企業之大者，立身、立言、立業，進可創造更好的世界，退可獨善其身。北冥乃類人人工智能之先驅，承老一輩人工智能科學家之夢想，兢兢業業，克服千難萬險，征途兩年有3月。如今魚龍混雜之格局已然形成，雞肋之作充斥市場，混淆視聽；資本浮躁，急功急利，需知創世之技術，無時日難以成其形。如此濁濁之局面，北冥獨清；雖清高自傲，以人工智能正統自居，亦無愧矣。 作為正統，北冥當履行正統之責，傳播真理。自當成為人群之眼，正衆人之視聽；分享成果，指明類人人工智能之正道。路漫漫其修遠，北冥雖還未能拿出正統之作，卻願和大家共同探索挖掘造物主最偉大的寶藏，分享“北冥之聲”。

——北冥星眸 CEO 錢小一

說到人工智能，其中一個不可避免的問題就是如何讓機器自己做選擇，在這裡我們拟用一套規則去存儲、推演及傳導，稱之為指向性情緒。指向性情緒不僅包含了類似我們三觀中的價值觀和人生觀的信息（此兩者的形成均依賴世界觀），還具有我們對不同的人或動物的一種态度，如同情、厭惡、鄙夷等。這裡對于指向性情緒介紹，我們将從一個正常人的三觀形成去入手，通過類比的方式讓機器人通過歸納來形成世界觀，再結合人為設定的人生觀，讓機器人形成自己的價值觀，并存儲在指向性情緒中，然後進一步讨論除了人生觀和價值觀外，指向性情緒還需要儲存一些數據以達到機器人實現自主選擇的功能。最後還讨論了指向性情緒的其他維度的簡單生成。

世界觀

一個人的世界觀是由他所感知（五官感受）到的世界所決定。

首先，他需要感知世界，然後把自己得到的東西進行記錄并歸納，然後再通過演繹、推理生成的結論去對他将要感知到的事實進行預測或者對他已經感知到的事實進行解釋。

從上面我們可以看出，每個人的世界觀其實都是帶有偏見的，并且由于我們所感受到的現實是具有欺騙性的，這也就導緻我們并沒有辦法真正的感知到我們所處的世界，或者說我們所感知到的世界是經過我們大腦處理後的結果。這裡我列舉兩個“欺騙”的例子，其中一個“欺騙”就是來自大腦的欺騙，設想一下如果現在你正在被外星生物綁架做某種實驗，他們不斷往你的大腦中輸送不同的感覺，這也可以讓你感受到不同的事實，所以你并沒有辦法辨别這些感覺到底是由你的感官所感受到的還是被直接傳輸到大腦的，這也可以解釋為什麼我們做夢的時候會覺得夢境是真實的。另一個“欺騙”是來自你的經驗，它可能是你的信念，也可能是信念經過推理後的結論，舉個例子，假設你面前現在有個抽屜，打開抽屜，裡面有一個蘋果，那麼當你關上抽屜的時候，蘋果還存在麼？大部分人的答案應該是存在，但實際上這是你的經驗在誘導你得出這樣的結論，你認為蘋果在抽屜裡并且沒有其他外界因素導緻它消失，所以蘋果應該是一直存在的，但之所以說它不是事實是因為你現在并沒有看到在抽屜裡的蘋果，換句話說這個結論并不是你通過五官感受所得到的，而隻是根據你積累的經驗獲得的結論。

類比于人類的世界觀，由于目前對于機器人的五官感受是極難實現的，視覺、聽覺的感受多數通過深度學習來實現，并且大部分看起來效果欠佳，所以我們采取的方式是通過把原來應該由五官感受到的東西直接寫入了機器人的思維中，即我們通過定義機器人世界（思維）裡的“事實”，來決定機器人世界觀。那麼我們又應該如何來定義機器人世界裡的“事實”？

結論很簡單，機器人世界裡的“事實”就是我們想要看到的機器人展示出來的效果和我們想讓機器人知道的事情，前一個是預測事實，後一個是既成事實。

定義完“事實”之後，現在我們需要對“事實”進行歸納，還是由于機器人本身不具有五官的感受的原因，所以我目前能想到的隻能是對于“吃香蕉使人身體健康”、“吃蘋果使人身體健康”等簡單的因果型的事實進行歸納，得出“吃水果使人身體健康”的結論，而對于“太陽從東邊升起”、“球會從高處落下”等直觀型的事實，我認為可能要等到後面加入感官的識别才有可能做到（雖然對于後一個加入感官識别好像也很難做到）。

