、目標偏差、錯誤模型以及未建模對象具有更好的適應性。無人駕駛就是一種典型的非完整信息處理問題。

　　由於我們不可能為所有的問題建模，「未知的未知」問題對構建穩健的人工智慧系統提出了挑戰。為了設計更加健壯的人工智慧，需要採用穩健優化、學習因果模型和組合模型等方法來提高人工智慧建模問題的穩健性。

　　要設計更加健壯的人工智慧，首先要提升對於模型錯誤的穩健性，對風險敏感的目標進行優化，採用穩健推理的演算法，如採取謹慎的策略提升應對建模錯誤情況下的魯棒性；其次，需提升對於為建模問題的穩健性，擴充模型、學習因果模型、採用組合模型監測模型表現以檢測異常等。

　　從人工智慧的研究來看，我們長期以來堅持兩個目的：一是如何使機器更加聰明，二是如何用機器模擬人的智能，同時能夠發展出更聰明的機器幫助人類更好地發展。從人的角度來思考，建立一種智能系統需要以下基本的因素：它必須要適應我們的世界，要具備學習的能力，同時需要有記憶能力，在學習記憶的基礎上完成推理，另外在推理的過程中還必須建立一種因果模型。

　　直覺推理可以看成兩個方面：一個是物理層面的推理，就是可以跨越時間尺度給出判斷和情景演變的過程；另一個是心理層面的推理。無人駕駛車事故的例子，說明無人駕駛車是在非完整信息下出現的問題。如何在不完整信息下讓機器做出正確判斷，使得機器具有推理和自主學習的能力，這樣的過程是健壯的人工智慧能夠實現的。

　　人的認知過程，在很多場合下是從全局到局部的，在大量先進知識的前提下，往往是一種自上而下的過程。我們做了一個讓計算機實現對人體運動進行分析的實驗，並選擇了樂團的指揮。樂團的指揮實際上是樂團的靈魂，在樂團演出中每一個人都要按照指揮的動作把曲子用自己演奏的樂器表達出來。通過身上的標記點把指揮的動作通過攝像機模擬出來，把一個指揮家的動作合成以後，我們讓機器來指揮。

　　人工智慧是一門綜合性的前沿學科和交叉學科，其發展與信息科學、認知科學、神經生物學、心理學、數學等學科深度融合。發展人工智慧要做到「兩手抓」，即一方面要踏踏實實積極推進人工智慧的基礎理論研究，另一方面要重視人工智慧在重大學科領域和重大工程中的實踐應用。開展科學研究的目的是造福人類，但在歷史進程中，科學技術也曾被別有用心者利用而阻礙了社會發展，甚至給人類帶來災難。

　　實現類人水平的人工智慧還需要迎接哪些挑戰？一是如何讓機器在沒有人類的幫助下學習，二是如何讓機器像人類一樣感知和理解世界，三是如何讓機器具有自我意識、情感以及反思自身處境與行為的能力。使機器具有自我意識和反思能力是類人智慧最難的挑戰，無論對科學和哲學來說，這都是一個引人入勝的探索領域。

　　未來三十年，人工智慧將在計算能力、人工智慧系統等方面催生顛覆性技術，其研究成果將在社會管理、國防、生命健康、金融、能源、農業、工業等眾多領域大放光彩，人工智慧也將迎來新的發展高潮。未來，人工智慧將滲透到人們生活中的各個角落，成為人們生活中不可或缺的組成部分。

　　（本文根據鄭南寧在「國際工程科技發展戰略高端論壇」上的講話整理，未經本人確認）

=-===========================================================================

中國工程院院士鄭南寧：人工智慧發展應明確方向

中國工程院院士鄭南寧：人工智慧發展應明確方向_人工智慧,機器,挑戰,智能製造及工業4.0-中國智能製造網

2016年06月21日 11:32:28中國智能製造網人氣：30906

　　【中國智能製造網名家論談】不久前，圍棋軟體「阿爾法圍棋」戰勝圍棋世界冠軍李世石，讓人們驚嘆人工智慧發展取得的成就。這是否意味著機器即將獲得類人智能呢？現在得出這樣的結論還為時過早，但確實需要思考人工智慧的發展方向問題。

