登录信息加载中...
，改善生活和社会。例如利用人工智能完成营销和客户服务，借助人工智能进行市场数据分析，将人工智能用于改善物流或者系统功耗，达到更高效率、更方便快捷的社会生活。
与人相处的能力
第二种能力，是人际沟通领域的需求。以我个人的判断，在未来很长一段时间，人与人沟通交流仍然是不可取代的一方面。在前面的分析中我们看到，即使人工智能进一步大力发展，它们离理解人类世界和人类心思仍然有较大差距，因而不可能完全替代人际沟通。尤其人工智能接管大量基础单一型工作之后，人与人沟通会是需求更广的领域，剩下的绝大多数职位和需求可能都集中在需要人与人大量沟通协作的领域。
想要跟得上智能时代的发展，与人沟通的能力会变得越来越重要。
我们可以想象，未来不可能再像过去一样，一份工作可以一成不变地做一辈子。标准化工作都容易被机器自动化，而非标准化工作，一般都意味着大量不确定性，需要不断磨合、团队协作、沟通、修改、随机应变、相互妥协。例如一个节目摄制组，一些形成惯例的机位摄制可能可以自动化运行，一些基础脚本和服务工作可以每期交给人工智能，但是每期节目仍然需要大量现场临时调整、与参与节目的嘉宾沟通、节目本身的创意沟通，人与人协作。未来在情感关怀与陪护、人的社交娱乐方面，也会有更多基于人心灵沟通的需求。
超越人工智能的能力
第三种能力，是我自己更为看重的，未来更需求的关键性能力。也就是做那些人工智能难以做好的事情，给人工智能指引方向。第一类能力只是围绕人工智能工具做现有的事，而第三类能力是去开拓人工智能仍然难以做到的事。
在这个领域，我们需要了解，有什么是人工智能仍然做不到的。这些专属于人类心智上的皇冠，一定是未来需求最强烈的能力。
什么是人工智能做不到的能力？
核心中的核心是两条：世界观和创造力。
我自己也是琢磨了很久，才把关键词锁定在这两个。在前面的分析中，我们已经看到，有不少能力人工智能目前尚不具备，还需要很长时间发展和算法的突破，才有可能有所进展。这些能力包括常识、抽象思维、跨学科认知、感知他人心思和情感、元认知、对不确定价值目标进行抉择，等等。将所有这些具体的能力汇集到日常生活工作中，就可以总结为两点：世界观和创造力。
世界观
世界观是常识的升级，是我们对世界的全景认知。目前，人工智能理解专业性问题已经非常出色，但综合性问题仍然让其非常困扰。围棋人工智能可以下围棋、医疗人工智能可以看病、金融人工智能可以投资、销售人工智能可以推销，然而没有人工智能可以用同一系统学会两个领域的事。它们可以从海量专业数据中总结规律，但是回答不出日常生活中的情境问题——日常生活的问题总是涉及跨多个知识领域的综合常识。而我们人类，对此有天生的本能。我们能够建构整个世界的模型，把人放在大量背景知识组成的常识舞台上，对其行为加以理解。
常识的升级让我们具有洞察力和世界观。各方面的常识越丰富坚实，相互之间联系越清晰，你越能一眼看到各个部分的问题，找到系统性解决方案，理解全局局势，从而判断出趋势。这种系统性趋势理解和基于过去趋势经验的外推不同，它是对多领域知识相互关系的理解，根据各部分关系的走势变化，对整体趋势做出判断。如果只能学习某一模块内的专业知识，不可能对全局有所把握。这一方面需要知识，另一方面也需要经验和视野。这不仅仅是单纯输入数据能够做到的。IBM的人工智能“沃森”几年前就输入了维基百科的多学科知识，也在知识竞赛中打败人类选手。但是世界观并不是碎片知识的堆积，世界观是世界模型。
世界观让我们有跨专业的创新能力。我们能够从物理和生物的结合中做出蛋白质组学，能把音乐领域理论带入建筑设计，能将政治、经济知识与生活场景对应，最终以波普艺术的方式呈现出产品。构建知识的全景舞台，让多学科门类知识搭配组合，创建更有意义的事物，这是目前的人工智能难以跨越的一步。
创造力
创造力是生成有意义的新事物的能力。它是多种能力的综合，一方面要求理解旧事物，另一方面能够想象新事物。对旧有数据的学习和遵循是人工智能可以做的，但是对不存在的事物的想象，人工智能远远不如人类。