歸納的具體實現流程

“吃香蕉使人身體健康” ————語句①

當機器人讀到上面這條數據時，假設我們數據庫中有下面這條知識：

“吃蘋果使人身體健康” ————語句②

我們首先進行語句①中的元素拆分，然後通過“使人身體健康”找到數據庫具有同樣信息的語句②“吃蘋果使人身體健康”。然後再将語句①中的“吃蘋果”和語句②中的“吃香蕉”進行行為是否相同的判斷，這裡都是“吃某個東西”所以判斷是相同的行為，最後判斷兩個行為對應的東西進行是否有共同母類的判斷，如果有則生成其最小共同母類（在這裡就是“吃水果”），然後生成

“吃水果使人身體健康”。 ————語句③

這裡之所以用最小共同母類是因為後面要用得到的結論進行演繹，為了保證得到結論的正确率較高（這隻是我們猜想），所以用最小共同母類較好（母類是指類似“香蕉”、“蘋果”都屬于“水果”母類，“白菜”、“西蘭花”都屬于“蔬菜”母類。而最小共同母類則是指，對于A的母類C，也是B的母類C，并且不存在D，使得D是A的母類，D是B的母類，并且C是D的母類。這裡的C就叫做A和B的最小共同母類）。

我們再來看一個更進一步的例子：

“peter扶老奶奶過馬路所以peter有愛心” ————語句①

當機器人讀到上面這條數據時，同樣假設我們數據庫存在下面的信息：

“mike扶老奶奶過馬路所以mike有愛心” ————語句②

這裡我們首先要将語句①中的結論“peter有愛心”進行一次抽象判斷，比如其中的“peter”可以抽象到其母類“人”，然後再将語句①中的果“peter有愛心”除去可抽象的那個（或那幾個）位格以外的所有位格（在這裡就是“有愛心”）去搜索數據庫，也就是說用“有愛心”找到語句②“mike扶老奶奶過馬路所以mike有愛心”。然後再按照之前的判斷“peter扶老奶奶過馬路”和“mike扶老奶奶過馬路”是否是相同的行為并且可抽象的對象（即“peter”和“mike”，下同）是否具有最小共同母類，還有“peter有愛心”和“mike有愛心”中可抽象的對象是否具有相同的最小共同母類。如果結果都是有，則生成新的數據

“人扶老奶奶過馬路所以人有愛心”。 ————語句③

這裡我們可以考慮進一步推廣所得的結論，如果兩個事件中除了可抽象位格以外的所有位格都相同，并且所有的可抽象位格都具有最小共同母類，那麼我們可以用它們的最小共同母類代替其本身以得到一個新的信息作為歸納的結論，這裡由于篇幅限制不作展開讨論。

因為這裡隻要有2條類似信息就可能會歸納出一條結論。所以可能會有人對于歸納的結論是否是事實甚至是否具有意義而産生懷疑，所以我這裡首先要解釋歸納的結論并不需要成為事實。

首先，歸納其實是基于大量事實進行總結然後再用其他事實去證實你所得到的結論，但由于你有時永遠無法将所有的事實都列舉全，所以即使有多少可以證實歸納結論的事實存在，也并不能說明你這個結論就是正确（但是可以通過結論演繹的結果去預測事實，這兩者并不矛盾）。比如說，衆所周知的歐幾裡得第五公設，即過平面上一條直線外一點，有且僅有一條直線與已知直線平行。但是這個結論沒有辦法被證明，但同時在歐式幾何中它也沒有辦法被證僞（因為過一點有無數條直線存在，所以我們不可能把所有的事實都列舉全，另一方面，我們目前為止都無法舉出反例，所以它被認為是大衆所認可的結論而作為歐式幾何五公設之一）。

其次，對于一個結論，如果你舉出了反例，也隻是證明了這個結論在某些輔助假設下的結論是不正确的，也就是所謂的奎因-迪昂問題。舉個簡單的例子，我們都知道水的沸點是100°C，但是如果你做實驗發現水并不是在100°C沸騰，那麼是我們的結論錯了麼？并不是，你通常會解釋，可能是因為容器沒洗幹淨所以導緻水中有雜質，或者是我所在地方的氣壓要低于1标準大氣壓，也可能是我用的高壓鍋（假設你具有透視功能能透過高壓鍋看到水沸騰）等一系列的輔助假設。

