【人们常常会根据动机来评判人类，而根据结果评判机器。有道无术，术尚可求也，有术无道，止于术。或许，在这里道不妨粗略类比为算计，术为计算。】

​

  虽然休谟属于18世纪的哲学家，他的著作中讨论到的题材大多与现代智能界的主要争论有密切关系，这与其他同时代的哲学家相较是相当罕见的。一些休谟最具影响力的智能思想可以归类为以下几点：

因果问题

休谟不赞同大多数人都相信的只要一件事物伴随着另一件事物而来，两件事物之间必然存在着一种关联，使得后者伴随前者出现（post hoc ergo propter hoc—它在那之后而来，故必然是从此而来）的思想观点。

休谟在《人性论》以及后来的《人类理解研究》中反驳了‘因果关系’具有真实性和必然性的理论，他指出虽然我们能观察到一件事物随着另一件事物而来，我们并不能观察到任何两件事物之间的关联。而依据他怀疑论的知识论，我们只能够相信那些依据我们观察所得到的知识。休谟主张我们对于因果的概念只不过是我们期待一件事物伴随另一件事物而来的想法罢了。“我们无从得知因果之间的关系，只能得知某些事物总是会连结在一起，而这些事物在过去的经验里又是从不曾分开过的。我们并不能看透连结这些事物背后的理性为何，我们只能观察到这些事物的本身，并且发现这些事物总是透过一种经常的连结而被我们在想像中归类。”（Hume， 1740: 93）也因此我们不能说一件事物造就了另一件事物，我们所知道的只是一件事物跟另一件事物可能有所关连。

休谟在这里提出了“经常连结”（constant conjunction）这个词，经常连结代表当我们看到某件事物总是“造成”另一事物时，我们所看到的其实是一件事物总是与另一件事物“经常连结”。因此，我们并没有理由相信一件事物的确造成另一件事物，两件事物在未来也不一定会一直“互相连结”（Popkin & Stroll， 1993: 268）。我们之所以相信因果关系并非因为因果关系是自然的本质，而是因为我们所养成的心理习惯和人性所造成的（Popkin & Stroll， 1993: 272）。

休谟提出的这个说法有力驳斥了因果关系理论，在休谟之后的一些哲学家如伯特兰·罗素还完全抛弃了因果关系的概念，只将其视为一种迷信。但从这里也产生了因果的问题——我们对于因果连结的认知是从何而来的？而我们又能认知到怎么样的连结？这个问题后来引起德国哲学家康德的论辩。

休谟主张人类（以及其他动物）都有一种信赖因果关系的本能，这种本能则是来自我们神经系统中所养成的习惯，长期下来我们便无法移除这种习惯，但我们并没有任何论点、也不能以演绎或归纳来证明这种习惯是正确的，就好像我们对于世界以外的地方一无所知一样。

值得注意的是虽然“经常连结”的理论一般被认为是休谟所提出的，可能有其他哲学家早在休谟之前便已提出类似的概念。中世纪哲学家迈蒙尼德（Moses Maimonides）的著作中便举出了几名同样不相信“因果关系”的伊斯兰哲学家，他在《迷途指津》（Guide for the Perplexed）一书里这样写道：“简而言之：我们不应该说‘这个’是造成‘那个’的原因。”从这些伊斯兰哲学家的角度来看，造物主所创造出的任何东西都是独立而不相连的，因此这些事物间并没有一定的连结。

归纳问题

在《人类理解论》一书中，休谟主张所有人类的思考活动都可以分为两种：追求“观念的连结”（Relation of Ideas）与“实际的真相”（Matters of Fact）。前者牵涉到的是抽象的逻辑概念与数学，并且以直觉和逻辑演绎为主；后者则是以研究现实世界的情况为主。而为了避免被任何我们所不知道的实际真相或在我们过去经验中不曾察觉的事实的影响，我们必须使用归纳思考。

