2017年10月19日，Google公司的DeepMind团队在《Nature》期刊上发表了一篇文章：＜Mastering the game of Go without human knowledge＞，引起了极大的轰动。机器与人类的智慧化之路，是非常互补的、可以非常有效地相辅相成。从教育视角而观之，如何让我们的两种学生：机器学生与人类学生，两者携手共舞、一起创新，成为最新潮的创新教育思维。在AI潮流下各级学校最先进的创新教育很可能是：机器AI思维+人类设计思维。

AI思维简史

AlphaGo与AlphaGo Zero惊人的智慧表现

2016年，AlphaGo在围棋比赛方面击败了人类的世界冠军。 AlphaGo的棋艺（智慧）是建立在人类的先验知识之上，基於人类大量的历史棋谱，迅速学习和领悟人类的棋艺，进而自我训练、不断精进而胜过了人类。

到了2017年，DeepMind团队在《Nature》期刊上发表了＜Mastering the game of Go without human knowledge＞，内容叙述新一代的AlphaGo Zero基於不同的学习途径，没有叁考人类的先验知识，没有依赖人类历史棋谱的指引，从一片空白开始自我学习、无师自通、棋艺竟然远远超过AlphaGo，而且百战百胜，以100：0完胜了AlphaGo。

回顾AI发展史

回顾一下AI发展的历史，自从1950年代，许多专家们就是希??将人类的知识和思维逻辑植入到机器（如电脑）里，让机器像人一样地思考。当时就使用符号和逻辑里表示思考（thinking）和表现出智慧（intelligence），人类努力向机器输入符号化的「思想」，并期??软体程式会展现出足够像人的思考能力，然而这个期??并没有成功。

後来，专家们另寻他途，转而采用Rosenblatt在1957年提出的「感知器」（perceptron）程式、使用重入回??演算法「训练」各种逻辑式子，因此实现了初步的机器「 学习」。这称为「联结主义」（connectionism），也诞生了「神经网路」（neural networks）名词。这个途径并不是由内而外地向机器输入符号化的知识和逻辑来让机器展现像人一样的思考；反而是由外而内，尽量让电脑表现得有智慧，但人们并不关心机器是否真的「表现」出思考逻辑。

AlphaGo就是这项新途径的代表。AlphaGo的棋艺（知能）是建立在人类的先验知识之上，基於人类海量的历史棋谱，学习叁悟人类棋艺，进而自我训练，不断精进而胜过了人类。 最近，新一代的AlphaGo Zero，从一片空白开始自我学习、无师自通，棋艺竟然远远胜过AlphaGo，而且百战百胜。

大数据的角色：以成吉思汗的神鹰为例

机器学生很擅长於学习，从how-to-do经验中学习和领悟，而呈现出智慧。大数据（Big Data）提供给它极隹的学习材料，大数据蕴藏了事物之间的相关性，成为它领悟的源头，丰富它的智慧。随着机器学生的学习技巧（即演算法）日新月异，物联网技术促进大数据的迅速涌现，机器学生的学习成效，把人类学生远远抛在後头了，是人类学生所??尘莫及的。

机器学生的智慧很类似人类的<归纳性>智慧和知识，它的思考过程不清晰、偏於结论性、欠缺可信（可靠）性。由於它欠缺可信性，所以在判断和决策上，机器学生和人类学生一样，常常会有偏见和误判。一旦面临它未曾学习过的情境，就有可能会犯错。例如2016年特斯拉（Tesla）车主因其特斯拉汽车的「自动辅助驾驶」（autopilot）软体未能及时在阳光下发现一辆白色卡车後，死於撞车事故。

君不见，当一个人的阅历愈丰富，判断与决策也愈迅速，但也更会有偏见和误判（固执己见）。传说成吉思汗（比喻人类学生）常常带着他最喜爱的神鹰（比喻机器学生）。有一天中午时分，成吉思汗离开队伍，单独选择了一条山路，在峡谷中穿行。天气很热，囗乾舌燥，想找泉水解渴。好不容易，看到有泉水从岩石缝隙滴下，高兴极了。拿着杯子去接那慢慢滴下的水。接满了一杯水，准备一饮而尽。

