從字面解釋，思考分成思和考。

思是 構建，分析，歸納的過程。

考是價值評定的過程。

我們的思考可能是單一的，直接給出結果。也可能是循環(huán)的，在考之后發(fā)現(xiàn)價值評定過低，再添加輸入的論據(jù)和限制條件再次進行思考。

大概說說人工智能的如何思考的。在很大程度上人工智能與生物大腦在處理信息上差別不大了。

人工智能四個重要的名詞：

神經(jīng)元：處理信息的基本單元。其內(nèi)不光有處理數(shù)據(jù)的算法，還有為由多個神經(jīng)元構成的網(wǎng)絡提供結果評估的運算法則。其中之一是權重和偏置用于評估輸入信息是否被本神經(jīng)元處理和處理結果在眾多神經(jīng)元的處理結果中被采用和參與處理的概率。

模型：將神經(jīng)元組合構建成神經(jīng)網(wǎng)絡的架構。雙層還是三層甚至更多層的神經(jīng)網(wǎng)絡，輸入信息的規(guī)范化，輸出結果的格式化都是由模型進行管理的。

數(shù)據(jù)：數(shù)據(jù)分兩種，一種是訓練數(shù)據(jù)集，一種是測試數(shù)據(jù)集。

訓練：神經(jīng)網(wǎng)絡的訓練過程。大體如下，訓練數(shù)據(jù)集將數(shù)據(jù)和單個數(shù)據(jù)的加權一并輸入給神經(jīng)元。例如：黑烏鴉的訓練圖片集。在有完整黑烏鴉的圖片權重就會高，而沒有或者不是黑烏鴉的圖片的權重就會低很多。而有部分黑烏鴉特征的圖片權重則可能適中。當這些數(shù)據(jù)輸入給AI模型后，每個神經(jīng)元都會嘗試從圖片中提取黑烏鴉的某種特征，然后將圖像處理的結果進行綜合評定與輸入數(shù)據(jù)的評定權值進行比較，然后修正自身的權值評定。在整個網(wǎng)絡對某張圖片進行處理完整后給出整個模型的評定結果。然后進行歸一化給出圖片中有烏鴉或者沒有烏鴉的結果。測試數(shù)據(jù)集則是與訓練數(shù)據(jù)集完全不同的數(shù)據(jù)集，除了內(nèi)容不同之外，測試集不包含人工分析后的訓練集的權重評估。用我們小時候上課的學習來比喻人工智能的訓練過程，老師給我們一張烏鴉的高清圖片（訓練數(shù)據(jù)），然后告訴我們這種鳥就是烏鴉（預定權重）。然后拿出一張百鳥朝鳳圖（測試數(shù)據(jù)），讓我們找出其中的烏鴉（人工智能處理結果）。

人工智能處理信息的方式是不是我們?nèi)说乃伎歼^程很相似。人工智能與人的區(qū)別在于人工智能沒有構建的過程，它能夠進行分析，歸納和價值評判。雖然價值評判的結果當前只有真和假這種絕對評判結果。而缺乏相對的“好”與“壞”這樣的評判標準。

人工智能與生物的區(qū)別在于：1 缺乏主動的觸發(fā)分析和評定的。2 缺乏構建要處理的信息的能力。3 當前沒有做出相對評判的能力。

1 當生物看到某事物的某一部分的時候，例如：長頸鹿的腿，我們的感知會控制我們的視覺和肌肉組織將視線上移獲取長頸鹿的完整樣貌；然后得出看到一只長頸鹿的結果。你們有看到全完全由人工智能控制的主動移動的攝像頭嗎？即便是軍事用的無人機也還是需要人為干預來獲取偵察區(qū)域的完整的足夠做出判斷的戰(zhàn)場信息。人會主動的問：為什么？那是什么？而人工智能則不會主動產(chǎn)生這些疑問。LLM需要在與人的交互中有人提供原始信息和觸發(fā)信息處理過程。

