主题：【原创】智慧的诞生 -- 看树的老鼠
当宇宙还是一个小小娃娃的时候，小到没有人能看见它，但每个人都谈论它。谈论它那无可限量的未来，那里有难以想象的虚空，有亿万光年的宏大结构，有庄严旋转着的星系，剧烈爆炸的星球，也有天空、山脉、海洋和鲜花繁盛的草原，还有宇宙的最高成就，那个叫做智慧的东西。可是，人们必须用虚拟语态来谈论这未来，因为，时间还没开始呢！
在大爆炸的一瞬间，宇宙的发条在一瞬间失去了所有的制约。在几百亿年生活，生活中宇宙中某个漩涡星系第二悬臂上的生物将会这样描述大爆炸。那时候，他们刚刚发明了一种能够测量宇宙脉动的仪器，他们管这仪器叫做时钟。这种仪器的复杂让他们为自己的智慧而骄傲，想到这个宇宙或许就像一座时钟，在滴滴答答中推动中周遭的一切，也推动着智慧，他们第一次相信自己也是时钟。
当眼睛感受到亮光时，它知道新的清晨又将开始。每一根血管和神经中都传递着饥饿的信号，几亿年的进化，为它创造了这个星球上最强大的模糊记忆系统之一。它回想起食物的鲜美滋味，甚至能想起早餐之后，浑身涌起的幸福和强大。风从远方吹来，带来了食物的气味，就和曾经的记忆一样，循着食物的方向奔跑，视网膜上不断变换的信号，唤醒部分神经细胞又压抑了另一部分，记忆系统忠实回应着这变换的信号，直到羚羊闯进了它的脑海。它知道自己该怎么突然出现在羚羊面前，它能调出过去每一次捕猎的场景，一瞬间，无数的选择与相伴的未来在脑海中重叠。
新的知识诞生了。如果猩猩会说话，它一定会这样告诉我们。
摘自〈费曼的彩虹〉：
“现在它饿了，可是香蕉皮又不能吃。诺瓦在研究自己的困境时，一位叫科勒（Koehler）的教授也在研究它。他跟诺瓦、还有爱因斯坦一样，也有一股欲望需要满足，而他的笔记注定要出现在许多书籍和论文中。科勒拿香蕉给诺瓦，不过他没把食物放进它的笼子，而是把它放在笼子外面诺瓦够不到的地方。
他在向它挑战，如果诺瓦想吃的话，就得设法拿到香蕉。它先做了最显而易见的举动，走到栅栏旁边，把手伸出来。
它拼命把手臂伸长，想拿到香蕉，但就是够不着。于是趴在地上绝望地打滚。在不远处，爱因斯坦已经研究相对论九年了，从那时起两年以后，他才有了重大突破。
过了七分钟，诺瓦突然瞪着木棍，它不再呻吟，而是一把抓住它。它把木棍伸到笼子外，越过香蕉，再把它们往里拖到它够得到的地方。它已经有所发现了。
”
在诺瓦的绝望与凝望中，我们只知道，某种机制在发挥作用。也许在诺瓦的眼中，木棍不那么清晰地变成了另一只手臂。
而它的亲戚们，发展出一种新的能力。他们学会了改造模糊记忆系统，让它变得精确，但更慢。利用这种新能力，他们能够记忆根本不存在于这世界上的物体，矩阵、曲线、微分，一个又一个的概念仿佛实体一样存放在记忆中。顺着未来的方向看去，这种物种看到了在无穷大宇宙中自由延展的曲面，地球从太阳所造就的深渊边擦肩而过，险险的避开堕入深阱的命运。那无从具象化的时间，第一次变成皮筋一般的实体，构成了令人眩目的第四维度。
智慧仍在追索这它自身的圣杯：“复制自身。”〈地球周刊〉的〈人工智能改变生活〉的最后一段是这样写的“在1950年DNA结构发现前3年的阶段，人人都很悲观，大家都在说，我们可能永远都琢磨不透啦。然后，双螺旋结构横空出世。在之后的50年，生物学取得了难以想象的进步。”但愿我们正处在这个时代，但愿我们能活着取得圣杯。
======================================================================
本文总结了一种关于智能的观点，认为智能来自于记忆。这一观点来自于Jeff Hawkins的<on intelligence>一书。Jeff Hawkins本人不是人工智能或机器学习领域的正统研究者，但是他的观点对我而言有很大的魅力。
目前主要有两类方法实现人工智能，即模糊方法和精确方法（符号主义）。这种划分不很严谨，像神经网络这样的连接主义工作和统计机器学习，我都算作是模糊方法。而规划、符号运算都算是精确方法。
模糊方法本质上就是记忆。比如手写数字识别的一个最简单的方法就是KNN，就是说程序后台放了成千上万个各个数字的图像样本。人手写一个数字，就把数字的图像和后台样本比较，图像和哪个样本最接近，就把这个图像当作对应的数字。后来的神经网络、决策树、支持向量机等方法，其实就是换着各种方法，来表达什么叫做“接近”。