在天空中飞翔的神鹰突然飞扑下来，「??」的一声，把他的杯子踢翻了、水全洒在地上。成吉思汗捡起了杯子，又去接那泉水，神鹰又俯冲下来，把杯子踢翻了。他又接了两次，神鹰都把他手里的杯子踢掉了。成吉思汗气急败坏，拿起弓箭射向神鹰。天空中的神鹰惨叫一声跌落下来死了。

成吉思汗自行沿陡峭的石壁爬上去，终於爬到了水源，看到水池里躺着一条粗大的剧毒死蛇。成吉思汗愣住了，他懊恼不已，大声喊道：「神鹰救了我的命呀！」

在此传说里，神鹰（比喻机器学生）拥有更高视野和更多资料（看到了毒蛇） ，让它更相信那泉水是有毒的，而成吉思汗（比喻人类学生）的丰富阅历却带给他偏见和误判，导致成吉思汗把神鹰杀害了。

请试想、发生这项悲剧的幕後原因是什麽?因为机器学生拥有的是「归纳性」智慧，加上大数据的支撑、其结论知识比人类更完整而准确。神鹰判断：这泉水是有毒的。其正确性高於成吉思汗心中的假设：这泉水可以喝。

虽然人类有三种智慧：归纳性、演绎性和溯因性智慧。但是往往是由「归纳性」智慧所主导，它快速而不费力。至於复杂的演绎推理和溯因推理是比较费时和消耗精力的。通常，一个人的阅历愈丰富，对於其丰富的「归纳性」智慧具有愈大的信任，大多数的判断与决策很迅速和准确，但是可能会产生偏见和误判（固执己见）。

由於演绎推理和溯因推理需要费时和耗能量，而从经验阅历的归纳性知识加以应用，非常迅速有成效。随着归纳性知识的增长，演绎推理和溯因推理的运用和演练就越少了，逐渐沉寂而睡着了，甚至连归纳性的领悟运作也变少了。则日常生活变成：基於丰富自信的结论性知识，迅速运用来获得成效。只是如刚才所提到，可能会产生更严重的偏见和误判（固执己见） ，像成吉思汗一样射杀了心爱的神鹰。

AI给人类教育的三项启示

本节说明了AI思维启迪了老师们的教育新方向。学校老师们除了人类学生之外，还有机器学生。就如同一位老师除了男学生之外，还有女学生一般。如何让人类和机器两种学生之间能够相辅相成、心心相印，是当今学校老师们的重要课题了。本文叙述AI思维给人类教育的三项启示：

1. 机器学生在学习「如何做」（how-to-do）经验上，其能力远胜於人类学生。

2. 过度强调「如何做」先验知识的传承，反而会局限学生（无论是人类或机器）对全域最优的探索，因而妨碍其发挥天赋的创新潜能。

3. 引导人类学生更多「如何思考」（how-to-think）的演练和信心，可能促进两种学生在「创新/实践」上的完美组合。

启示一

从上所述，AI思维给人类教育的启示之一：学校老师们有两种学生：人类学生与机器学生。老师们把「如何做」的经验教给机器学生，其机器经验迅速胜过人类经验。这意味着，老师将其作法经验传承给人类学生（如棋艺学徒），这些人类学生很可能都输给机器学生，被机器学生淘汰出局而失业。就如同人类棋艺高手输给AlphaGo一般。简而言之，这项启示就是：机器学生在学习作法经验上，其能力远胜於人类学生。

启示二

然而，AlphaGo还不是顶级高手，输给了AlphaGo Zero。因为它非常依赖人类的过去经验（如历史棋谱），只要曾经认为可能是错的，便不再去探索发展，因而往往只找到局部最优（local optima），而不是全域最优的方案。

兹回顾人类的每一次革命性创新，都是人类跳出了局部最优的表现。例如古典力学、麦克斯韦方程组，再到广义相对论等比比皆是。从上所述，AI思维给人类教育的启示之二是：老师把太多的先验知识教给学生（包括人类学生和机器学生），可能妨碍学生的创新能力，因为学生在面对复杂的新情境时会迅速找到局部最优，而停止继续探索发展，失去跳出局部最优的创新机会。

