創(chuàng )新之路：AI思維+設計思維

作者 / 高煥堂 臺灣VR產(chǎn)業(yè)聯(lián)盟主席、廈門(mén)VR/AR協(xié)會(huì )榮譽(yù)會(huì )長(cháng)兼總顧問(wèn)

1 AI機器與人類(lèi)攜手共舞

　　AI思維(AI thinking)是指在A(yíng)I技術(shù)潮流下的機器智能(machine intelligence)表現的幕后思維模式?；?a class="contentlabel" href="http://dyxdggzs.com/news/listbylabel/label/AI思維">AI思維的機器(即AI機器)學(xué)習技巧(即算法)日新月異，大數據(big data)又為它提供了很好的學(xué)習材料，從而使其迅速從經(jīng)驗中學(xué)習、領(lǐng)悟和呈現出高度智能。如今，在許多領(lǐng)域里，機器的智能表現已經(jīng)超越了人類(lèi)，是人類(lèi)所望塵莫及了。

　　機器智能的特性很類(lèi)似人類(lèi)的“歸納性”智能，它的思考過(guò)程不清晰、偏于結論性、欠缺可靠性。由于欠缺可靠性，因而在判斷和決策上，機器和人類(lèi)一樣，常常會(huì )有偏見(jiàn)和誤判。

　　人類(lèi)在日常生活中，往往是由“歸納性”智能所主導，同樣常會(huì )有偏見(jiàn)、沖動(dòng)和誤判。然而，人類(lèi)有三種智能：歸納性、演繹性和溯因性(abductive)智能。除了快速而不費力的“歸納性”智能之外，還有比較費力的演繹推理和溯因推理。這兩種思維能力使人類(lèi)擁有更強大的能力來(lái)弭補“歸納性”智能的弱點(diǎn)，而且帶來(lái)了更多的創(chuàng )造力。

　　尤其是溯因性(abductive)智能。它是基于假定(hypothesis)思維體系、進(jìn)行檢驗、反證的思考過(guò)程。是人類(lèi)最具創(chuàng )造性的推理方法，而且機器還不具備這種智能。在A(yíng)I大數據潮流下、善于這種“溯因性”思維習慣的人群，其職場(chǎng)的競爭優(yōu)勢將日益上升。目前非常流行的“設計思維”(design thinking)就是基于溯因推理的思維方法。

　　我們能讓擁有AI思維的機器運用全局探索能力來(lái)協(xié)助人類(lèi)的創(chuàng )意思考迅速尋找到最優(yōu)的實(shí)踐方案，同時(shí)，也讓人類(lèi)更多的慎密“思考”來(lái)弭補機器“智能”的弱點(diǎn)。從而讓人類(lèi)和機器相輔相成、達到創(chuàng )新與實(shí)踐的最佳組合。例如，提倡“AI思維+設計思維”。

2 AI思維簡(jiǎn)史

　　回顧一下AI的發(fā)展史，自從1950年代，許多專(zhuān)家們就是希望將人類(lèi)的知識和思維邏輯植入到機器(如計算機)里，讓機器像人一樣地思考。當時(shí)就使用符號和邏輯來(lái)表示思考和智能，人類(lèi)努力向機器輸入符號化的“思想”并期望軟件程序會(huì )展現出像人一樣的思考能力，然而這個(gè)期望并沒(méi)有成功。

　　后來(lái)，專(zhuān)家們另尋他途，轉而采用Rosenblatt在1957年提出的“感知器”程序、使用重入回饋算法“訓練”各種邏輯式子，從而實(shí)現了初步的機器“學(xué)習”。這稱(chēng)為“聯(lián)結主義”(connectionism)，也隨之誕生了“神經(jīng)網(wǎng)絡(luò )”(neural networks)這一名詞。這一途徑并不是由內而外地向機器輸入符號化的知識和邏輯來(lái)讓機器展現出像人一樣的思考，而是由外而內，盡量讓計算機表現得有智能，但人們并不關(guān)心機器是否真的“表現”出思考邏輯。