中國工程院院士鄭南寧：人工智慧發展應明確方向

當前，人工智慧在發展中面臨三大挑戰。

第一大挑戰是讓機器在沒有人類教師的幫助下學習。人類的很多學習是隱性學習，即根據以前學到的知識進行邏輯推理，以掌握新的知識。然而，目前的計算機並沒有這種能力。

迄今為止，最成功的機器學習方式被稱為「監督式學習」。與老師教幼兒園孩子識字一樣，機器在每次學習一項新技能時，基本上都要從頭開始，需要人類在很大程度上參與機器的學習過程。要達到人類水平的智能，機器需要具備在沒有人類過多監督和指令的情況下進行學習的能力，或在少量樣本的基礎上完成學習。也就是說，機器無須在每次輸入新數據或者測試演算法時都從頭開始學習。

【修行人解讀人類的學習能力依據唯識學，關鍵是阿賴耶識種子依，人類的學習能力是存在於人的整個生命體的靈命之中。後天的教育與學習，不是人類學習能力的全部，否則不能解釋莫扎特8歲就可以作曲，並且8是的作品一直流傳至今，不斷演奏而具有生命的感召力。也許隨著科學的發展，阿賴耶識的種子依，也會被人類證明。人工智慧現在只是被動的監督式學習，達不到主動地隱性學習，更談不到阿賴耶識種子的流轉】

第二個挑戰是讓機器像人類一樣感知和理解世界。觸覺、視覺和聽覺是動物物種生存所必需的能力，感知能力是智能的重要組成部分。在對自然界的感知和理解方面，人類無疑是所有生物中的佼佼者。如果能讓機器像人類一樣感知和理解世界，就能解決人工智慧研究長期面臨的規劃和推理方面的問題。雖然我們已經擁有非常出色的數據收集和演算法研發能力，利用機器對收集的數據進行推理已不是開發先進人工智慧的障礙，但這種推理能力建立在數據的基礎上，也就是說機器與感知真實世界仍有相當大的差距。如果能讓機器進一步感知真實世界，它們的表現也許會更出色。要達到人類水平的智能，機器需要具備對自然界的豐富表徵和理解能力，這是一個大問題。儘管圍棋很複雜，讓計算機在棋盤上識別最有利的落子位置也很難，但與精確地表徵自然界相比，描述圍棋對弈的狀態顯然要簡單得多，兩者之間的差距還要幾十年甚至更長時間才能彌合。

【修行人解讀人類之所以具有感知和理解世界的能力，首先是人類文明4萬年以來發展與進化的結果。在印尼的原始森林的存在的原始部落，由於他們與現代社會存在數千年的隔絕，原始部落的人群的感知和理解的世界，就與現代社會人群感知和理解的世界大大不同，原始部落拋棄吃人的高尚習俗還是近30年的事情。

所以，對於人類為何具有的感知和理解世界的能力，是屬於人類意識與靈魂的範疇，作為科學家的院士，有此犯下凡重大失誤也是可以理解。鄭南寧，男，漢族，1952年12月生，祖籍陝西西安，出生於江蘇南京。1975年畢業於西安交通大學電機工程系；1981年西安交通大學獲工學碩士學位。畢竟院士的生活的年代與社會環境背景是那樣的。

但是院士對於人類的博弈與計謀，還是有深刻的認知。儘管圍棋很複雜，讓計算機在棋盤上識別最有利的落子位置也很難，但與精確地表徵自然界相比，描述圍棋對弈的狀態顯然要簡單得多，兩者之間的差距還要幾十年甚至更長時間才能彌合。】

第三個挑戰是讓機器具有自我意識、情感以及反思自身處境與行為的能力。這是實現類人智能最艱難的挑戰。具有自我意識以及反思自身處境與行為的能力，是人類區別於其他生物最重要、最根本的一點。另外，人類的大腦皮層能力是有限的，如果將智能機器設備與人類大腦相連接，不僅會增強人類的能力，而且會使機器產生靈感。讓機器具有自我意識、情感和反思能力，無論對科學和哲學來說，都是一個引人入勝的探索領域。

【修行人解讀人工智慧具有人類自我意識，是完全不可能的。人類的自我意識，是因為人類與宇宙生命體是一體的。人類至今都無法解讀意識的機理，今後也解讀不了。靈命與靈魂問題，是一個遠遠超越人類本身的哲學問題，也是人類的終極問題。

