以快速学习，进行小数据学习，而且可以得到“类”的概念。小孩子轻易分得清“鸭子”这个概念，和每一只具体不同的鸭子，有什么不同。前者是抽象的“类”，后者是具体的东西。小孩子不需要看多少张鸭子的照片，就能得到“鸭子”这个抽象“类”的概念。人类非常善于制造各种层次的概念，有一些概念几乎所有人都懂，但实际上很难找到明确的定义、边界或现实对应物，例如“蔬菜”“健康”“魅力”“爱”，甚至是“智能”。坏处是易形成偏见，但好处是经常能够敏锐地把握大类的特征差异，用极为简化的概念把握信息。

可以说，人工智能和人类智能最大的差异或许是：真实世界与抽象符号之间的关联性。人工智能处理的是符号与符号之间的关系，而人类头脑处理的是真实世界到符号的投影。

抽象能力有什么重要的吗？“阿尔法狗”说不出自己是怎样战胜人类的，但是能战胜人类，不就够了吗？

抽象表征有两方面的好处。第一方面，可以为脑计算节省空间，每个抽象表征的引入，都让需要处理的问题大大简化，再次调用记忆也变得非常容易（例如，可以用“消费升级”来表征一段时期各种相关的市场变化信息），如果世界上的信息碎片是用碎片的方式记载，需要几乎无穷的记忆空间，抽象可以大大节省空间。

前面说过，以目前的“深度学习”方法调制的人工智能网络，学习新的本领会致使其遗忘过去的本领。这可能是因为人工智能神经网络学习一件事情，最终是让整个网络的千百万个参数共同调至最优，整个网络记住这件事情。而动物大脑学会一件事情之后，长期记忆转移并不记载在原来的网络，而是转移到海马体，再次回忆是一种激活，回忆的位置发生在脑的各个部位。对人类回忆的研究也存在许多谜，但可以肯定的是，人是用一些高度抽象的模式记忆事情，而非全网络参数记忆。

另一方面，抽象表征的好处在于：尝试把握世界的真理，它的终极目标是用寥寥无几的抽象概念陈述万千复杂的现象，抓住其中相似的核心。

这里面有一个很本质的问题，那就是新知的产生。从大数据寻找历史数据的规律和预测的概率，确实能够让人做出行为优化。但是历史上让人类有深刻洞察、推动科技时代进步的发现，往往不是以统计预测，而是建立起抽象模型。

二者的差别是什么呢？统计预测是找各种变量的相关性，探寻经验概率预测方法。抽象模型是建立起一些不存在的理想模型，再来拟合数据。我们可以看一个故事案例。中国古代历来有司天监，年年月月日日观测天象，自汉唐以来，积累了海量数据。从地球的角度看，金木水火土五颗行星在天球上的运动非常不规律，于是天象观察员积累了非常多跟踪数据，建立了经验公式和预测方法，有很复杂的数学算法，还发展了许多额外因素提高模型的准确度，包括试图建立火星和地上战争之间的联系等（不要笑，当前一些科学研究找的相关因素并不更靠谱）。兢兢业业、战战兢兢，中国的天象观察员不可谓不勤奋，他们积累的数据不可谓不多，经验预测方法也不能说差，但是他们从来没有跳出来，从更高维度审视，建立模型，来解释这些数据。于是，中国古代天象员没有一个人能建立开普勒三定律，也没有牛顿建立引力模型。“李约瑟难题”是一个方法论的问题。做大数据统计研究和预测的司天监，从来没有尝试用抽象模型去表征。

人类历史上有许多统计经验，但只有抽象模型才带来知识上的跃进。

上面就是目前人工智能认知发展上仍然存在的一些困难，我称之为人工智能认知发展的“三朵小乌云”。希望这“三朵小乌云”能在算法和技术上的提升之后得到解决，也更希望对这“三朵小乌云”的研究能够带来对人类大脑的更高水平认知。

上面说的很多局限主要集中在“深度学习”算法，这是目前最强大的机器学习算法，也是很多突破性发展的来源。但它并不是唯一的算法。还有很多其他算法，例如决策树算法、朴素贝叶斯算法、符号算法等。此外，还有以往获得很多成功的“专家系统”类算法，就是把人类专家知识灌输给机器。本文没有分析这么多算法的优劣，主要是因为在“深度学习”快速发展之前，这些算法都面临过更多的困难和局限。但这并不意味着这些算法没有用了。事实上，未来人工智能想要发展，必定是多种算法要混合使用，找综合路径。在下一篇有关人类学习的文章中，我会再谈到贝叶斯算法。

人工智能会变得像人一样吗？

现在我们来说一点虚无缥缈的问题。

前面的讨论都比较接近现实，基于当前的技术发展。但是我们感兴趣的问题往往不是从当前出发，而是从远景出发，从一个遥远的未来可能性往回看，看我们离未来还有多远。

我相信，对于大多数人来说，人工智能问题令人感兴趣的地方，肯定不是目前机器能否分辨鸭子的“类”和具体的鸭子（可能只有我会觉得这个问题最有意思），而是：人工智能能否像《西部世界》里演的那样，成为像人一样的存在？

“他们会觉醒吗？他们会爱上人类吗？他们会仇恨我们吗？他们会厌倦奴役生活，产生对自由的向往吗？他们会统治我们吗？他们会屠杀我们吗？”

这些是大家最关心的问题。这里面，实际上使用了非常