说有意义的新事物，是因为目前人工智能有一种“伪创造力”，也就是随机制作或统计模仿。只要一个程序，就可以随机生成一百万幅画，或者统计畅销小说中的语词和桥段，进行模仿和组装。但这不是有意义的创造，它们不懂它们创造了什么。
真正的创造力不是这样。真正的创造力是对问题的深刻洞察，提出与众不同的全新的解决方案，或是对想象的极大拓展，让奇思妙想转化为可实现的全新作品，或是对人性的复杂领悟，把人心不可表达的感触转化为可表达的感人艺术。没有深刻的理解和敏锐的感受，就没有真正的创造力。创造力仍然是人类独特的能力，它需要太多人类特质做基础：审美能力、独特的联想能力、敏锐的主观感受、冒险精神、好奇心和自我决定，发散思维和聚合思维的切换，最后，还需要对事情强烈的热爱。
创造力让人不断拓展自身的边界。在越来越大的版图中，只有惯例的事情交给机器做，人类永远能在新大陆找到存在空间。有创造力的人越多，新版图就越大，能够容纳的人就越多。但进入的前提是，需要具备创造力。
人类学习有什么特点？
“那我们如何获得未来所需的能力呢？”
我知道大家的第一反应肯定是这样。提到了能力，就要说如何获得。但在谈路径之前，我想先聊一聊，人类是如何学习的。只有了解了人类学习的独特性，才可能知道未来我们如何去做。
人类学习的最精华特点，凝结在孩子身上。
人工智能时代，当我们越来越熟悉机器学习，我们也就越来越对孩子的学习充满惊叹。我有时候在家观察孩子的行动，听她议论周围的世界，会对她展现的领悟力感到叹为观止。孩子是造物的奇迹，他们用神奇的表现，一次次让科学家感到不可思议。而如果没有和人工智能对比，我们可能还察觉不到这种不寻常的能力。
传统教科书上只说如何用奖惩实现教育，只探讨课堂的教学法，但实际上，儿童的学习远远超越课堂范围，普通的奖惩也无法限制他。儿童的学习从婴儿期就开始，一直持续到成年，甚至终身。与人工智能的学习方法相比，孩子的学习有一系列非常独特的学习特征。
总体而言，小孩子和人工智能相比，有下面几个明显的特别优势：
以偏概全；
走神；
厌倦；
出错；
依赖情感；
叛逆。
我先带大家看一下，为什么这些特点是人类小孩的优势。
小数据学习vs.大数据学习
孩子是小数据学习。与人工智能对比，小孩子的学习能力高效得惊人。人工智能学习认鸭子，需要看数百万张鸭子的图片，小孩子只需要看两三张就够了，下次就能认出来。而且不仅仅是生活中有可能出现的熟悉的事物，小孩子看图片认袋鼠、考拉——北半球的小孩子可能从来没机会见到真的——也是一样高效。
这种能力，可能就和前文提到过的“抽象认知”能力相关。人类记住某些事物，是以非常抽象的方式提取关键特征，记忆成“模式”。这是如何做到的，现在还是谜。预言学家雷·库兹韦尔猜想，人类记忆“模式”是存储在大脑的三亿个柱状结构中。且不管他的猜想是不是正确，我们只要知道人类的这种模式识别能力的强大，就足以发出感叹。
到目前为止，计算机“深度学习”仍然需要海量数据，人工智能对每一件事的学习都要有足够多的数据支持。因而很多人说“未来最宝贵的资源将是数据”，如果得不到足够的数据，人工智能就很难发展。对于一些有海量现存数据的领域，这是自然而然的事情，例如金融、医疗，但是人类社会生活还是有诸多领域缺乏足够多的数据记录，人工智能一时就很难习得。对人情世故的理解也往往受限于数据。人类拥有“从经历中学习”的能力。当一件事发生，作为单一的事件数据，人类就能学习到很多规律。在事件学习方面，人类不仅不需要很大的样本数据，就可以“吃一堑长一智”，甚至是可以超额学习，也就是“举一反三”。
每个孩子都是“一叶知秋”学习者，小时候，我们都能观察到他们胡乱总结生活规律。一两岁的小孩就可以总结“这样扔东西奶奶会笑”的规律。这样的坏处当然是“以偏概全”，但实际上，我们需要珍惜他们的这种特性。因为这正是他们在用强大的“模式提取”思考方式进行小数据学习，试图从生活小数据中提取宝贵的知识。