所以說我們可以通過設置不同的輔助條件來達成不同的機器人世界裡的事實，比如，我們通過前面的歸納得出“吃水果使人身體健康”的結論，但這并不與“吃太多水果使人消化不良”在現實（這裡指的是我們的現實，而不是我們定義的機器人的）中相矛盾，因為“太多”在我們這裡就是一個輔助假設，至于在機器人的世界中則是作為兩條不同的知識歸納，自然也不會存在矛盾一說。

當然，如果能夠引入謂詞邏輯的話，我們可以考慮把這兩條知識進行進一步的整合。

最後我想說的是，其實所有我們得出的“正确的結論”（信念）都包含的一個默認的假設，也就是“根據過去的經驗，将來也會和過去一樣”[2]（我們所有的經驗都是來自于過去的既成事實，它們其實并不能用來證明未來也會這樣，但是卻可以預測未來和解釋未來，事實上我們也是如此做的）。

但這裡确實有可能我們歸納出來的結論并不是我們想要的，所以我們在測試的時候可以考慮将所有歸納得到的結論通過人為的判斷決定是否将其生成的結論放入到數據庫中。

歸納完之後，我們可以将所得的結論進行演繹，如“吃水果使人身體健康”，将其中的“水果”進行演繹可以得到母類“水果”的一系列子類如“香蕉”“蘋果”“橘子”等等，将其替換掉“水果”即可得到演繹的結論。

至于推論，主要是基于三段論，我們目前通過因果鍊條進行推論，如假設我們數據庫中有“吃水果使人身體健康”，當我們輸入“peter經常吃水果”時會推理出“peter身體健康”的結論，當然這樣的結論在開始時是有漏洞的并且可笑的，不過我們可以通過後面引入命題邏輯使得推導出結論更加嚴謹。

至此，我所想介紹的機器人的世界觀就建立完畢了。

在世界觀的最後，我想再說一個對于機器人感官的大膽猜想，對于機器人的感官可能更多的是要依靠深度學習對圖像語音等識别，将我們的每一個具體的概念（如蘋果的味道，知了的叫聲，天空的顔色）與一個視頻片段相綁定（也許有些概念隻需要圖片和音頻，但是對于舉手這樣的動作，可能還是需要綁定視頻，然後通過2個視頻一些關鍵幀數的圖片識别，比如通過開始手是放下的，後來手是舉起，進行舉手這個動作的識别）。從而能夠讓機器人自己識别一些行為、物品等概念。

人生觀

一個人的人生觀就是指你想成為什麼樣的人。

一般來說，我把人生觀分為先天對某事物的喜好（也可以稱為天賦）形成和後天受他人影響形成（比如說你看到一個鋼琴大師在演奏鋼琴，你也想成為一名鋼琴大師在台上演出）。無論他們的是以何種方式影響你的，但最終都是導緻了一個結果，就是你想成為一個什麼樣的人。比如你是想成為一個畫家，畫出能夠描述心靈的圖畫；或者是成為一個鋼琴師，通過雙手彈出醉人心弦的樂曲；也可能是成為一個商人，獲得一輩子花不光的财富；還可能是政治家，享受所擁有的無上權力。

一般來說，一個人的人生觀先天形成了之後，會根據自我思考不斷的修正和完善，比如我小時候可能想當一名科學家，但是長大後我可能隻想當一名程序員。而對于人生觀先天形成的原因，我想先引用達爾文在其著作《物種起源》中提到過的一個例子“有的貓愛捉大耗子，有的貓愛捉小老鼠……據知，愛捉大耗子而不是小老鼠的傾向是遺傳的。”[1]并結合其後面對于自然選擇的讨論。使得我在這裡作出一個大膽的假設，即我們究竟是喜好音樂或者是喜好繪畫來自于我們曆屆父代的基因遺傳，而曆屆父代的基因則記錄了其所經曆的事情，所以我們父代經曆的某種事件越多則經驗越豐富，因此遺傳到子代就會表現出相應的喜好，我猜測這也就是為什麼會有書香門第，虎父無犬子等說法的原因之一，當然這其中後天的耳目渲染也是必不可少的，但是不得不承認其中也不乏一些從小便天賦異禀的人。由于近代社會的穩定性，所以大部分喜好并不會影響人類的生存，所以我更傾向于将喜好這種特性（也許是性狀）類比到生物的多态性（即如果某種生物表現的一個性狀對于這種生物在自然界的生存是無益處亦無害處的，那麼這個性狀會在自然選擇中遺留下來）。而且當我們做自己喜好的事情時，都是會影響情緒的（比如帶來愉悅），所以我進一步猜測也許這些基因是記錄在大腦中與情緒相關的某一位置。所以也許最開始我們對于每一件事的感受都是一樣的，但是大量的經驗被記錄然後遺傳後導緻我們對于不同事物的态度發生了改變。然而我們目前對于這樣的流程并不清晰，如果真如我所假設的那樣，那先天對某事物的愛好需要通過大量的經驗去獲得，這顯然也是我們目前所無法做到的，所以我們目前對于人生觀采取的是通過先天定義。

