`1. AI機器與人類携手共舞
AI思維(AI thinking)是指在AI技術潮流下的機器智能(machine intelligence)表現的幕後思維模式。基於AI思維的機器(簡稱AI機器)，學習技巧(即算法)日新月异，迅速從經驗中學習和領悟、呈現出高度智能。大數據(big data)提供給它極佳的學習材料，大數據蘊藏了事物之間的相關性，成爲它領悟的源頭，豐富它的智能。隨著AI機器的學習技巧(即算法)日新月異，物聯網技術促進大數據的迅速涌現，機器的學習成效急速上升，在許多領域裡，機器的智能表現已經超越了人類，是人類所望塵莫及了。
AI機器智能的特性是，它很類似人類的<歸納性>智能，它的思考過程不清晰、偏於結論性、欠缺可信(可靠)性。由於它欠缺可信性，所以在判斷&决策上，機器和人類一樣，常常會有偏見和誤判。人類日常生活中，往往是由<歸納性>智能所主導，一樣常常會有偏見、衝動和誤判(固執己見)。
然而，人類有三種智能：歸納性、演繹性和溯因性(abduc
tive)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，讓人類擁有更深思熟慮的智能，來彌補<歸納性>智能的弱點，而且帶來了更多的創造力。尤其是溯因性(abductive)智能。它是基於假定(hypothesis)思維體系、進行檢驗、反證的思考過程。是人類最具創造性的推理方法，而且人類的專長、機器還不具備這種智能。在AI大數據潮流下、善於這種<溯因性>思維習慣的人群，其職場的兢爭優勢將日益上升。目前非常流行的<設計思維>(design thinking)就是基於溯因推理的思維方法。
一旦我們能讓AI思維的機器全域探索能力來協助人類的創意思考迅速尋找到最優的實踐方案。同時，也讓人類更多的慎密“思考”來彌補機器“智能”的弱點。就能讓人類和機器變得相輔相成、達到創新與實踐的最佳組合。例如，提倡
將是機器和人類携手邁向幸福的創新之路。
2. AI智能的發展史
回顧一下AI的發展史，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)裡，讓機器像人一樣地思考。當時就使用符號和邏輯裡表示思考(thinking)和表現出智能(intelligence)，人類努力向機器輸入符號化的“思想”幷期望軟件程序會展現出足够像人的思考能力，然而這個期望幷沒有成功。
後來，專家們另尋他途，轉而採用Rosenblatt在1957年提出的“感知器”(perceptron)程序、使用重入回饋算法“訓練”各種邏輯式子，因此實現了初步的機器“學習”。這稱爲“聯結主義”(connectionism)，也誕生了“神經網絡”(neural networks)名詞。這個途徑幷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出像人一樣的思考；反而是由外而內，儘量讓計算機表現得有智能，但人們幷不關心機器是否真的“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，基於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,基於不同的學習途徑，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，而且百戰百勝，以100:0完勝它的前輩AlphaGo。
3. AI智能的缺點：偏見與誤判
剛才說明了，基於AI機器很擅長於學習，從how-to-do經驗中學習和領悟，而呈現出智能。大數據(big data)提供給它極佳的學習材料，大數據蘊藏了事物之間的相關性，成爲它領悟的源頭，豐富它的智能。隨著AI機器的學習技巧(即算法)日新月異，物聯網技術促進大數據的迅速涌現，機器的學習成效急速上升，把人類遠遠拋在後頭了，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、偏於結論性、欠缺可信(可靠)性。由於它欠缺可信性，所以在判斷&决策上，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現一輛白色卡車後死於撞車事故。
君不見，一個人的閱歷愈豐富，它的判斷與决策愈迅速，但也更會有偏見和誤判(固執己見)。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)出遊。
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，口乾舌燥，想找泉水解渴。好不容易，看到有泉水從岩石隙縫滴下，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，神鷹又俯衝下來，把杯子踢翻了。他又接了兩次，神鷹都把他手裡的杯子踢掉了。
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，終於爬到了水源，看到水池裡躺著一條粗大的劇毒死蛇。成吉思汗楞住了，他懊惱不已，大聲喊道“神鷹救了我的命呀”。在這傳說裡，神鷹(比喻機器學生)擁有更高視野和更多資料(看到了毒蛇) ，讓它更相信那泉水是有毒的，而成吉思汗(比喻人類學生)的豐富閱歷却帶給他偏見和誤判。導致成吉思汗把神鷹殺害了。
請試想、發生這項悲劇的幕後原因是什麽? 因爲機器學生擁有的是<歸納性>智能，加上大數據的支撑、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。其正確性高於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(abductive)智能。但是往往是由<歸納性>智能所主導，它快速而不費力。至於複雜的演繹推理和溯因推理是比較費時和消耗精力的。通常，一個人的閱歷愈豐富，對於其豐富的<歸納性>智能具有愈大的信任，大多數的判斷與决策很迅速和準確，但是可能會産生偏見和誤判(固執己見)。
由於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：基於豐富自信的<結論性>知識，迅速運用來獲得成效。只是如剛才所提到，可能會産生更嚴重的偏見和誤判(固執己見) ，像成吉思汗一樣射殺了心愛的神鷹。
4. 完美結合：AI機器智能+人類設計思維
在AI潮流下，如何讓機器和人類携手共舞、一起創新，成爲最新潮的創新思維。其中最先進的創新之路很可能是：機器AI思維+人類設計思維。於此，就從知識(knowledge)的角度來看AI思維與設計思維之間的密切關係。
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，所以只産生思考的<結論>知識，而沒有産生思考的<過程>知識。這種歸納性智能所産生的結論性知識，我(高煥堂)稱之爲：知識1.0。
當今，在知識1.0(即歸納性智能)範疇內，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1.0。憂心的是：一些仰賴於<歸納性>思維習慣的人群，其職場的兢爭優勢將日益式微了。
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，能以符號來表達成爲知識。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、增添了思考的<過程>知識。於是我稱之爲：知識2.0。
然而，當今在機器智能的世界裡，機器能迅速學習，領悟幷輸出<結論>知識(如how-to-do知識)。機器智能還處於知識1.0階段。
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(abductive)智能。它是基於假定(hypothesis)思維體系、進行檢驗、反證的思考過程。我稱之爲：知識3.0。
溯因推理的智能是由觀察現象(結果)到原因的猜測推導過程，沿著現象的特徵往回追溯産生該現象之原因；它是除了演繹推理、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，是一種頗具創造性的推理方法。
這種創意型的(溯因)思維習慣是人類的專長、機器還不具備這種智能。在AI大數據潮流下、善於這種<溯因性>思維習慣的人群，其職場的競爭優勢將日益上升。目前非常流行的<設計思維>(design thinking)就是基於溯因推理的思維方法。
~ End ~
`
