创新之路：AI思维+设计思维

作者 / 高焕堂 台湾VR产业联盟主席、厦门VR/AR协会荣誉会长兼总顾问

1 AI机器与人类携手共舞

　　AI思维(AI thinking)是指在AI技术潮流下的机器智能(machine intelligence)表现的幕后思维模式。基于AI思维的机器(即AI机器)学习技巧(即算法)日新月异，大数据(big data)又为它提供了很好的学习材料，从而使其迅速从经验中学习、领悟和呈现出高度智能。如今，在许多领域里，机器的智能表现已经超越了人类，是人类所望尘莫及了。

　　机器智能的特性很类似人类的“归纳性”智能，它的思考过程不清晰、偏于结论性、欠缺可靠性。由于欠缺可靠性，因而在判断和决策上，机器和人类一样，常常会有偏见和误判。

　　人类在日常生活中，往往是由“归纳性”智能所主导，同样常会有偏见、冲动和误判。然而，人类有三种智能：归纳性、演绎性和溯因性(abductive)智能。除了快速而不费力的“归纳性”智能之外，还有比较费力的演绎推理和溯因推理。这两种思维能力使人类拥有更强大的能力来弭补“归纳性”智能的弱点，而且带来了更多的创造力。

　　尤其是溯因性(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。是人类最具创造性的推理方法，而且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，其职场的竞争优势将日益上升。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。

　　我们能让拥有AI思维的机器运用全局探索能力来协助人类的创意思考迅速寻找到最优的实践方案，同时，也让人类更多的慎密“思考”来弭补机器“智能”的弱点。从而让人类和机器相辅相成、达到创新与实践的最佳组合。例如，提倡“AI思维+设计思维”。

2 AI思维简史

　　回顾一下AI的发展史，自从1950年代，许多专家们就是希望将人类的知识和思维逻辑植入到机器(如计算机)里，让机器像人一样地思考。当时就使用符号和逻辑来表示思考和智能，人类努力向机器输入符号化的“思想”并期望软件程序会展现出像人一样的思考能力，然而这个期望并没有成功。

　　后来，专家们另寻他途，转而采用Rosenblatt在1957年提出的“感知器”程序、使用重入回馈算法“训练”各种逻辑式子，从而实现了初步的机器“学习”。这称为“联结主义”(connectionism)，也随之诞生了“神经网络”(neural networks)这一名词。这一途径并不是由内而外地向机器输入符号化的知识和逻辑来让机器展现出像人一样的思考，而是由外而内，尽量让计算机表现得有智能，但人们并不关心机器是否真的“表现”出思考逻辑。

　　AlphaGo就是这项新途径的代表。2016年，AlphaGo在围棋比赛方面击败了人类的世界冠军。 AlphaGo的棋艺(智能)是建立在人类的先验知识之上，基于人类大量的历史棋谱，迅速学习和领悟人类的棋艺，进而自我训练、不断精进而胜过了人类。到了2017年，DeepMind团队的新一代AlphaGo Zero基于不同的学习途径，没有参考人类的先验知识，没有依赖人类历史棋谱的指引，从一片空白开始自我学习、无师自通、棋艺竟然远远超过AlphaGo，而且百战百胜，以100:0完胜它的前辈AlphaGo。

3 AI思维+大数据

　　基于AI机器很擅长学习，从how-to-do经验中学习和领悟，而呈现出智能。大数据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。随着AI机器的学习技巧(即算法)日新月异，物联网技术促进大数据的迅速涌现，机器的学习成效急速上升，把人类远远抛在了后头，是人类所望尘莫及的了。

　　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、偏于结论性、欠缺可信(可靠)性。由于它欠缺可信性，所以在判断&决策上，机器和人类一样，常常会有偏见和误判。一旦面临它未曾学习过的情境，就有可能会犯错。例如，去年一名特斯拉(Tesla)车主在其特斯拉汽车的“自动辅助驾驶”(autopilot)软件未能在阳光下发现一辆白色卡车后死于撞车事故。

　　君不见，一个人的阅历愈丰富，它的判断与决策愈迅速，但也更会有偏见和误判(固执己见)。例如有一个传说，成吉思汗(比喻人类学生)常常带着他最喜爱的神鹰(比喻机器学生)。有一天中午时分，成吉思汗离开队伍，单独选择了一条山路，在峡谷中穿行。天气很热，口干舌燥，想找泉水解渴。好不容易，看到有泉水从岩石隙缝滴下，高兴极了。拿着杯子去接那慢慢滴下的水。接满了一杯水，准备一饮而尽。

　　在天空中飞翔的神鹰突然飞扑下来，“嗖”的一声，把他的杯子踢翻了、水全洒在地上。成吉思汗捡起了杯子，又去接那泉水，神鹰又俯冲下来，把杯子踢翻了。他又接了两次，神鹰都把他手里的杯子踢掉了。成吉思汗气急败坏，拿起弓箭射向神鹰。天空中的神鹰惨叫一声跌落下来死了。

　　成吉思汗自己沿陡峭的石壁爬上去，终于爬到了水源，看到水池里躺着一条粗大的剧毒死蛇。成吉思汗愣住了，他懊恼不已，大声喊道“神鹰救了我的命呀”。

　　在这传说里，神鹰拥有更高视野和更多资料(看到了毒蛇)，让牠更相信那泉水是有毒的，而成吉思汗的丰富阅历却带给他偏见和误判。导致成吉思汗把神鹰杀害了。

　　试想发生这项悲剧的幕后原因是什么? 因为机器学生拥有的是“归纳性”智能，加上大数据的支撑、其“结论”知识比人类更完整而准确。神鹰判断：这泉水是有毒的。其正确性高于成吉思汗心中的假设：这泉水可以喝。

　　虽然人类有三种智能：归纳性、演绎性和溯因性智能。但是往往是由“归纳性”智能所主导，它快速而不费力。至于复杂的演绎推理和溯因推理是比较费时和消耗精力的。通常，一个人的阅历越丰富，对于其丰富的“归纳性”智能具有越大的信任，大多数的判断与决策很迅速和准确，但是可能会产生偏见和误判。

　　由于演绎推理和溯因推理需要费时和耗能量，而从经验阅历的归纳性知识加以应用，非常迅速有成效。随着归纳性知识的增长，演绎推理和溯因推理的运用和演练就越少了，逐渐沉寂而睡着了，甚至连归纳性的领悟运作也变少了。则日常生活变成：基于丰富自信的“结论性”知识，迅速运用来获得成效。只是如刚才所提到，可能会产生更严重的偏见和误判，像成吉思汗一样射杀了心爱的神鹰。

4 AI思维+设计思维

　　在AI潮流下，如何让机器和人类携手共舞、一起创新成为最新潮的创新思维。其中较好的创新之路很可能是：机器AI思维+人类设计思维。于此，就从知识的角度来看AI思维与设计思维之间的密切关系。

4.1 知识1.0

　　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，笔者称之为：知识1.0。

　　当今，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。忧心的是：一些依赖于“归纳性”思维习惯的人群，其职场的竞争优势将日益微弱。

4.2 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”知识之外还增添了思考的“过程”知识。笔者称之为：知识2.0。

　　然而，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)。机器智能还处于知识1.0阶段。

4.3 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：溯因性智能。它是基于假定(hypothesis)思维体系进行检验、反证的思考过程。笔者称之为：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的原因;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”就是基于溯因推理的思维方法。

　　参考文献：

　　[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

　　本文来源于《电子产品世界》2017年第12期第67页，欢迎您写论文时引用，并注明出处。