世界，也許就是一個宇宙大生命的模擬的、夢幻的鏡像，宇宙的本體在哪裡呀？這是一個不是人工智慧的科學院士，可以回答的問題。】

人工智慧的發展能不斷幫助人類，但它同時也是一把「雙刃劍」。我們要警惕人工智慧給人類帶來的負面影響，關注人工智慧的發展將帶來的深刻倫理道德問題。我們需要的是幫助人類而不是代替人類的人工智慧。發展人工智慧的目的不是把機器變成人，也不是把人變成機器，而是要擴展人類的智能，解決人類社會發展面臨的重大問題。這是科學界、各國政府和人類社會在人工智慧發展上應認真對待的問題。需要確立倫理道德的約束監督機制，使人類免受人工智慧不當發展帶來的負面影響。(來源：人民日報原標題：中國工程院院士鄭南寧：發展有助於人類的人工智慧)

文章鏈接：中國智能製造網 http://www.gkzhan.com/news/detail/88302.html

============================================================================

鄭南寧：發展強人工智慧需從腦認知和神經科學尋求啟示

鄭南寧：發展強人工智慧需從腦認知和神經科學尋求啟示-新聞-科學網

當前，人工智慧已經成為席捲社會各界的熱潮。今年7月，國務院印發了《新一代人工智慧發展規劃》，一系列支持政策和措施正在逐步推進。在日前在濟南舉辦的2017中國自動化大會上，中國工程院院士鄭南寧向記者表示，當前，人工智慧滲透到了社會各個領域，但目前來看，無論是深度學習還是其它方法，解決的都是單一問題，而人類大腦是一個多問題求解的結構，「當前急需發展強人工智慧，而這可以從腦認知和神經科學中得到啟示」。

鄭南寧指出，人類面臨的許多問題都具有不確定性、脆弱性和開放性。今天人工智慧的理論框架，建立在演繹邏輯和語義描述的基礎方法之上，但我們不可能對人類社會所有問題都進行建模，因為我們不能把一個行為的所有條件都模擬出來，這就是傳統人工智慧的局限性。

「因此，我們要建造一種更加健壯的人工智慧，需要腦認知和神經科學的啟發」，鄭南寧指出，計算機和人類大腦是為問題求解的物質基礎。在智力和計算能力方面，計算機遠遠超過了人類，但是人類面對的大部分問題都是開放的、動態的、複雜的，大腦在處理這種問題時表現出的想像和創造，還有對複雜問題的分析和描述，是傳統人工智慧方法所不能企及的，因此，我們只能從人類大腦的神經網路結構中，去獲得構造新的人工智慧的因素。

鄭南寧介紹，人類大腦非常奇妙，正是在這個物質基礎之上，才演義出人類世界的發展和為問題求解的各種方法，「大腦不是通過一個統一的、未分化的神經網路，來實現單一的全景優化學習。大腦是模塊化的，具有獨特且相互作用的系統來支持認知功能，如記憶、注意、語言和認知控制。腦認知和神經科學的研究成果，可以為解決人工智慧長期存在的規劃與推理問題提供新的方法」。

鄭南寧進一步介紹，人的大腦有800億個神經元容量。我們可以通過大腦的結構連接、功能連接和有效連接的聚合與分離來洞察大腦的認知機理，「大腦的結構連接是相對靜態的，而功能連接和有效研究則具有時空動態演化的特性。有效連接描述了神經元之間的因果與相互影響關係」。

「直覺推理、認知推理和因果模型是構建健壯的人工智慧必須考慮的基本因素」，鄭南寧最後表示。

=========================================================================

【解讀新一代人工智慧規劃】鄭南寧院士：混合增強智能——協同與認知

2017-08-04 16:06人工智慧/操作系統/人類

人工智慧是一種引領許多領域產生顛覆性變革的使能技術，合理並有效地利用人工智慧技術，意味著價值創造和競爭優勢。為搶抓人工智慧發展的重大戰略機遇，依託我國應用需求和市場的巨大優勢，加快建設創新型國家和世界科技強國，在黨中央、國務院統一部署和要求下，《新一代人工智慧發展規劃》（以下簡稱規劃）對我國人工智慧發展戰略做了全面部署，明確了我國人工智慧發展的總體要求及三步走的戰略目標，並將人機協同的混合增強智能作為規劃部署的五個重要方向之一。