2 構建是指當我們獲取的每一條信息只是某個整體的一部分時，人工智能無法將這些部分綜合為一個整體。這個過程我們需要提出與大多數(shù)信息相矛盾的部分，將趨同性的信息結合起來。一個訓練得很好的人工智能系統(tǒng)可以對單一信息做出很好的處理。但是對于復雜系統(tǒng)的多個要素的綜合反映，特別是存在錯誤或者矛盾信息的處理上無能為力。例如：對于經(jīng)濟體的健康程度進行評估，經(jīng)濟學上有很多重要的指標，CPI，就業(yè)率，GDP增速，產(chǎn)業(yè)結構占比，進出口數(shù)據(jù)，經(jīng)濟政策等等等等。如果你將某種參數(shù)給人工智能，他能給出一個大致的分析結果。而如果你將統(tǒng)計局報告給人工智能，他會給出多條相互矛盾的結果。

3 相對概念的產(chǎn)生對于生物來說是因為單體在客觀世界中的渺小。由渺小的個體在龐大整體中的哪個位置的認知產(chǎn)生的相對。雖然沒有人特意說明，但實際上我們的認知是由參照體系決定的。例如：以當前位置為參照物，正對面看到的是前，相對的后，白天相對的是黑夜，好相對的是壞。這也是二元論產(chǎn)生的基礎，同時也是基礎認知的方法。也是數(shù)學中0，1，2這些整數(shù)的由來。但是人工智能不會產(chǎn)生相對結果，一個原因是人工智能對結果做了歸一化，同時也是因為一個相對的結果對我們沒有幫助。假如人工智對于碰撞能給出一個89%的概率結果，你是踩剎車呢還是不踩呢？

我們回到針對思考的“思考上”。

生物有時會主動出發(fā)思考，主動的去獲取/學習信息和方法，然后給出結果；但并非總是如此，有些人“說話不經(jīng)大腦，隨口答應”都是沒有經(jīng)過思考過程，依賴網(wǎng)絡的隨機信息流路徑給出輸出和結果。

生物會嘗試通過多個信息的輸入來構建一個描述的整體；但有時不會。構建的過程與分析的區(qū)別是搜集看起來不完整的信息片段。如果你知道“一個腦袋”，你能回答這是什么生物嗎？不能，你會追問：“幾只眼睛？幾條腿？”對嗎？但是有的時候吧，我們并總是嘗試構建事件的全貌，而且這種情況非常常見。例如：某地受到了導彈襲擊。我們會直觀的判定，襲擊造成了很大的損失，死了很多人。但事實往往并非如此。如果襲擊被攔截了呢？如果是精確地落在了一個無人區(qū)的空地上呢？如果啞彈落在沙漠里了呢？

分析和綜合并不困難，但是似乎大家都并不主動的對信息進行分析。比如：我們打敗了天頂星人，我們宇宙無敵了！初步分析：打敗，天頂星人，無敵。其內(nèi)在的信息是，我們與天頂星人發(fā)生了異常沖突，而天頂星人戰(zhàn)敗了。在這個宇宙內(nèi)，沒有比我們戰(zhàn)力更強的對手了。但是，現(xiàn)實是我們還沒有走出太陽系，我們沒有見過所謂的天頂星人，我們也從來沒有和地外生命發(fā)生或沖突。簡單的分析綜合的結果就是這條信息是假的。雖然這條信息是刻意編造出來的假消息，但是在我們周圍有著更多似是而非，刻意的在真實信息內(nèi)摻雜虛假信息構建的虛假結論。材料學上沒有領先，電子設備的設計制造沒有領先，機械加工技術和特殊材料處理上沒有領先，分子生物學，化學工藝沒有領先。怎么就全面碾壓遙遙領先了呢？靠什么領先？靠做夢嗎？

結果額價值評定就更有趣了，“我知道是假的但是我選擇相信！” “沒有這些，我們就不能領先了？”“沒有基礎戰(zhàn)術的研究和針對性訓練我們就不能打以最小的犧牲獲取勝利了？”類似種種只有無語。

嘗試將思考的主要構成：主動提問，構建，分析，歸納，價值評定。進行細化的分析和綜合？漸漸的將進入哲學思想的范疇。而這些只是科學發(fā)現(xiàn)的基礎，這些產(chǎn)生了科學的萌芽和早期的科學發(fā)現(xiàn)。

喵呀，又爬我鍵盤上了。別叫了，你是不準成精的！