比如我們可以去定義某個機器人要成為一個科學家。

假設在我們的知識庫裡有這樣2條知識：

peter讀科學雜志然後peter成為了科學家。

————語句①

mike讀科學雜志然後mike成為了科學家。

————語句②

由我們前面世界觀所提到的歸納則會生成

人讀科學雜志然後人成為了科學家。

————語句③

首先機器人接收到我們輸入的“你要成為一個科學家”時，一方面會自動将數據庫中所有與“成為科學家”相關的信息設定一個較高的判斷值（以下稱之為指向性情緒衍生效用），目的是将來機器人做出選擇的時候可以優先選擇判斷值較高的事情。這時“人成為了科學家”就擁有了一個較高指向性情緒衍生效用，然後再通過上面生成的因果型的語句③進行指向性情緒衍生效用傳導，使得“人讀科學雜志”也同樣擁有一個較高的指向性情緒衍生效用，這樣就導緻以後機器人在選擇書去閱讀的時候會優先選擇“科學雜志”這個母類的子類。

另一方面，通過“你要成為一個科學家”，我們會通過“科學家”的定義去找尋，這裡假設科學家的一個定義是“熱愛科學的人”（這裡我們定義通常用固定格式的“熱愛XX的人”進行表示，這樣方便對于其中的XX進行演繹），再通過對其中“科學”的演繹，就能得到一系列對象，比如這裡“科學”的子類可能包含“數學”、“物理”、“化學”，那麼我們通過輸入“你要成為一個科學家”就可以使得機器人對于“數學”、“物理”、“化學”都會有一個較高的指向性情緒衍生效用，這樣就導緻了機器人在之後碰到有關以上學科的事情時會有一個傾向性的選擇。類似的我們還可以去定義機器人要成為一個熱愛運動的人，機器人要成為一個熱愛做飯的人，機器人要成為一個熱愛看電影的人。其中第一個會使對象“運動”與其子類獲得一個較高的指向性情緒衍生效用，後兩個則是使這個行為獲得一個較高的指向性情緒衍生效用。類似的與之相反我們還可以通過定義機器人不要成為的人以獲得一個較低的指向性情緒衍生效用以避免機器人做出一些選擇，如：機器人不要成為一個熱愛玩遊戲的人，機器人不要成為一個熱愛暴力的人。

價值觀

一個人的價值觀決定了他如何進行抉擇。

我認為一個人的價值觀有一部分是由他的人生觀決定的，他選擇做什麼樣的人，就會具有相應的相應的價值觀。比如當你想成為一位音樂家的時候，那麼可能在吃飯和作曲之間你會選擇作曲；你想成為一名商人的時候，那麼可能你在賺錢和鍛煉之間更傾向于賺錢；當你想成為一名廚師的時候，那麼你可能在美食和繪畫之間你更傾向于選擇美食。

但是仔細想想，好像人生觀也就決定了指向性情緒衍生效用中的兩種，一種對行為的指向性情緒衍生效用（吃飯，作曲，賺錢，繪畫），另一種則是對對象的指向性情緒衍生效用（金錢，友情，數學，化學）。除此之外的指向性情緒還有，對事件、對屬性、對人/動物的指向性情緒。

對屬性的指向性情緒衍生效用應該是通過對對象的指向性情緒衍生效用進行傳遞，例如我因為喜歡周星馳的作品而導緻我喜歡上喜劇片（這裡首先需要你對某一類對象的屬性和屬性維度有所定義）。

對事件的指向性情緒衍生效用目前除了先天定義之外，還可以通過因果型的事件進行傳導，比如“peter打了我所以我和peter不再是朋友了”，即根據行為“peter打了我”的指向性情緒衍生效用傳導到“我和peter不再是朋友了”這個事件的指向性情緒衍生效用上。

