創(chuàng)新之路：AI思維+設(shè)計思維

作者 / 高煥堂 臺灣VR產(chǎn)業(yè)聯(lián)盟主席、廈門VR/AR協(xié)會榮譽會長兼總顧問

1 AI機器與人類攜手共舞

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

　　機器智能的特性很類似人類的“歸納性”智能，它的思考過程不清晰、偏于結(jié)論性、欠缺可靠性。由于欠缺可靠性，因而在判斷和決策上，機器和人類一樣，常常會有偏見和誤判。

　　人類在日常生活中，往往是由“歸納性”智能所主導(dǎo)，同樣常會有偏見、沖動和誤判。然而，人類有三種智能：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擁有更強大的能力來弭補“歸納性”智能的弱點，而且?guī)砹烁嗟膭?chuàng)造力。

　　尤其是溯因性(abductive)智能。它是基于假定(hypothesis)思維體系、進行檢驗、反證的思考過程。是人類最具創(chuàng)造性的推理方法，而且機器還不具備這種智能。在AI大數(shù)據(jù)潮流下、善于這種“溯因性”思維習慣的人群，其職場的競爭優(yōu)勢將日益上升。目前非常流行的“設(shè)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協(xié)助人類的創(chuàng)意思考迅速尋找到最優(yōu)的實踐方案，同時，也讓人類更多的慎密“思考”來弭補機器“智能”的弱點。從而讓人類和機器相輔相成、達到創(chuàng)新與實踐的最佳組合。例如，提倡“AI思維+設(shè)計思維”。

2 AI思維簡史

　　回顧一下AI的發(fā)展史，自從1950年代，許多專家們就是希望將人類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。當時就使用符號和邏輯來表示思考和智能，人類努力向機器輸入符號化的“思想”并期望軟件程序會展現(xiàn)出像人一樣的思考能力，然而這個期望并沒有成功。

　　后來，專家們另尋他途，轉(zhuǎn)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，從而實現(xiàn)了初步的機器“學習”。這稱為“聯(lián)結(jié)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(nèi)而外地向機器輸入符號化的知識和邏輯來讓機器展現(xiàn)出像人一樣的思考，而是由外而內(nèi)，盡量讓計算機表現(xiàn)得有智能，但人們并不關(guān)心機器是否真的“表現(xiàn)”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的世界冠軍。 AlphaGo的棋藝(智能)是建立在人類的先驗知識之上，基于人類大量的歷史棋譜，迅速學習和領(lǐng)悟人類的棋藝，進而自我訓練、不斷精進而勝過了人類。到了2017年，DeepMind團隊的新一代AlphaGo Zero基于不同的學習途徑，沒有參考人類的先驗知識，沒有依賴人類歷史棋譜的指引，從一片空白開始自我學習、無師自通、棋藝竟然遠遠超過AlphaGo，而且百戰(zhàn)百勝，以100:0完勝它的前輩AlphaGo。

3 AI思維+大數(shù)據(jù)

　　基于AI機器很擅長學習，從how-to-do經(jīng)驗中學習和領(lǐng)悟，而呈現(xiàn)出智能。大數(shù)據(jù)提供給它極佳的學習材料，大數(shù)據(jù)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AI機器的學習技巧(即算法)日新月異，物聯(lián)網(wǎng)技術(shù)促進大數(shù)據(jù)的迅速涌現(xiàn)，機器的學習成效急速上升，把人類遠遠拋在了后頭，是人類所望塵莫及的了。

　　機器的智能很類似人類的“歸納性”智能，它的思考過程不清晰、偏于結(jié)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，機器和人類一樣，常常會有偏見和誤判。一旦面臨它未曾學習過的情境，就有可能會犯錯。例如，去年一名特斯拉(Tesla)車主在其特斯拉汽車的“自動輔助駕駛”(autopilot)軟件未能在陽光下發(fā)現(xiàn)一輛白色卡車后死于撞車事故。

　　君不見，一個人的閱歷愈豐富，它的判斷與決策愈迅速，但也更會有偏見和誤判(固執(zhí)己見)。例如有一個傳說，成吉思汗(比喻人類學生)常常帶著他最喜愛的神鷹(比喻機器學生)。有一天中午時分，成吉思汗離開隊伍，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。拿著杯子去接那慢慢滴下的水。接滿了一杯水，準備一飲而盡。

　　在天空中飛翔的神鷹突然飛撲下來，“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，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和誤判。導(dǎo)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? 因為機器學生擁有的是“歸納性”智能，加上大數(shù)據(jù)的支撐、其“結(jié)論”知識比人類更完整而準確。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(shè)：這泉水可以喝。

　　雖然人類有三種智能：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(dǎo)，它快速而不費力。至于復(fù)雜的演繹推理和溯因推理是比較費時和消耗精力的。通常，一個人的閱歷越豐富，對于其豐富的“歸納性”智能具有越大的信任，大多數(shù)的判斷與決策很迅速和準確，但是可能會產(chǎn)生偏見和誤判。

　　由于演繹推理和溯因推理需要費時和耗能量，而從經(jīng)驗閱歷的歸納性知識加以應(yīng)用，非常迅速有成效。隨著歸納性知識的增長，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(jié)論性”知識，迅速運用來獲得成效。只是如剛才所提到，可能會產(chǎn)生更嚴重的偏見和誤判，像成吉思汗一樣射殺了心愛的神鷹。

4 AI思維+設(shè)計思維

　　在AI潮流下，如何讓機器和人類攜手共舞、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+人類設(shè)計思維。于此，就從知識的角度來看AI思維與設(shè)計思維之間的密切關(guān)系。

4.1 知識1.0

　　機器的智能很類似人類的“歸納性”智能，它的思考過程不清晰，所以只產(chǎn)生思考的“結(jié)論”知識，而沒有產(chǎn)生思考的“過程”知識。這種歸納性智能所產(chǎn)生的結(jié)論性知識，筆者稱之為：知識1.0。

　　當今，在知識1.0(即歸納性智能)范疇內(nèi)，機器已經(jīng)遠遠超越人類了。這讓人類一則以喜，一則以憂。欣喜的是：機器能迅速學習和領(lǐng)悟更多“結(jié)論”，實時補充或更新人類的知識。憂心的是：一些依賴于“歸納性”思維習慣的人群，其職場的競爭優(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。它的思考過程(即邏輯推理)很清晰，能以符號來表達成為知識。從知識的角度看來，知識內(nèi)涵擴大了，除了思考的“結(jié)論”知識之外還增添了思考的“過程”知識。筆者稱之為：知識2.0。

　　然而，當今在機器智能的世界里，機器能迅速學習、領(lǐng)悟并輸出“結(jié)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)思維體系進行檢驗、反證的思考過程。筆者稱之為：知識3.0。

　　溯因推理的智能是由觀察現(xiàn)象(結(jié)果)到原因的猜測推導(dǎo)過程，沿著現(xiàn)象的特征往回追溯產(chǎn)生該現(xiàn)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(xiàn)象的可能原因，受邏輯規(guī)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的專長，機器還不具備這種智能。在AI大數(shù)據(jù)潮流下，善于這種“溯因性”思維習慣的人群，其職場的兢爭優(yōu)勢將日益上升。目前非常流行的“設(shè)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

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