　　AlphaGo就是這項新途徑的代表。2016年，AlphaGo在圍棋比賽方面擊敗了人類(lèi)的世界冠軍。 AlphaGo的棋藝(智能)是建立在人類(lèi)的先驗知識之上，基于人類(lèi)大量的歷史棋譜，迅速學(xué)習和領(lǐng)悟人類(lèi)的棋藝，進(jìn)而自我訓練、不斷精進(jìn)而勝過(guò)了人類(lèi)。到了2017年，DeepMind團隊的新一代AlphaGo Zero基于不同的學(xué)習途徑，沒(méi)有參考人類(lèi)的先驗知識，沒(méi)有依賴(lài)人類(lèi)歷史棋譜的指引，從一片空白開(kāi)始自我學(xué)習、無(wú)師自通、棋藝竟然遠遠超過(guò)AlphaGo，而且百戰百勝，以100:0完勝它的前輩AlphaGo。

3 AI思維+大數據

　　基于A(yíng)I機器很擅長(cháng)學(xué)習，從how-to-do經(jīng)驗中學(xué)習和領(lǐng)悟，而呈現出智能。大數據提供給它極佳的學(xué)習材料，大數據蘊藏了事物之間的相關(guān)性，成為它領(lǐng)悟的源頭，豐富它的智能。隨著(zhù)AI機器的學(xué)習技巧(即算法)日新月異，物聯(lián)網(wǎng)技術(shù)促進(jìn)大數據的迅速涌現，機器的學(xué)習成效急速上升，把人類(lèi)遠遠拋在了后頭，是人類(lèi)所望塵莫及的了。

　　機器的智能很類(lèi)似人類(lèi)的“歸納性”智能，它的思考過(guò)程不清晰、偏于結論性、欠缺可信(可靠)性。由于它欠缺可信性，所以在判斷&決策上，機器和人類(lèi)一樣，常常會(huì )有偏見(jiàn)和誤判。一旦面臨它未曾學(xué)習過(guò)的情境，就有可能會(huì )犯錯。例如，去年一名特斯拉(Tesla)車(chē)主在其特斯拉汽車(chē)的“自動(dòng)輔助駕駛”(autopilot)軟件未能在陽(yáng)光下發(fā)現一輛白色卡車(chē)后死于撞車(chē)事故。

　　君不見(jiàn)，一個(gè)人的閱歷愈豐富，它的判斷與決策愈迅速，但也更會(huì )有偏見(jiàn)和誤判(固執己見(jiàn))。例如有一個(gè)傳說(shuō)，成吉思汗(比喻人類(lèi)學(xué)生)常常帶著(zhù)他最喜愛(ài)的神鷹(比喻機器學(xué)生)。有一天中午時(shí)分，成吉思汗離開(kāi)隊伍，單獨選擇了一條山路，在峽谷中穿行。天氣很熱，口干舌燥，想找泉水解渴。好不容易，看到有泉水從巖石隙縫滴下，高興極了。拿著(zhù)杯子去接那慢慢滴下的水。接滿(mǎn)了一杯水，準備一飲而盡。

　　在天空中飛翔的神鷹突然飛撲下來(lái)，“嗖”的一聲，把他的杯子踢翻了、水全灑在地上。成吉思汗撿起了杯子，又去接那泉水，神鷹又俯沖下來(lái)，把杯子踢翻了。他又接了兩次，神鷹都把他手里的杯子踢掉了。成吉思汗氣急敗壞，拿起弓箭射向神鷹。天空中的神鷹慘叫一聲跌落下來(lái)死了。

　　成吉思汗自己沿陡峭的石壁爬上去，終于爬到了水源，看到水池里躺著(zhù)一條粗大的劇毒死蛇。成吉思汗愣住了，他懊惱不已，大聲喊道“神鷹救了我的命呀”。

　　在這傳說(shuō)里，神鷹擁有更高視野和更多資料(看到了毒蛇)，讓牠更相信那泉水是有毒的，而成吉思汗的豐富閱歷卻帶給他偏見(jiàn)和誤判。導致成吉思汗把神鷹殺害了。

　　試想發(fā)生這項悲劇的幕后原因是什么? 因為機器學(xué)生擁有的是“歸納性”智能，加上大數據的支撐、其“結論”知識比人類(lèi)更完整而準確。神鷹判斷：這泉水是有毒的。其正確性高于成吉思汗心中的假設：這泉水可以喝。

　　雖然人類(lèi)有三種智能：歸納性、演繹性和溯因性智能。但是往往是由“歸納性”智能所主導，它快速而不費力。至于復雜的演繹推理和溯因推理是比較費時(shí)和消耗精力的。通常，一個(gè)人的閱歷越豐富，對于其豐富的“歸納性”智能具有越大的信任，大多數的判斷與決策很迅速和準確，但是可能會(huì )產(chǎn)生偏見(jiàn)和誤判。