智能機器與各類智能終端已經成為人類的伴隨者，人與智能機器的交互、混合是未來社會的發展形態。人機協同的混合增強智能是新一代人工智慧的典型特徵。

當前的人工智慧系統在不同層次都依賴大量的樣本訓練完成有監督的學習。真正的通用智能會在經驗和知識積累的基礎上靈巧地無監督學習。如果僅僅是利用各種人工智慧計算模型或演算法的簡單組合，不可能得到一個通用的人工智慧。特定領域的人工智慧系統如谷歌的Alpha Go、IBM的深藍和Watson等依賴強大的計算能力在挑戰人類智力方面取得了巨大進步，但這些系統還無法通過自身思考得到更高層次的智能，它們與具有高度自主學習能力的通用人工智慧依然存在著差距。但是，人工智慧在這些特定領域應用的巨大成功為我們研究與發展新一代人工智慧提供了重要的借鑒和新的方法。

人類面臨的許多問題具有不確定性、脆弱性和開放性，也是智能機器的服務對象和最終「價值判斷」的仲裁者，因此，人類智能與機器智能的協同是貫穿始終的。任何智能程度的機器都無法完全取代人類，這就需要將人的作用或認知模型引入到人工智慧系統中，形成混合-增強智能形態，這種形態是人工智慧或機器智能的可行的、重要的成長模式。

混合增強智能形態可分為兩種基本實現形式：人在迴路的混合增強智能，基於認知計算的混合增強智能。

一、人在迴路的混合增強智能

將人的作用引入到智能系統中，形成人在迴路的混合智能範式。在這種範式中人始終是這類智能系統的一部分，當系統中計算機的輸出置信度低時，人主動介入調整參數給出合理正確的問題求解，構成提升智能水平的反饋迴路。

把人的作用引入到智能系統的計算迴路中，可以把人對模糊、不確定問題分析與響應的高級認知機制與機器智能系統緊密耦合，使得兩者相互適應，協同工作，形成雙向的信息交流與控制，使人的感知、認知能力和計算機強大的運算和存儲能力相結合，構成「1+1&>2」的智能增強智能形態。

在當前大數據、深度學習在不同領域不斷取得突破性成果之際，更需要清楚認識到，即使為人工智慧系統提供充足、甚至無限的數據資源，也無法排除人類對它的干預。例如，面對人機交互系統中對人類語言或行為的細微差別和模糊性的理解，特別是將人工智慧技術應用於一些重大領域（如產業風險管理、醫療診斷、刑事司法、自主駕駛、社會輿情分析、智能機器人等）時，如何避免由於人工智慧技術的局限性而帶來的風險、失控甚至危害？這就需要引入人類的監督與互動，允許人參與驗證，提高智能系統的置信度，以最佳的方式利用人的知識，最優地平衡人的智力和計算機的計算能力，從而實現大規模的非完整、非結構化知識信息的處理，有效避免由於當前人工智慧技術的局限性而引發的決策風險和系統失控等問題。

二、基於認知計算的混合增強智能

在人工智慧系統中引入受生物啟發的智能計算模型，構建基於認知計算的的混合增強智能。這類混合智能是通過模仿生物大腦功能提升計算機的感知、推理和決策能力的智能軟體或硬體，以更準確地建立像人腦一樣感知、推理和響應激勵的智能計算模型，尤其是如何建立因果模型、直覺推理和聯想記憶的新計算框架。

對當前人工智慧而言，解決某些對人類來說屬於智力挑戰的問題可能是相對簡單的，但是解決對人類來說習以為常的問題卻非常困難。例如，很少有三歲的孩童能下圍棋（除非受過專門的訓練），但所有的三歲孩童都能認出自己的父母，且不需要大量經過標註的人臉數據集的訓練。人工智慧研究的重要方向之一是借鑒認知科學、計算神經科學的研究成果，使計算機通過直覺推理，經驗學習將自身引導到更高層次的。