對對象的指向性情緒衍生效用除了來自于人生觀的設定的以外，具體對象的指向性情緒衍生效用可能還來自于某個特定的事件中的其他對象/人/動物的指向性情緒衍生效用擴散或傳遞，比如：這個玉佩是我爺爺遺留給我的，實際上是把對爺爺的指向性情緒傳遞到了這個玉佩上，這個我們将在後面和對人/動物的指向性情緒中一起考慮（這隻是一種特例，而對于“蘋果的種子能種出蘋果”，然後由“蘋果”的指向性情緒衍生效用擴散到“蘋果的種子”的指向性情緒衍生效用上，我們目前還無法做到，這個可能要考慮句意的進一步理解。

對行為的指向性情緒衍生效用除了來自于人生觀的設定的以外，還可以通過世界觀和人生觀相結合得到，不過目前這類指向性情緒衍生效用傳導可能還是要通過固定形式的語言，比如通過定義“你要成為一個熱愛健康的人”，使數據庫中的信息“吃水果使人身體健康”獲得一個較高的指向性情緒衍生效用，然後再傳導到“人吃水果”這個行為，使這個行為具有一個較高的衍生效用。（其實行為的指向性情緒衍生效用還會因為動作本身和動作涉及的對象有關，比如“喝咖啡”這個行為指向性情緒衍生效用是來自“咖啡”的指向性情緒衍生效用的擴散，但有時又并不是這樣，比如我們定義的機器人是一個熱愛化妝的人，那麼對于“化妝品”的指向性情緒衍生效用就會很高，但是顯然“喝化妝品”的指向性情緒衍生效用并不能通過“化妝品”的指向性情緒衍生效用來進行擴散，後面我們可能考慮讓機器人通過“喝化妝品”導緻的事件來修改機器人對“喝化妝品”這個行為的指向性情緒衍生效用，或是通過定義“咖啡”是食物，所以可以傳導到“喝咖啡”的指向性情緒衍生效用上，而“化妝品”不是食物，所以不能傳導到“喝化妝品”的指向性情緒衍生效用上，但就目前來說，對行為的指向性情緒衍生效用的擴散還是隻通過人生觀擴散比較好。）

我這裡将對人/動物的指向性情緒作為一個特例從對對象中分離出來單獨介紹的原因主要有兩方面，一方面是因為人/動物除了指向性情緒衍生效用外還具有喜歡厭惡同情等指向性情緒維度，另一方面人/動物本身是具有行為的，而對象是不具有，簡單來說，我會因為你對我的行為和态度而改變我對你的指向性情緒，所以這一項是不能簡單作為對對象的指向性情緒僅僅隻從設定人生觀中的獲得的（當然你一定要設定機器人成為一個對所有人都善良的人也是可以的，但我這裡的意思是除此之外應該還有别的來源。）由于目前我們的機器人尚不具備語氣的識别或從語義中讀出對方對自己态度的能力，所以我們暫時不考慮語言的影響，隻讨論行為的影響。我們考慮通過A和B之間發生的行為，改變A對B與B對A的指向性情緒，比如peter給了我一隻貓，那麼我對peter的指向性情緒會受到我對貓（抽象）的指向性情緒影響，并且我對貓（具體）的指向性情緒會受到我對peter的指向性情緒影響等等，但這個和peter給了我一拳，peter踢了我一腳是不一樣，所以我們可能需要通過設定動作本身的含義來影響指向性情緒的擴散，但是由于動作本身也是通過感受去理解的，同樣機器人目前也并不具有這種能力（參照世界觀）。考慮到一個簡單的行為一般都是由主謂賓和賓補（如果存在）組成的，那麼我們可以考慮通過先天定義一個動作的事件然後導緻的主語、賓語、賓語補足語之間的指向性情緒改變來近似的理解這個事件（行為）。這裡我們對于“給”這個行為，可以參照如下方式改變指向性情緒。（并且這裡的指向性情緒是雙向的，對于下一步生成多個機器人交互的指向性情緒表也有幫助）