　　由于演繹推理和溯因推理需要費時(shí)和耗能量，而從經(jīng)驗閱歷的歸納性知識加以應用，非常迅速有成效。隨著(zhù)歸納性知識的增長(cháng)，演繹推理和溯因推理的運用和演練就越少了，逐漸沉寂而睡著(zhù)了，甚至連歸納性的領(lǐng)悟運作也變少了。則日常生活變成：基于豐富自信的“結論性”知識，迅速運用來(lái)獲得成效。只是如剛才所提到，可能會(huì )產(chǎn)生更嚴重的偏見(jiàn)和誤判，像成吉思汗一樣射殺了心愛(ài)的神鷹。

4 AI思維+設計思維

　　在A(yíng)I潮流下，如何讓機器和人類(lèi)攜手共舞、一起創(chuàng )新成為最新潮的創(chuàng )新思維。其中較好的創(chuàng )新之路很可能是：機器AI思維+人類(lèi)設計思維。于此，就從知識的角度來(lái)看AI思維與設計思維之間的密切關(guān)系。

4.1 知識1.0

　　機器的智能很類(lèi)似人類(lèi)的“歸納性”智能，它的思考過(guò)程不清晰，所以只產(chǎn)生思考的“結論”知識，而沒(méi)有產(chǎn)生思考的“過(guò)程”知識。這種歸納性智能所產(chǎn)生的結論性知識，筆者稱(chēng)之為：知識1.0。

　　當今，在知識1.0(即歸納性智能)范疇內，機器已經(jīng)遠遠超越人類(lèi)了。這讓人類(lèi)一則以喜，一則以憂(yōu)。欣喜的是：機器能迅速學(xué)習和領(lǐng)悟更多“結論”，實(shí)時(shí)補充或更新人類(lèi)的知識。憂(yōu)心的是：一些依賴(lài)于“歸納性”思維習慣的人群，其職場(chǎng)的競爭優(yōu)勢將日益微弱。

4.2 知識2.0

　　除了歸納性智能之外，還有第2種是：演繹性智能。它的思考過(guò)程(即邏輯推理)很清晰，能以符號來(lái)表達成為知識。從知識的角度看來(lái)，知識內涵擴大了，除了思考的“結論”知識之外還增添了思考的“過(guò)程”知識。筆者稱(chēng)之為：知識2.0。

　　然而，當今在機器智能的世界里，機器能迅速學(xué)習、領(lǐng)悟并輸出“結論”知識(如how-to-do知識)。機器智能還處于知識1.0階段。

4.3 知識3.0

　　人類(lèi)除了上述的歸納性智能(知識1.0)和演繹性智能(知識2.0)之外,還有第3種：溯因性智能。它是基于假定(hypothesis)思維體系進(jìn)行檢驗、反證的思考過(guò)程。筆者稱(chēng)之為：知識3.0。

　　溯因推理的智能是由觀(guān)察現象(結果)到原因的猜測推導過(guò)程，沿著(zhù)現象的特征往回追溯產(chǎn)生該現象的原因;是除了演繹推理、歸納推理之外的第三種邏輯推理方法。運用這種方法去猜測現象的可能原因，受邏輯規則制約的程度較小，具有高度的靈活性，是一種頗具創(chuàng )造性的推理方法。

　　這種創(chuàng )意型的思維習慣是人類(lèi)的專(zhuān)長(cháng)，機器還不具備這種智能。在A(yíng)I大數據潮流下，善于這種“溯因性”思維習慣的人群，其職場(chǎng)的兢爭優(yōu)勢將日益上升。目前非常流行的“設計思維”就是基于溯因推理的思維方法。

　　參考文獻：

　　[1] Why AI Needs a Dose of Design Thinking,http://deloitte.wsj.com/cio/2017/08/02/why-ai-needs-a-dose-of-design-thinking/

　　[2]Design Thinking: Future-proof Yourself from AI,https://infocus.emc.com/william_schmarzo/design-thinking-future-proof-yourself-from-ai/

　　[3]Design Thinking in Robotic Automation,https://dzone.com/articles/design-thinking-in-robotic-automation-1

　　本文來(lái)源于《電子產(chǎn)品世界》2017年第12期第67頁(yè)，歡迎您寫(xiě)論文時(shí)引用，并注明出處。