对于不需要知识的任务来说，我认为现在的模糊方法已经非常出色了。比如判断信用卡欺诈，神经网络已经比专家要准确。不过，我认为这并不表明人类智慧的算法比起电脑差。更多地是人类的感受能力有限。信用卡欺诈中运用到几千个数字，人没法直观感受到这几千个数字，所以只好依赖几个数字来判断，自然比不上机器。如果能够把这些数字变成一个二维图像，用颜色深浅表示数字的大小，没准人会说：“嘿，你竟然信任这家伙？他的信用记录长的像只吉娃娃。我宁愿给那个猛犸客户贷款”
对于某些复杂的任务，人类的表现还是好于机器。比如图像理解、写作、语音识别等。这些任务看起来也非常模糊，因为你没办法精确的阐述你听别人说话时运用了哪些知识。但是，有可能这些知识就是难以表达的，它是进化而来的一些非常稳固的神经连接，我们可以把它们看成是先验知识。
除此之外，现有的模糊方法无法产生知识。人类可以从很多现象中总结出规律。看到轮胎、太阳、月亮什么的，慢慢就总结出了“圆形”这个概念。现在的模糊算法其实可以部分做到这一点，你观察模糊算法的参数，其实可以看出它在抽象一些东西出来。但是我们不知道怎么把这些知识提取出来，和精确方法结合。做一些演绎。所以现在的模糊方法只能像个婴儿。
而精确方法呢，就是演绎法。这种方法其实也是一种回忆。在解决问题时，人都会用三段论，回忆出A, A->B，就推理出B，并加回记忆。专家系统之类的东西曾经给大家很大的希望，因为它看起来确实太智能了。可是专家系统需要人手工的输入知识，不能自己观察世界，自动总结知识，连读书也做不到，因为语言理解也是一个难题。
这些都只是猜测。等到有一天我们终于克隆了智能，或许会发现我们走了好大的一段弯路。不过，也许我们就处在发现DNA的前夜，谁知道呢？
一个智能应用的列表，来自〈地球周刊〉《人工智能改变生活》：
我们已经习以为常的智能：
Facebook早期几十个员工就能服务上亿的用户
医疗机器人，可以自动做手术
互联网搜索
文本翻译
路线规划
识别信用卡诈骗
控制光圈和快门
干衣机中的温度和湿度探测器
自动泊车
Siri
扫地机器人
拆弹机器人
较酷的智能
好奇号火星探测器。Behave like a human.
近未来的智能
自动驾驶汽车
自动调节房间的光线，监控住户的活动，记录他们的生理特征
未来智能
哈尔.爱因斯坦
本帖一共被 2 帖 引用 (帖内工具实现)
我的看法是，人脑的活动可以做这样的分类：1）信息处理活动，基本上就是你说的那些精确方法做的，也就是说能够用逻辑来精确描述精确控制的那些活动，2）学习活动，其实相当多的模式识别的活动可以归类到这里来，3）更深层次的活动，比如说，你说的“在诺瓦的绝望与凝望中”，这样的活动。
我非常欣赏你说的这段话：“现在的模糊算法其实可以部分做到这一点，你观察模糊算法的参数，其实可以看出它在抽象一些东西出来。但是我们不知道怎么把这些知识提取出来，和精确方法结合。做一些演绎。所以现在的模糊方法只能像个婴儿”。我相信你是做过这方面的工作的。是否能够说得更详细一些？比如说，你是怎么观察模糊算法的参数的？是些什么算法？“它在抽象一些东西”？这个很有趣，是否能够更加清晰？还有，就是你说的“把这些知识提取出来，和精确方法结合，做一些演绎”，其实和我想的很接近，那就是，学习的能力应该和接受人工编程的能力完善结合，那样就强大了。
非常好。但是好像我还没有花你的能力。而且我的这个回复也要等待你的批准，才能见世面。哈。
怎么做？谢谢先
目前英汉互译的最好结果就是微软翻译或google翻译。
Embedded systems are different things to different people.
bing 返回 ： 嵌入式的系统是不同的东西，对不同的人。
google 返回：嵌入式系统是不同的事情不同的人
查字典 2家肯定都用了，这两家都有问题的。
我做的系统希望能够一口气翻译一本书，而且不能够有太多的雷人的翻译。至于能不能学习算法我却是不知的，因为不是这行的。因此还得你专家意见啊
要么先用这些系统翻译了自己改，要么全人工翻译