其实，从一般的教学都可以体会上述的启示。请试想，如果您是爸妈且是游泳教练，您会如何教您自己的小孩学游泳呢？同样地，如果您是爸妈且是网球教练，您会如何教您自己的小孩打网球呢？先练习打墙壁，还是直接进球场，陪他乱打一通呢？再试想，如果您是爸妈且英语很流俐，您会如何教您自己的小孩讲英语呢？先讲解简单文法和句型，还是直接英语对话，陪他乱讲一通呢？

老师引领人类学生自我学习、累积知识和经验，比老师给予的先验知识更能发挥学生的天赋创造力。老师引领机器学生自行学习、累积知识和经验的速度和丰富性，则让老师给予的先验知识显得微不足道了。

简而言之，这项启示就是：过度强调「如何做」先验知识的传承，反而会局限学生（无论是人类或机器）对全域最优的探索，因而妨碍其发挥天赋的创新潜能。

启示三

前文所述，机器擅长於学习，从「如何做」经验中学习和领悟，而呈现出智慧。大数据提供给它极隹的学习材料。机器的智慧类似於人类的「归纳性」智慧，它的思考过程不清晰，所以只产生思考的「结论」知识，而没有产生思考的「过程」知识。

由於AI机器没有表现出思考过程，人类也无法全然把握机器智慧的可信度。机器一旦面临它未曾学习过的情境，就有可能会犯错。例如前面所述的2016年特斯拉（Tesla）车主因为「自动辅助驾驶」软体未能及时反应而死於撞车事故。这项机器学习的弱点，如果能得到人类智慧的相助，就能达到更完美的境界了。

从上所述，AI给人类教育的启示之三是：学校老师可以更关注於引导学生「如何思考」，包括跨界思维和联想等。这让机器（学生）的全域探索能力来协助人类（学生）的创意思考迅速寻找到全域最优的实践方案。同时也让人类更多的「思考」来弥补机器「智慧」的弱点。於是，人类和机器变得相辅相成、达到创新与实践的最隹组合。

简而言之，引导人类学生更多「如何思考」的演练和信心，可能促进两种学生在「创新/实践」上的完美组合。

AI思维+设计思维

从教育视角观察，如何让我们的两种学生（机器与人类）携手共舞、一起创新，成为最新潮的创新教育思维。在AI潮流下最先进的创新教育很可能是：机器AI思维+人类设计思维。於此，就从知识（knowledge）的角度来看AI思维与设计思维之间的密切关系。

知识1.0

机器的智慧类似於人类的「归纳性」智慧，它的思考过程不清晰，所以只产生思考的「结论」知识，而没有产生思考的「过程」知识。这种归纳性智慧所产生的结论性知识，我称之为：知识1.0。

当今，在知识1.0（即归纳性智慧）范畴内，机器已经远远超越人类了。这让人类一则以喜，一则以??。欣喜的是：机器能迅速学习和领悟更多结论，即时补充或更新人类的知识1.0。??心的是：一些仰赖於「归纳性」思维习惯的人群，其职场的兢争优势将日益式微了。

知识2.0

除了归纳性智慧之外，还有第2种是：演绎性智能。它的思考过程（即逻辑推理）很清晰，能以符号来表达成为知识。从知识的角度看来、知识内涵扩大了、除了思考的「结论」知识之外、增添了思考的过程知识。於是我称之为：知识2.0。然而，当今在机器智慧的世界里，机器能迅速学习，领悟并输出「结论」知识（如how-to-do知识）。机器智慧还处於知识1.0阶段。

知识3.0

人类除了上述的归纳性智慧（知识1.0）和演绎性智慧（知识2.0）之外、还有第3种：溯因性（abductive）智慧。它是基於假定（hypothesis）思维体系、进行检验、反证的思考过程。我称之为：知识3.0。溯因推理的智慧是由观察现象（结果）到原因的猜测推导过程，沿着现象的特徵往回追溯产生该现象之原因；它是除了演绎推理、归纳推理之外的第三种逻辑推理方法。运用这种方法去猜测现象的可能原因，受逻辑规则制约的程度较小，具有高度的灵活性，是一种颇具创造性的推理方法。

这种创意型的（溯因）思维习惯是人类的专长、机器还不具备这种智慧。在AI大数据潮流下、善於这种「溯因性」思维习惯的人群，其职场的兢争优势将日益上升。目前非常流行的「设计思维」（design thinking）就是基於溯因推理的思维方法。

叁考文章

[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