归纳思考的原则在于假设我们过去的行动可以作为未来行动的可靠指导（这有时又被称为自然划一原则—uniformity of nature），举例而言，如果依据过去的经验太阳总是从东边升起而从西方落下，那么归纳推理就会告诉我们太阳在未来可能还是会从东边升起而从西方落下。但我们又要怎么解释我们有能力做出这样的推论呢？休谟主张我们不可能将我们的思考能力解释为理性的产物，因为理性只有可能是从两种方式得来，而这两者都不可能作为我们推理思考的根基：

    论证的或直觉的：这样的思考在基本上是先验的，我们不能以先验的知识证明未来就会和过去一致，因为（在逻辑上）可以思考而出的明显事实是世界早已不是一致的了。休谟在这里并没有清楚分出整体上的自然划一原则与某个“特定的”划一原则的差异。一个哲学家或许可以主张（或许就是康德那一派）在事实上我们的确很难想像世界竟不是以“某种”形式一致运作；然而休谟在这里所提出的关键是，即使是自然运作中任何“特定的”划一原则，也都有可能在未来停止运作。因此我们不能将归纳思考根基在先验的知识基础上。

    归纳的：我们也不可能诉诸于在过去使用归纳推理的成功经验来证明归纳推理的可靠性，因为这将会构成循环论证。

休谟接着总结道我们的思考能力并没有一个理性的基础，因为没有任何形式的理性可以证实这样的能力。在这里要注意的是休谟并不是在主张以下几点：他并不是主张因为归纳法不属于演绎法，所以那并不理性（休谟并不是所谓的“演绎主义者”）。

如同休谟在一段名为“论怀疑主义与理性”的章节中所讲到的，他主张的是如果理性没有任何的依据就能够构成我们的思想、如果思想是从头到尾都是由理性所构成的，那么我们根本不可能会相信任何东西，包括了直觉或演绎得出的任何真相在内。

除此之外，休谟并不是主张归纳法并不可行、也并不是认为归纳法就无法达成可靠的结论，相反的，休谟主张的是这种归纳思考在事实上并不是由理性所构成的。休谟理论中的另一个重点在于：虽然休谟对于归纳法属于理性思考的可能性抱持悲观态度，他仍认为归纳推理带有相当值得注意的、也是相当神奇的预见未来的能力。为了解决我们在了解归纳推理上面对的问题，休谟提出“自然”作为解决问题的答案。自然决定了要我们期待未来的事物中会有比较多与过去类似，而“这种思考方式让我们得以透过相同的原因推断出可能的结果，反之亦然。这种思考方式是所有人类生存于世所不可或缺的条件。但我们不能信赖我们的理性所做出的错误演绎，这种理性不但思考缓慢，而且打从我们出生下来在一生中都非常容易犯下错误”（《人类理解论》，5.2.22）。休谟的这个说法或许是在那个时代（前达尔文时代）对于人类归纳思考能力所做出最接近进化论的理论了，休谟在这里也突显了自己与所有无神论思想家的主要差异，完全呈现了他身为自然主义思想家的一面。

自我理论

休谟指出我们通常会假设现在的我们就和五年前的我们没有两样，虽然我们在许多方面都有了改变，呈现在五年前的我们和现在的我们都是同一个人。我们也会思考时光究竟可以在不改变一个人自身的情况下，改变一个人内在到什么程度。不过休谟否认那神秘的自我与一个人所带有的各式各样人格之间是有所区分的。当我们开始自省时我们会发现：“除非依靠一种特定的感觉，我们从来不可能有任何的意识；人只不过是由许多不同的感觉累积而成的一个集合或一个包裹，这些感觉永远处在一种快到无法想像的流动速度中互相交替汰换。”

很明显的是在我们思考的过程中我们的各种思想永远都在改变，我们的想像力可以轻易的从一个想法转换到另一个类似的想法，而想法本身的特质便足以形成一个连结和联想。同样的，我们的感觉也必然会不断的改变，改变了的感觉也会类似于之前的感觉。想像力必然是经过长时间的习惯所培养下来的思考方式，随着空间和时间的改变而不断想出更新的想法。

