感知驱动、数据驱动、知识驱动与智慧驱动（一）

         人类与动物的一部分区别在于：人类热衷制造工具。

       自从有了计算机，对于计算工具的追求，使得我们社会进入了信息时代。正是计算工具的发展，大量信息通过数据的形式便捷地得以产生、传递、储存、计算。而贯穿信息化全过程的，代替人的，拟人的，皆在旨在利用一种能够自动计算数据（0和1 注：量子计算机则利用0和1的随机组合）的工具。

      在利用计算机这个工具的进程中，感知驱动可以认为是最为简单和可靠的。举个例子，你夏天到一个饭店吃饭，服务员见到客人来了，用遥控器按下按钮，打开空调，将制冷量控制到最大，而过了一会，服务员重新将空调制冷量调小，因为刚进门时温度比较高。同样的场景，可以是感应器感知到人来了，自动开空调，自动调温度，仍然属于感知驱动的控制。另外一个例子，你点击网页的一个视频，然后视频打开了，那个网页的按钮响应了你的点击驱动，属于按键（编程）的感知驱动。感知驱动，基本属于指令性执行。你预先编制好了响应指令的方式，一旦感应器匹配到对应的指令，它就（计算）执行，实现各种各样的感知驱动。

      数据驱动试图让计算工具自动学习到让机器自我响应的规律。如何学呢？计算工具其实，仅仅会算数（0和1）而已。当然，它擅长存贮，但知识能存贮吗？我们仅仅知道知识和经验能够记在动物的脑子里，但机器仅仅会记数。而我们能够让机器用到的数，是大量人类筛选的信息的形式，也就是大量的数据。而大量的数据，即使机器还不会找出知识，但总能存在一些可以完成具体任务的某些规律（如识别某一个人）或者某些经验（如下赢某种棋）在里边。并且，显然，我们想创造一种能够自己去识别的机器。我们给计算工具一大堆数据，设计并指导机器通过大量的数据自己去找到解决的办法，而机器就是一通0和1快速的算：搜索、比较、接受、放弃。。。。，终于基于多层（深度学习）神经网络的设计，让计算机器找到了从大量数据中自己“学习”有效的办法，其输入输出的快速匹配，可以实现识别图片，实现语言翻译。而深度学习的成功，正是由于设计出了一种有效的计算大量数据的方法，这种方法是一种可以自动提取并存储让机器表述我们所期望的智能感知关系的结构：机器虽然没有类似人类的大脑，而1500层以上的复杂网络以及沉浸镶嵌在有序网络的500亿以上的巨量参数，至少打开了计算工具实现数据驱动的一扇窗户。

      知识驱动显然想让机器更加像人类的思考。尽管数据驱动的红利远远还未挖尽，或者从某个角度说才刚刚开始。虽说，我们也算找到了一丝让数据驱动机器的曙光，这样的计算工具，具备比上一代更多拟人的智能，但从来不存在没有代价的获得：我们把处理大量数据的权利交给了机器，而机器自己找到了让人类满意的处理（参数）办法，但这天量（几百亿）的参数，其实就是一堆数据，让制造计算机器的人失去了对它的直接理解：计算工具成了黑盒。正是我们放心的把任务交给了机器，机器按照自己的方式完成了任务，我们却迷茫了：如果你看不懂这个机器是如何做出决策的，人类就无法真正信任它。因为，它的所谓决策，就是一堆数据，而这些数据一般只有在付诸驱动后，才能看到结果。而黑盒具有的人类不可解释性，导致了它的不可靠性及较差的鲁棒性。而这对数据驱动的一些应用场景带来影响，举个例子，你可以接受一台自动扫地的家用机器人，最差，它没有扫好地，你自己再扫而已。但是，未来你能接受朝你挥动着剪刀和剃须刀的理发机器人吗？

        未完待续