另外，在現實世界中，人們無法為所有問題建模，這裡存在條件問題（Qualification Problem）和分支問題（Ramification Problem），即不可能枚舉出一個行為的所有先決條件，也不可能枚舉出一個行為的所有分支。而人腦對真實世界環境的理解、非完整信息的處理、複雜時空關聯的任務處理能力是當前機器學習無法比擬的，還有人的大腦神經網路結構的可塑性，以及人腦在非認知因素和認知功能之間的相互作用，它們是形式化方法難以、甚至不能描述的。人腦對於非認知因素的理解更多的來自於直覺，並受到經驗和長期知識積累的影響。人腦所具有的自然生物智能形式，為提高機器對複雜動態環境或情景的適應性，以及非完整、非結構化信息處理和自主學習能力，為構建基於認知計算的混合-增強智能提供了重要啟示。

認知計算架構可以將複雜的規劃、問題求解與感知和動作模塊相結合，有可能解釋或實現某些人類或動物行為以及他們在新的環境中學習和行動的方式，可以建立比現有程序計算量少得多的人工智慧系統。在認知計算的框架下，可以構建更加完善的大規模數據處理和更多樣化的計算平台，也可為多代理系統解決規劃和學習模型的問題，以及為新的任務環境中的機器協同提供新的模式。

人工智慧追求的長期目標是使機器能像人一樣感知世界和解決問題。當前的人工智慧已不是一個獨立、封閉和自我循環發展的智能科學體系，而是通過與其他科學領域的交叉結合融入到人類社會進化的過程中，並將深刻改變人類社會生活，改變世界。

世界，也許就是一個宇宙大生命的模擬的、夢幻的鏡像，宇宙的本體在哪裡呀？這是一個不是人工智慧的科學院士，可以回答的問題。】

==============================================

https://zhuanlan.zhihu.com/p/31699318嘉露蓮、布琴科夫、派保、菲蒂帕、沈冰山盲人畫家 30歲失明Bramblitt現能見更多顏色陶進失明人水墨世界

說起繪畫藝術來，許多人都說：畫畫是視覺藝術。確實，繪畫藝術作品的創造靠直覺和直觀，但人們往往把這直觀的「觀」簡單地理解為是視覺。在中國傳統文化中「直觀」不僅包括眼睛「看」這種「觀」，而且包括遠遠超過這種意義的深刻認識。「觀」這個詞，在中國傳統文化中，其意義是繁多的，但是，有幾層意義，是值得特別重視的。在《說文解字》中，釋「觀」為「諦視也」。「諦」則釋為「審」。就是說，這種「觀」不是一般的看，它要達到的目的，也不是一般所要達到的目的。這在《易傳》中，更明確地指出：「常事曰視，非常曰觀」。老子在《道德經》中所用之「觀」，正是在這種「非常」的意義上。「道可道，非常道」。其所指是，「道」乃「非常」，不可言說。雖然不可言說，但卻可以「觀」。因此，「直觀」就中國傳統文化而言，必須從超越眼睛看這種意義上去領會，才能進入事情的本質。

其實，人了解信息和掌握信息是有很多渠道的，人的六根②即眼、耳、鼻、舌、身、意的互用就足以證明了這一點。當然，眼睛是最便捷獲得信息的渠道之一，但並不是唯一。著名科學家錢學森教授說：「有的人與常人不同的實踐，也就有一種特別的思維，他能處理普通人扔掉的信息」。每當我帶著盲人繪畫班的學生去公園、郊外去寫生花卉時，盲人學生都能用手辯認出紅花、藍花、白花……這是因為不同色彩的花朵在溫度上有一點點差別，而使盲人認出它們的顏色，這叫以手代目；每當我帶著盲人學生去樹林中畫樹時，總會有盲人對我說：「這有一隻美麗的小蟲站在樹葉上」，我看了半天都沒看見，於是盲人拉著我朝他嗅到氣味的方向走去，把樹葉一翻開，原來漂亮的小蟲就在我們身邊，我卻看不到。然而盲人以鼻代目卻看到了並在地上畫給我看「它是園形的紅色的，然後在紅色的園中有規律的點上七個黑點」此時，七星螵蟲活靈活現的展示在我眼前；每當我帶著盲人學生到山裡去畫大山時，盲人學生通過雙耳聽山中的迴音，從而觀察出山的近遠、大小、多少並畫出來。這叫做以耳代目。這就是普通人扔掉的信息，即認定沒有眼睛觀察就無法做畫的道理。

