智能并没有人们想象的那么玄乎，它不过是一种「预测未来的能力」罢了。这些预测的实质，不过是「生物的应激性」在「生物自平衡机制」&「环境压力」下产生的副产品。

从人们在接球这件事上表现出的智能，和草履虫向着食物划动所展现的应激性，又有什么本质的分别呢？

[caption id="attachment_36158" align="aligncenter" width="450"] 对狗进行的经典条件反射实验：铃声→唾液[/caption]

目前的深度学习技术只是通过建立数学模型并利用大量的样本数据，求出模型参数w和b，从而建立一个条件反射系统而已，但这绝不是真正的人工智能的主题。人工智能的目标是，建立概念认知系统，能够推理，能够独立解决问题。

“深度学习”不过是教会计算机像动物那样的“条件反射”而已，这是对“深度学习”的最通俗解释。这也是真正的“智商派”并不畏惧目前人工智能“深度学习”的真正原因。打败人类围棋选手的人工智能，中文名字就是“阿尔法狗”。在真正的“智商派”看来，却和跟动物的条件反射没什么区别。是的，不用怀疑“条件反射”就是可以复杂到下围棋那样水平，但实际上，那绝对不算是真正的“抽象思维”。只比动物应激反射复杂一些而已。

过分依赖外界的输入，就变成被环境奴役的“狗”

在柏拉图的《理想国》中，有一个著名的洞穴比喻来解释理念论：有一群囚犯在一个洞穴中，他们手脚都被捆绑，身体也无法转身，只能背对着洞口。他们面前有一堵白墙，他们身后燃烧着一堆火。在那面白墙上他们看到了自己以及身后到火堆之间事物的影子，由于他们看不到任何其他东西，这群囚犯会以为影子就是真实的东西。最后，一个人挣脱了枷锁，并且摸索出了洞口。他第一次看到了真实的事物。他返回洞穴并试图向其他人解释，那些影子其实只是虚幻的事物，并向他们指明光明的道路。但是对于那些囚犯来说，那个人似乎比他逃出去之前更加愚蠢，并向他宣称，除了墙上的影子之外，世界上没有其他东西了。。。。。

这样的情况同样也会发生在深度学习领域里，Geoff Hinto就曾在美国媒体Axios的采访中表示他已经“深深怀疑”反向传播，并开始担心这种方法过于依赖标记数据集。同时，Hinton建议“可能必须创造全新的方法了”。

而在现实生活中，我们所谓的一个人的能力，也许也是一种“应激下的条件反射”，这种能力只是契合在他所在的行业，是习惯了环境的程序化，绝大多数人是这样，超智能机器人！人还做不到彻底摆脱了分水岭，超出环境限制，无偏差地判断一切。

逻辑的局限性

什么是智能？深度学习大师说：“计算机在新环境中做出好的决策，并根据它们所掌握的信息进行相应调整的能力。”

然而，深度学习逻辑的局限始于我们生活中的一个反差：我们所生活的世界，数据从来都不是无限的。而依赖于深度学习的系统，通常必须泛化到它们见过的特定数据范围之外，可能是词的新发音、陌生的图像，在这些地方，数据远称不上“无限”，形式证明保障高质量的能力更是局限。

我们可以认为泛化有两类，一类是已知样例之间的插值，另一类是越过训练样例边界的外推。

要让神经网络很好地泛化，通常必须有大量的数据，而且测试数据必须和训练数据相似，这样才能在旧答案之间插入新答案。在2012年Hinton带领学生们夺取ImageNet冠军的论文（Krizhevsky, Sutskever, & Hinton, 2012）中，训练一个6亿参数、65万节点的9层卷积神经网络，用了来自1000个不同类别的，大约100万个不同样例。

这样的蛮力在ImageNet那样的有限世界中很管用，所有刺激物都能被分到一个类别中。在语音识别那种稳定的世界中也不错，样例都能以一致的方式被映射到有限的语音类别上。但是，深度学习还是无法被视为人工智能的通用解决方案，这有很多原因。在学习复杂规则这件事上，人类比深度学习系统高效得多。

同样的，人在学习新事物时，经验迫使我们寻找一个更新更坚实的基础，人们必须在自己的思想中尽力弄清楚。所有科学无非是对日常思维的一种提炼。或者说，你意识里没有的，不在自我认知“数据库”内的，你是意识不到的。过份依赖于学习=在自我认知里打转。

——“学无止境”，是一件多么精神可嘉却又悲哀的事情。

逻辑，皆有矩可循的。逻辑，皆可是思维禁锢。少些套路就是不套路自己。学而不执着于所学，能因地制宜，而不是先“宜”了自己却很难“因地”。不固执己见，不自作聪明，也是不自己限制自己。跨越逻辑边界开始。美好的事物才刚刚开始。

文章转载至：http://m.kdnet.net/share-12579063.html

https://www.toutiao.com/i6506743536279355908/

https://blog.csdn.net/cf2SudS8x8F0v/article/details/78948555

参考文献：【爱因斯坦晚年文集】