自人工智能開始興起時，關(guān)于“人工智能是否能取代人類”這個話題，就引起了強烈的談?wù)?。什么是人工智?人工智能是計算機科學(xué)的一個分支，它企圖了解智能的實質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機器，該領(lǐng)域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。人工智能從誕生以來，理論和技術(shù)日益成熟，應(yīng)用領(lǐng)域也不斷擴大，可以設(shè)想，未來人工智能帶來的科技產(chǎn)品，將會是人類智慧的“容器”。

軟件工程師兼哲學(xué)家William J. Littlefield II在最近的一篇文章中指出，推理分為三種類型。其中兩個，我們大概都在學(xué)校里學(xué)過：演繹推理和歸納推理。計算機可以很好地完成這兩項工作。

Littlefield說，早期的計算機通常使用演繹推理(他認為這是“自上而下”的推理)。它使功能強大的計算機能夠通過一次計算比人類可以進行的邏輯動作更多的速度在象棋和圍棋之類的游戲中擊敗人類。

相反，歸納推理是從一系列相關(guān)事實到結(jié)論的“自下而上”推理，例如：俱樂部舉行了60次游泳比賽，以下各場舉行20次：當俱樂部在桑迪角舉行游泳聚會時，我們平均獲得80%的批準。

當俱樂部在石點舉行游泳聚會時，我們平均獲得60%的批準。當俱樂部在Rocky Point舉行游泳聚會時，我們平均得40%的批準。

結(jié)論：俱樂部會員比其他人更喜歡沙灘。他又說，神經(jīng)網(wǎng)絡(luò)等新方法的出現(xiàn)使功能強大的計算機能夠組裝大量信息，從而實現(xiàn)歸納推理(大數(shù)據(jù))。

但是，沃森在醫(yī)學(xué)上的失敗表明，在不像國際象棋那樣沒有真正的“規(guī)則”的情況下，機器在確定哪些數(shù)據(jù)真正是信息方面面臨相當大的困難。也許甚至更大的數(shù)據(jù)也可以解決該問題。我們將會看到。

但是，根據(jù)利特爾菲德(Littlefield)的觀點，第三種推理，即歸納推理，則有所不同：

與歸納法或演繹法不同，我們從案例開始對規(guī)則做出結(jié)論，反之亦然，而在綁架過程中，我們生成了一個假設(shè)來解釋案例與規(guī)則之間的關(guān)系。簡而言之，在歸納推理中，我們進行有根據(jù)的猜測。

現(xiàn)在，為什么計算機不能做到這一點?利特爾菲爾德說，他們將陷入無休止的循環(huán)：使綁架具有挑戰(zhàn)性的部分原因是，我們必須從一組真正無限的解釋中推斷出一些可能的假設(shè)……

之所以如此重要，是因為當我們面對復(fù)雜的問題時，解決問題的部分方法就是修補。我們嘗試各種方法，在尋找潛在解決方案時保持自己的價值體系暢通。具體來說，我們產(chǎn)生假設(shè)。在計算機可能陷入無盡循環(huán)，遍歷無限解釋的情況下，我們使用價值系統(tǒng)快速推斷出哪些解釋既有效又可能。皮爾斯(Peirce)知道，歸納推理對我們解決新問題至關(guān)重要。特別是，他認為這是科學(xué)家發(fā)現(xiàn)事物的方式。他們觀察到意想不到的現(xiàn)象并產(chǎn)生了可以解釋為什么會發(fā)生的假設(shè)。

人工智能究竟能“消滅”多少工作崗位的問題，一直是街談巷議的熱點話題。然而，與不少技術(shù)樂觀派不同，有的人不認為人工智能取代人類的一天已經(jīng)迫在眉睫了。而這一判斷本身又是建立在如下觀點之上的：現(xiàn)有的人工智能并不具備靈活運用各個領(lǐng)域的知識進行綜合判斷的能力，而幾乎我們能夠想到的大多數(shù)人類所執(zhí)行的工作任務(wù)，都需要執(zhí)行者以相對靈活的方式來調(diào)配各個領(lǐng)域內(nèi)的知識。