從遠古記載的所有資料中，我們也可以清楚地看到這樣一個事實，在人類還沒有創造出文字之前人類就用繪畫、舞蹈等進行交流，這就是與人類象思維有關的形象思維的問題。是的，象思維乃是人生來的一種本能，一種本原性的思維③。只是這種「本能」或「本原」在概念思維占統治地位，或者說概念思維成為思維「常態」之後，人的這種「本能」或「本原」就經常被遮蔽或被抑制，久而久之甚至有所退化。例如，傳統中國文人，許多人都是琴、棋、書、畫四樣都會的，至少精通書法、會作詩。但是，現在，就是從中文系畢業，從事文化或文藝事業的人，不用說琴、棋、書、畫中四種都會，就是能作詩的，又有幾個？在這裡，確實可用老子的名言「為學日益，為道日損」來解釋這種「退化」現象。老子批評的「學」，在春秋末期，主要是指儒家為代表的「禮樂」文化。「禮」之「明份」，「樂」之「合同」，無論是作為理論規定，還是作為治國的典章制度，都是一種理性化的表現。從思維方式上看，也是強化概念思維的表現。為什麼「為學日益，為道日損」？就在於作為「禮樂」的「學」，在概念思維的框架里出現僵化，從而使顯示宇宙萬物一體相通的「道」受「損」，即出現堵塞。現代人，其所以缺乏象思維，正是這種在概念思維框架中所顯示的「為學日益，為道日損」。從現代腦科學的意義上看，用《數字化生存》的作者尼葛洛龐蒂的話來說，就是只用左腦而使右腦萎縮。

但是人們卻沒有意識到這種右腦萎縮的可怕性，有些人反而指責別人對右腦的開發，對人的潛能挖掘，諸如：繪畫藝術又不是鬧著玩的，沒有雙眼是不可能畫畫的。

那麼我又是怎樣教盲人學畫畫的呢，概括而言：一聽，聽理念課樹立信心戰勝自己的弱點，聽用筆在紙上組成不同造型時的聲音特點，聽自然界美好的氛圍之聲，從而激發自己的創作衝動。二嗅，讓盲人學生嗅出不同五顏六色的味道，嗅出濃淡墨色的味道，嗅出一幅新國畫構圖的墨味布置和五顏六色的分布來。三比，拿著盲人的手當畫筆在畫紙上比畫著學構圖，在手掌心上練造型等等。四摸，摸我用硬紙剪出來的各種動物、植物的形狀及構圖等。五練，勤能補缺，用心苦練，早晨4—5點就起來靜心的用心聽毛筆在紙上造型時如春蠶吃葉的聲韻之味，並加以總結成為自己的心得。六評，我們老師再對盲人學生的國畫習作進行講評指導等。

特殊藝術中的盲人繪畫猶為特殊，盲人畫家嘉露蓮這樣說：我們行事為人，是憑著信念、信心，而不是憑著眼見。由於盲人失去了視力，他們認識色彩是憑著嗅覺和觸覺，他們深有體會的說：每一種色彩都有自己獨特的氣味。而且用手觸摸也會有不同的感覺。例如紅色使我的手指尖感到暖，而藍色則感到涼……。正因為他們不用視力去繪畫，所以她們的繪畫都不是寫實的，而是中國式的寫意畫，他們把用心去觀察到的事物憑藉著想像去創造，這就是特殊功能的繪畫藝術，是心靈的畫卷。正如印象派繪畫大師塞尚所講的：「藝術不是直接描繪，而是我心靈的作品」，這才充分體現了藝術挑戰精神的極限，只有這樣，繪畫才能治心明道，盲人才能從藝術中得到完美，所以盲人繪畫是特殊的，其創作的一般過程是這樣：她由一條嚮導狗帶領，拿著錄音機到風景區去散步，錄下水流，鳥鳴、風吹樹林、狗踏青草等聲響。回家後，反覆播放錄音帶，當這些感覺衝動使她得到一幅畫的意念和意象時，就要聚精會神，「發瘋似地畫起來」。她說：「我只是畫出我心中的畫，直到我的心感覺已經完成時為止」。盲人的畫就是這樣熱衷於表達心靈，表達內心的情緒，這些方面是複雜和潛在的，是非語言，非文字的，也就是說：繪畫藝術必須忠實於自己的感受，在表現自我感受的過程中不能照顧到誰，如把該照顧的都照顧完了，藝術家自身也就不存在了。是的，特殊藝術中的盲人繪畫正是按照「藝術上的突破，以思想上的突破居先。藝術上的變，以魂質上的升華更有價值。」去實踐的，當盲人畫家們在觀念上衝破繪畫一定要視覺的框架之後，就享受到了公民的權力，就明白了「等你逼近生命極限，把曾經想都不敢想的事也做過了，這就叫無憾的人生。」