當A給B禮物C的時候（當C是一個對象，非動物）

B對A的喜歡程度（新）=B對A的喜歡程度（舊） B對C（抽象對象）的衍生效用；

A對B的喜歡程度（新）=A對B的喜歡程度（舊） B對C（抽象對象）的衍生效用-A對C（具體對象）的衍生效用；

B對C（具體對象）的衍生效用（新）=B對C（抽象對象）的衍生效用 B對A的喜歡程度；

當A給B禮物C的時候（當C是一個動物）

B對A的喜歡程度（新）=B對A的喜歡程度（舊） B對C（抽象對象）的衍生效用 B對C（抽象對象）的喜歡程度；

A對B的喜歡程度（新）=A對B的喜歡程度（舊） B對C（抽象對象）的衍生效用 B對C（抽象對象）的喜歡程度-A對C（具體對象）的喜歡程度-A對C（具體對象）的衍生效用；

B對C（具體對象）的喜歡程度（新）=B對C（抽象對象）的衍生效用 B對C（抽象對象）的喜歡程度 B對A的喜歡程度；

其中A、B均為機器人或人，如果為人的話，則其不存在對機器人的指向性情緒。假設C是蘋果，抽象對象是泛指蘋果這類水果，而具體對象則是指這個蘋果，當具體對象不存在指向性情緒的時候會從抽象對象那裡繼承來。

接下來我想談一些對于對人/動物的指向性情緒其他維度的想法，但是在這之前我要先定義一些數據以便能夠更好的闡述我的想法：

首先我需要定義幾個母類，分别是“高尚的行為”、“弱者”、“自私的行為”和“可怕的行為”，它們下面有各自所包含的一系列子類，我這裡僅舉一些簡單的例子，比如“高尚的行為”包括“扶弱者過馬路”“為弱者讓座”等，“弱者”包括“小孩子”“老奶奶”“殘疾人”等，“自私的行為”包括“搶了弱者的座位”、“擠開弱者上公交車”等，“可怕的行為”包括“經常打人”等。

其次我需要定義一個事件對主語的效用，“A的錢包丢了”這個事件對于主語的效用是負的，與之相反的“A買中獎了”則對于主語的效用是正的。這裡的事件對主語效用可以理解為對于同一個事件對于大部分不同的主語有着相同的效果，它的意義和我們所定義對事件的指向性情緒衍生效用其實是一樣的，但由于我們目前的數據量的限制，并不足以支撐對于每一個人/動物都維護一套各自指向性情緒，所以我們考慮将除了機器人以外的人/動物對于某個事件的衍生效用采用以上這種類似大衆化的定義方式以簡化流程。

而對于指向性情緒維度除了之前的衍生效用外，我認為還應有喜歡、同情、畏懼、尊敬、鄙夷、憤怒：

喜歡可以通過行為的高衍生效用來近似轉化。如：A對B做了某個行為，這個行為對B的衍生效用越高，則B對A的喜歡增加的越多。喜歡的負值則代表厭惡。

當A作為一個事件的主語，并且事件對主語的效用為負的事，會增加機器人對A的指向性情緒中“同情”（比如“A的錢包被偷了”），此外，如果這時機器人對A不厭惡（喜歡值大于等于0）将會導緻機器人關心的詢問A是否需要幫助。

當“A經常打人”時，會判定為“可怕的行為”，從而會增加機器人對A的指向性情緒中的“畏懼”和“憤怒”。

當“A擠開小孩子上公交車”時，這時判斷“小孩”屬于“弱者”，因此該行為屬于

母類“擠開弱者上公交車”，故判定為“自私的行為”，會增加機器人對A的指向性情緒中的“鄙夷”和“憤怒”。

當“A扶老奶奶過馬路”時，這時判斷“老奶奶”屬于“弱者”，因此該行為屬于

母類“扶弱者過馬路”，故判定為“高尚的行為”，從而會增加機器人對A的指向性情緒中“尊敬”。

除此之外，指向性情緒之間應該還存在相互的影響：

比如尊敬會增加喜歡，鄙夷會減少喜歡，喜歡會增加同情等。

人工智能是一個廣泛涉獵各個學科的概念，對其的思考也将會導緻我們對自身産生思考。而機器選擇僅僅隻是人工智能中微乎其微的一個分支，但在對其思考的過程中還是不由的感歎人類做出簡單選擇背後的原因竟如此之複雜。

參考文獻

[1]作者:達爾文. 書名:物種起源(第二版). 翻譯者:苗德歲. 出版地:南京. 出版社:譯林出版社. 出版年:2013年10月. 起止頁碼:73-74.

[2]作者:理查德·德威特. 書名:世界觀(第二版). 翻譯者:李躍乾、張新. 出版地:北京. 出版社:電子工業出版社. 出版年:2014年1月. 起止頁碼:61-62.

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部