我们应该鼓励孩子们的思索，“以偏概全”也可以转化为优点。若想避免“以偏概全”，可以让他们看到更多、经历更多、体验更多，但是思考和总结的能力是千金不换的。
联想学习vs.逻辑学习
孩子的思考总是充满联想跳跃。我们通常认为走神是缺点，但其实也是优点。人工智能学习一个领域的知识，会局限在这个领域内，按照这个领域内的数据，寻找相关联系，寻找因素之间的相互影响。如果存在逻辑规则，人工智能学习毫无难处。人工智能在一个领域内得到的知识很难联想或类比到其他领域，因为它们并不具备多个领域的知识记忆。
人类的语言里充满类比和联想。当我们说起时代变化，我们说“风起云涌”的时代，表明时代的剧烈变化；当我们说起事态严重，我们说“山雨欲来”，暗示即将有大变化。天气和我们讨论的政治经济趋势毫无关系，但是所有的这些比喻之所以能成立，是因为人能注意到事物背后相似的部分，这些相似性也很抽象，如风云的变幻感和趋势感，这种相似性人工智能难以想到或理解。
类比并不仅仅是文学修辞，它是我们的思维方式，在知识领域同样有用。我们从前经常批判“廉价的类比”，感觉类比并不是真知，只是人们大脑胡乱的关联。但实际上，我们的知识发展很大程度上是靠类比和联想。逻辑演绎能保证我们在一个领域内推导出真知，但是根据哥德尔不完备定理，一个领域内总有一些基础公理是不能自我推导的。这就是说，每个领域至少有一些基本假设，要“无中生有”，而“无中生有”的来源，往往是从原有的领域类比而来。
有价值的类比实际上是发觉深层的结构，外在的信息无关，不意味着深层的机理无关。爱因斯坦的广义相对论，由自由落地的电梯类比而来，把整个地球类比于电梯，得到了令人瞠目结舌的对宇宙的新知。电梯和宇宙结构之间的关系，就是用跨领域联想找到深层原理。爱因斯坦有着非同寻常的视觉敏感度，联想能力与此密切相关。
我们跟小孩对话的时候，几乎很难将话题保持在同一脉络上。小孩子总是说到一半，就想起其他相关事物，然后话题就漫无边际地拓展下去。在孩子小的时候，我们会发现他们很难集中注意力在同一件事情上，思维常常飞跑，这让我们试图给他们传授单一知识的时候感觉非常困难。但实际上，孩子的这种天马行空的自由联想是极为宝贵的思想资源。发散的思维不受限制，注意到事物与事物之间的关联。3—7岁是大脑突触连接最快速增加的时段，到了小学之后，大脑突触连接数量逐渐减少，联想和跳跃的思维也减少，可以更有逻辑地思考，集中精力，但是终其一生，在逻辑思考和跳跃思考之间找到平衡，往往是最有成果的。
习惯化学习vs.重复学习
小孩子总是三分钟热度，一件事情喜欢上两天就不喜欢了。要是人工智能，我们可以让它念唐诗念上一年也不厌倦，但小孩子能坚持三五天就很了不起了。
我们都知道这是人工智能的优势，那我们又为什么说“厌倦”是孩子的优势呢？
实际上，厌倦来自一种心理学特征：习惯化。习惯化是指：大脑对于新奇的刺激有本能的兴奋，人的注意力喜欢追随新奇刺激，一旦一个新鲜信息变得习惯了，大脑就感到厌倦，不再加以注意。婴儿身上就展现出这种特征，心理学家给三四个月大的婴儿看屏幕上的画，如果是他觉得奇特的，他就目不转睛盯着看，如果是已经看得习惯的画，他就不怎么看了。科学家就是用这种方式测定婴儿的本能知识。
那这有什么好的呢？
实际上，习惯化反映了大脑的学习过程。“注意力”是大脑的稀缺资源，大脑总是要把注意力“投资”在最值得的地方。一旦一个知识学会了，融入了自己的知识框架，大脑就要把注意力投资到其他地方。习惯化实际上就是学会之后的注意力转移。这种习惯化也正是形成“常识”的过程。大脑有常识体系，一旦一个信息是“反常识”的，大脑就加以注意，新知识变成常识的一部分之后，注意力就向其他新知识转移。
大脑注意力永远向新异信息转移，这种倾向实际上是创新的本能。
人工智能学同样的知识、做同样的练习，永远都不会厌倦，好处固然是永远可靠地工作，但问题在于，如果注意力永不厌倦地放在已经学会的知识上，还有什么动力去学习新知识？有很多人说，人类大脑的“自动化”过程是一种懒惰，但实际上，它是“自动化”旧过程，以便搜索新信息。大脑就是