 值得注意的是，从休谟的角度来看，这些感觉并不属于任何事物。相反的，休谟将人的灵魂比喻为一个共和国，这个共和国并非依靠着什么恒久的核心思想，而是靠着各种不同的、不断改变、而却又互相连结的思想才保持了其本体。也因此个人的本体是只不过由一个人的各种个人经验所构成的松散连结。

简而言之，对休谟而言“本体”是否存在并不重要，重要的是各种感觉之间的因果关系、串连，以及彼此之间的类似。

实践理性

大多数人都会认为一些行为比其他一些行为要来的“合理”。举例而言，吞食铝箔片在大多数人来看是一种很奇怪的举动。然而休谟否认那种理性在驱动或排斥特定行为上扮演了任何重要的角色，毕竟理性只是一种对于概念和经验的计算罢了。

在休谟来看，真正重要的是在于我们如何感觉这些行为。休谟的这个理论在现代被视为是工具主义（Instrumentalism）的基本原则，主张一个行为的合理与否应该是取决于这个行为能否达成其预定的目标和欲望，无论这些目标欲望为何。理性只是扮演着一种媒介和工具的身份，用于告诉我们怎么样的行为才能达成我们的目标和欲望，但理性本身永远不能反过来指挥我们应该选择怎样的目标和欲望。

也因此，如果一个人想要吞食铝箔片，理性可以告诉那个人他应该去哪里寻找铝箔片，“吃铝箔片”或是“想要吃铝箔片”本身并没有任何不理性的地方（当然，除非一个人有强烈的健康欲望或是感觉能力，理性才会告诉他不应该这样做）。不过在今天，许多人认为休谟在这里其实已经到达虚无主义的境界，并且指出了一个人其实可以故意的阻挠他自己的目标与欲望而不会违反理性原则（“我想要吃铝箔片，让我把我的嘴巴捆起来”）。这样的行为必然会显得相当不正常，但是既然理性并没有扮演任何角色、也不能用以评量行为，这样的行为也就不会违反理性了。

大卫·休谟（David Hume，公元1711年4月26日—公元1776年8月25日），苏格兰不可知论哲学家、经济学家、历史学家，被视为是苏格兰启蒙运动以及西方哲学历史中最重要的人物之一。虽然现代学者对于休谟的著作研究仅聚焦于其哲学思想上，但是他最先是以历史学家的身份成名，他所著的《英格兰史》一书在当时成为英格兰历史学界的基础著作长达60至70年。

历史学家们一般将休谟的哲学归类为彻底的怀疑主义，但一些人主张自然主义也是休谟的中心思想之一。研究休谟的学者经常将其分为那些强调怀疑成分的（例如逻辑实证主义），以及那些强调自然主义成分的人。

休谟的哲学受到经验主义者约翰·洛克和乔治·贝克莱的深刻影响，也受到一些法国作家的影响，他也吸收了各种英格兰知识分子如艾萨克·牛顿、法兰西斯·哈奇森、亚当·斯密等人的理论。

虽然休谟属于18世纪的哲学家，他对智能领域的影响还远远没有受到应有的重视。

平时，大家只谈“知识”，好像有了知识就万事大吉，其实，知识的使用更重要。如何有效地使用知识就是算计。算计不等于博弈，更可能的是一种感性化的理性，犹如交通标识之上的灯笼，让四九的最后一天显得格外温暖……

人不是普通的物，所以人的思维及行为与物理的变化规律并不一致，符号主义有其天然的局限性。但人又是一种特殊的物，在最亚原子层级上与其它物体相同，所以又会遵循一定程度的物理变化规律，这体现在联结主义和行为主义的部分匹配上。回溯强化学习和深度学习的历史，会发现它们都来自于神经科学。强化学习可以追溯自巴浦洛夫的行为神经学，而深度学习来自于哈佛大学David Hubel和Torsten Wiesel在研究视觉中枢的生理学中所做的工作。他们记录了猫和猴子的视觉神经结构，并提出了一种视觉中枢的神经架构。正是这种架构，而非模型训练技巧，在深度学习神经网络中得到了应用，甚至包括了最近的残差神经网络ResNet。

