創(chuàng)新之路：AI思維+設計思維

作者 / 高煥堂 臺灣VR產業(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技術潮流下的機器智能(machine intelligence)表現(xiàn)的幕后思維模式。基于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，從而使其迅速從經驗中學習、領悟和呈現(xiàn)出高度智能。如今，在許多領域里，機器的智能表現(xiàn)已經超越了人類，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，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)結主義”(connectionism)，也隨之誕生了“神經網絡”(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讓機器展現(xiàn)出像人一樣的思考，而是由外而內，盡量讓計算機表現(xiàn)得有智能，但人們并不關心機器是否真的“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經驗中學習和領悟，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性，成為它領悟的源頭，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)網技術促進大數(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：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，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，而從經驗閱歷的歸納性知識加以應用，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，迅速運用來獲得成效。只是如剛才所提到，可能會產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+人類設計思維。于此，就從知識的角度來看AI思維與設計思維之間的密切關系。

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，所以只產生思考的“結論”知識，而沒有產生思考的“過程”知識。這種歸納性智能所產生的結論性知識，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，機器已經遠遠超越人類了。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悟更多“結論”，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，知識內涵擴大了，除了思考的“結論”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(結果)到原因的猜測推導過程，沿著現(xiàn)象的特征往回追溯產生該現(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。