AI思维:
从知识(Knowledge)角度看机器智能(Intelligence)
知识1.0
机器擅长于学习，从how-to-do经验中学习和领悟，而呈现出智能(intelligence)。大数据(big Data)提供给它极佳的学习材料，大数据蕴藏了事物之间的相关性，成为它领悟的源头，丰富它的智能。机器的智能很类似人类的<归纳性>智能，它的思考过程不清晰，所以只产生思考的<结论>知识，而没有产生思考的<过程>知识。这种归纳性智能所产生的结论性知识，我(高焕堂)称之为：知识1.0。例如，人类的俗语说：「好人有好报」。机器从大数据分析出来：「买苹果电 脑(notebook)的人、几乎都买了苹果iPhone手机」。再如孫子兵法：「是故百战百胜，非善之善也；不战而屈人之兵，善之善者也」。这些都属于知识1.0。
知识2.0
除了归纳性智能之外，还有第2种是：演绎性智能。它的思考过程(即逻辑推理)很清晰，能以符号来表达成为知识。从知识的角度看来、知识内涵扩大了、除了思考的<结论>知识之外、增添了思考的<过程>知识。于是我称之为：知识2.0。例如，在数学里除了思考<过程>知识：「假设一个平面上有两条直线，并不交叉」之外，还有<结论>知识：「则它们是并行线」。再如孫子兵法：「不可胜者，守也；可胜者，攻也。守则不足，攻则有余。善守者藏于九地之下，善攻者动于九天之上」(白话：不出兵实战也，是防守。出兵实战，是进攻。防守就要隐藏弱点，让敌方不足以有把握实战而胜。进攻就要扩大声势，让敌方知道我必得胜(而敌自败)。防守时深藏弱点。进攻时虚张声势)。这是孙子思考的<过程>知识。然后得出他的<结论>知识：「是故胜兵先胜而后求战，败兵先战而后求胜。」(白话：所以胜兵在于，先确保不败，才实战取胜。败兵在於，先出兵实战，才寻找机会胜出)。
回顾一下AI的发展历史，自从1950年代，许多专家们就是希望将人类的演绎性知识(演绎推理过程)植入到机器(电 脑)里，让机器像人一样地思考，进行演绎推理。然而这个期望并没有成功，虽然机器的推理速度远胜于人类，但是缺乏上下文语境是其困境所在。在演绎性智能方面，机器的表现并不如人类。
当今，在机器智能的世界里，机器能迅速学习，领悟并输出<结论>知识(如how-to-do知识)。所以，机器智能还处于知识1.0阶段。
人类传授知识给机器
刚才提到了，自从1950年代人类老师曾经努力把知识2.0传授给机器学生，但是在这<演绎性>智能方面，机器学生表现并不如人类。至今，这项努力还没有成功。
到了2016年，AlphaGo的<归纳性>智能却表现得非常亮丽，人类老师把<结论>知识(如棋谱)传授给机器学生，迅速学习、归纳和领悟之后，青出于蓝而胜于蓝，机器的<归纳性>智能远胜于人类。
到了2017年，AlphaGo Zero的<归纳性>智能表现得更优秀，它抛掉人类老师的<结论>知识，反而更加灵活，智能成长更快，超越了AlphaGo。
所以，在知识1.0(即归纳性智能)范畴内，机器已经远远超越人类了。这让人类一则以喜，一则以忧。欣喜的是：机器能迅速学习和领悟更多<结论>，实时补充或更新人类的知识1.0。忧心的是：一些仰赖于<归纳性>思维习惯的人群，其职场的兢争优势将日益式微了。
知识3.0
人类除了上述的归纳性智能(知识1.0)和演绎性智能(知识2.0)之外、还有第3种：溯因性(abductive)智能。它是基于假定(hypothesis)思维体系、进行检验、反证的思考过程。我称之为：知识3.0。溯因推理的智能是由观察现象(结果)到原因的猜测推导过程，沿着现象的特征往回追溯产生该现象之原因；它是除了演绎推理、归纳推理之外的第三种逻辑推理方法。运用这种方法去猜测现象的可能原因，受逻辑规则制约的程度较小，具有高度的灵活性，是一种颇具创造性的推理方法。
这种创意型的(溯因)思维习惯是人类的专长、机器还不具备这种智能。在AI大数据潮流下、善于这种<溯因性>思维习惯的人群，其职场的兢争优势将日益上升。目前非常流行的<设计思维>(design thinking)就是基于溯因推理的思维方法。
==> 請參閱：VR+AI潮流下的教育新方向
~ end ~