算计是一种谋划，多逻辑的组合，是人机环境系统交互作用的产物。既包括随动也包含预测，有情感的作用，也有理性的作用。真正的智能是无界和跨界，也是显隐、阴阳共存态。同情和同理是人类智能的隐性前提和条件，机器的智能（人工智能）对于后者尚有一部分，但对于前者还依然无能为力。机器学习是一种能从数据中学习的计算机编程科学以及艺术，如 《 The book of WHY 》 作者Pearl在书中所说：统计学习只能去寻找关联，而不能得到因果。人机结合的智能重要的不但是解释，而且更是改变。人机环境系统即是智能，智能即是人机环境系统，如人工智能，有多人工，就有多智能。系统一词来源于英文system的音译，即若干部分相互联系、相互作用，形成的具有某些功能的整体。系统一般分为自然系统、人为系统、复合系统和生理学概念，描述系统的方法有符号、单位脉冲响应、差分方程和图形等。

网络切片是一种按需组网的系统方式，可以让运营商在统一的基础设施上分离出多个虚拟的端到端网络，每个网络切片从无线接入网、承载网再到核心网上进行逻辑隔离，以适配各种各样类型的应用。马赛克既可以是元素的动态需求组合（如人、机单元），也可以是关系的动态需求组合（如各局域网集合关系），还可以是元素与关系之间的动态需求组合，即元素与集合的交叉。可解释性是一种以人类认识的语言(术语)给人类提供解释的能力。

在不同的维度或逻辑里，点可以是线、面、体，反之也可以，例如面对同样的事实空间，不同人的不同角度其价值空间是不同的，不同状态空间与不同趋势空间的差异也是不同的，不同感觉空间与不同知觉空间的差异也是不同的，这些都是概念维度变化导致不一致性的原因之所在。哲学不知道思维的出发点和思维方向是由情感决定的。逻辑是思维的规则或规律，但只能保证思维走的是直线，而不是解决各组合之间缠绕和叠加。

适应性转变是一种复杂的适应性进化，“盲眼钟表匠”理论认为，进化是一步步逐渐进行的，每一步都会从一堆随机的“修修补补”突变中保留下一些对生物体来说微小、但可以提高适应度的改变，聚沙成塔。

不由得让人又想起那个段子，要花上百万设计出机械手去抓取生产线上的空香皂盒，结果用一台风扇放在生产线旁一吹就解决了。是时候仔细想想了，我们大脑真的是用那些复杂的数学方程在解决问题吗？

意图识别的准确性能在很大程度上影响着搜索的准确性和对话系统的智能性。意图识别是指分析用户的核心需求，输出与查询输入最相关的信息，例如在搜索中要找电影、查快递、市政办公等需求，这些需求在底层的检索策略会有很大的不同，错误的识别几乎可以确定找不到能满足用户需求的内容，导致产生非常差的用户体验；在对话过程中要准确理解对方所想表达的意思，这是具有很大挑战性的任务。

规律的变就是一种不变，犹如不变的加速度与变化的速度。速度是距离除以时间，加速度是速度除以时间，是速度的速度。顾名思义，关系是事物之间的相互作用，加关系是这些相互作用之间的作用，即相互作用的变化程度。

人不是普通的物，所以人的思维及行为与物理的变化规律并不一致，符号主义有其天然的局限性。但人又是一种特殊的物，在最亚原子层级上与其它物体相同，所以又会遵循一定程度的物理变化规律，这体现在联结主义和行为主义的部分匹配上。回溯强化学习和深度学习的历史，会发现它们都来自于神经科学。强化学习可以追溯自巴浦洛夫的行为神经学，而深度学习来自于哈佛大学David Hubel和Torsten Wiesel在研究视觉中枢的生理学中所做的工作。他们记录了猫和猴子的视觉神经结构，并提出了一种视觉中枢的神经架构。正是这种架构，而非模型训练技巧，在深度学习神经网络中得到了应用，甚至包括了最近的残差神经网络ResNet。

机器不懂爱恨交加、喜忧参半、有心无力