John Bramblitt繪畫的方式與盲人閱讀的方式相同，通過觸摸紋理而感受。John Bramblitt通過使用一種特殊類型的油漆，在畫布上用線條創造屬於他的藝術品，他說，每種顏色顏料的手感不一樣，這樣調色是靠自己觸摸的感覺而決定。「有時候人們很難理解我是如何畫畫的，但這真的很簡單」他笑道「這需要耐心」。

在他的網站上他說：「我所作的基本上就是把所有能看見的畫家眼睛的工作用觸覺來代替。突起的線條讓你找到畫布上顏色的位置。」Bramblitt說失明對於他來說是生活的轉折點，因為他開始在最黑暗的洞穴中發現了出路，那就是藝術。他開始用速干顏料在畫布上畫出線條，將空白的畫布塗滿顏色。隨著他越畫越多，他發現每種顏色都有不同的質感。

神奇的盲人畫家和他的作品

神奇的盲人畫家和他的作品_趣聞趣事_中文幽默王

　　你能相信這些彩色畫作是出自一位盲人畫家之手嗎？沒錯，他就是現年53歲的土耳其畫家Esref Armagan，一出生就失明的他，卻可以畫出人物、山水、房屋、蝴蝶等，甚至還繪製了自己的肖像畫，而且可以很好的應用色彩、陰影、透視比例等繪畫技巧，是不是很神奇？

佛家的「天眼說」或修鍊界所謂的「第三隻眼」。

佛家的「天眼」說

「天眼」真的存在嗎？_本來如此_新浪博客

大約二十多年前，科學家們一直認為人的神經細胞分工很細。比如，視覺細胞只接收處理眼睛傳來的信號，而聽覺細胞只是對聲音有反應。但後來研究人員發現神經細胞其實可以有多種功能。比如在靈長類動物的實驗中，一些細胞既可以對手的觸摸有反應，同時也可以「看」得見距離這隻手幾厘米內的物體。

和李教授合作進行特異功能研究的物理學家陳建德教授則是從佛家「開天眼」的說法來解釋。天眼在人的兩眉之間往上一點連結松果體這個位置上。陳教授認為用手識字，可能就是這隻「天眼」發揮的功能，也就是修鍊界所說的第三隻眼所起的作用。

在許多古老文明的神像、祭司的面具上，或印度的佛像，道家的神像上在額頭的部位都不約而同地刻畫者這一隻眼睛。古希臘哲學家將其稱之為「靈魂的寶座」。

史記「扁鵲列傳」中記錄著神醫扁鵲具有「視人五臟顏色」的能力。他具有天眼，能透視人體，然後配合自己的醫學知識，幫人「看」病。這個例子在俄羅斯也有，根據真理報2004年1月的報導，俄羅斯的一個小女孩娜塔莎可透視人體內部器官，看到其中有病的部位。

從小失明的盲人畫家艾斯萊福·阿馬甘（Esref Armagan）和其風景畫作。

著名「盲人繪畫」的實例

2005 年1月的《新科學家》雜誌報導了一個從小失明的盲人畫家艾斯萊福·阿馬甘（Esref Armagan）畫圖的事例。按理說他這輩子完全沒看過任何景象，然而他卻可以畫出山川、湖泊、房屋、人物和蝴蝶，對於色彩、陰影和透視比例的處理亦非常專業。

哈佛大學的神經學學者阿爾瓦羅·帕斯庫爾-勒奧納（Alvaro Pascual-Leone）邀請阿馬甘到美國波士頓接受測驗。勒奧納教授也請阿馬甘作畫，畫一條伸向遠方的路和路邊的電燈柱。盲眼畫家一手作畫，另一手指尖觸摸紙面完成作品。

在視覺功能缺失時，人大腦中負責視覺功能的區域並不會停止工作。而掃瞄阿馬甘的大腦時，發現在他作畫的時候，這一區域也發光，正像他「看」到了一樣。

勒奧納教授說，阿馬甘雖然沒有光感，但是他的「觀察」能力與正常人不相上下，他還能將反映到他大腦中的物體在紙上完整地表達出來。

科學家因此認為：爭論多年的關於人的意識眼(mind eye)應該是存在的，而且每個人都有，但是有正常視力的人所感知的外部信息太強，從而將這種能力淹沒了，阿馬甘卻得以發揮了這種能力。

有些學者認為人體有許多潛在能力尚未被開發出來，而這隻天眼其實就是人的本能之一。

================================================================

列一種解釋（我曾通過多種形式解釋過）：

你可以：

大腦中想像學科的

1、主線邏輯導論、學科的目標構建一個框架；或第一層

2、細分子類概念、細分學科為小框架；或第二層

3、流程、工具、經驗模型為更小框架；或第三層

學習的過程，就是：

1、先定位，根據該概念、工具、經驗模型的特性，屬性什麼，和什麼有關，可以想像和之前的有什麼關聯，確定基於「基礎知識積累」之上的位置；

2、裝上去，從一點到另外一點，你可以看成是虛空連線般的摺疊。

3、修剪完善，驗證剛剛裝上去的新知識，修剪得更符合審美（保留這個詞）；

4、經常查漏補缺，把明顯空洞的補上去；已經裝上去的完善；

5、重複以上過程，從3面體到12面體，再到100面體；一個體，到無數個體；連接無數個體，直到一個世界。

這樣，不論你什麼時候學什麼東西（不同學科領域行業），是否有斷層，深度如何——均不影響你的成長。

以上，我個人總結的基於「系統思維」的學習方法。

【備註】其它可以看我的歷史回答和專欄。

我認為語文閱讀理解題就是這樣的，有自己的一套答題規範。

比如：環境描寫的作用：

一、交代事情發生的地點或背景，增加事情的真實性。

二、渲染氣氛。

三、烘託人物的心情。

四、反映人物的性格或品質。

五、推動情節的發展。

六、深化作品主題。

七。烘託人物。

（也許加上政治）

用一個並不恰當的比喻：往紙上灑點墨水，然後用畫筆完善它，最後畫成一幅蒙著麗紗（也可以是清明下河圖或蒼老師授課圖），大腦看著畫對自己說，老子一開始就想畫這個！

再打一個不恰當的比喻，天上有星星，用線串起來叫星座，但線不存在，星座也不存在。

我認為，人類的思維大部分都是範式的，而不是是否存在範式的問題。

我女兒嘗試會用手點電視選節目，是因為手機，平板都是可以用手點擊來使用的。沒人教她。

但是，還有個層次問題，索羅斯的反身性理論說，認知不準會導致行為偏差從而導致結果偏差，最後又反過來影響認知。

頻率學派和貝葉斯學派掏出了他們各自的尚方寶劍，正在前往戰場。

頻率學派表示：只要實驗作不死你就往死里做實驗

貝葉斯學派表示：一切不過是條件概率

這兩個可以說是非常經典的思維範式了。也是統計學玩家的掉頭髮的根源。

範式是指某一學科中一定時期內研究人員共同遵守的規則和方法~而不是指人的思維什麼鬼，不要亂用學術名詞。

如果你是後現代主義哲學的追隨者，世界萬物都不存在本質的規律，人的思維更是如此，不存在任何規律性的東西，也就無所謂用什麼套路來描述思維了。

但當下科學仍是現代主義哲學之上的，認知科學都假定能夠通過如機器語言等某一途徑「複製」人類的思維能力，這是一個在研究伊始就必須抉擇的立場問題，而不是一個可以探討驗證的研究問題。

正是和你一樣的狂想才使得人工智慧高歌猛進，但眼下這條路失敗是早晚的事。