人工智能的发展似乎有点不平衡。一方面，长期困扰数学家的四色定理可以用计算机证明、所向无敌的世界象棋冠军卡斯马罗夫被深蓝打败；另一方面，机器却做不好幼儿园老师、花匠这些看似简单的工作（当然，实际上并不简单）。这到底是为什么呢？

人工智能做的特别好的例子，有些共同的特点：

1、不存在计算机难以捕捉和理解的信息。证明四色定理的过程，中间不需要输入新的信息。对弈过程需要输入对手的走法，但输入是标准化的、计算机容易理解的。

2、问题的数字化描述简单。对于上述两个问题，目标是什么、条件和约束是什么，都可以准确地用数字化描述。

    这几个优点有多大作用呢？我们先来看一下人工智能的概念。我曾多次提出，人工智能至少有三个学派。这三个学派其实可以综合起来：

     笔者认为，智能体现在行动中，控制论学派抓住了智能最本质的东西，这就是信息体系和物理体系的协同。 但是，为了做出正确的行动，必须做出正确的决策。这就需要一个计算推理过程，也就是符号学派关注的重点。推理的依据是知识，生理学派关注的重点是知识的学习。

    理的过程本质上可以看成用计算机进行搜索（计算、优化）。它要解决的“问题”，可以抽象成目标、条件和约束三个要素。用数学化的语言就是：目标函数、优化空间和对优化空间的约束。有些智能现象需要接收新的信息：计算机收到新的外部信息后，优化的对象、问题本身都可能发生改变。当信息本身容易被接受、问题描述又很清楚的时候，所谓的人工智能就变成了“搜索算法”。这正是机器所擅长的。四色定理的证明和对弈，就是计算机所擅长的问题，同时避开了信息的获取、知识的学习以及信息体系和物理体系的协同等问题。

再看做不好的例子。

幼儿园老师不是单纯传授孩子知识，还要应对孩子可能出现的各种情绪和身体问题，并因材施教。首先遇到的困难是：识别孩子的情绪和身体状态——这一点，机器很难办到：要给出情绪的数字化模型，定义喜怒哀乐。这个可以理解为模式的定义，接着是模式的识别，即识别情绪的算法。接着，即便识别出来又该怎么办？要做什么、怎么做？可以理解为目标、条件和约束的定义。有了这个，才能将情绪信息转化为语言或行为。

对花匠来说，修剪花木的前提是认识这些花木——也是个模式识别问题。在此基础上，根据花木的情况，给出剪切的想法：剪成什么样？——为此，要对目标进行阐述。目标怎么产生的？后面是个审美为题，也可以说是价值观问题。要计算机解决这个问题，也需要有个数字化模型表征什么样的结果是好的。有了设计方案之后，再设计修剪的过程——要计算机完成这事，就要把设计模型转化成修剪的步骤和程序。最后，花匠要需要根据花木的具体情况、周围的环境、实际工作状态调整每一步的动作——这里涉及到信息的输入、识别、计算和动作控制问题。

由此可见，“低级”智能之所以难办，也就可以归纳为信息的识别和问题的描述。这都需要各种层面的数字化模型，如模式定义、目标的定义等；这些定义必须是容易识别的。数字化模型难在何处？因为很模糊。比如，“笑了”、“喜欢”怎么定义啊？如果没有数字化描述的模型和识别算法，计算机就无法智能地完成，再好的计算能力都是白费。

回顾过去，热了20多年的人工神经元方法试图解决这个问题。但现在看来，这些工作并不是很理想。现在，谷歌、IBM等公司试图用大数据来解决这个问题。前些天网上出现过用照片判断年龄、亲子关系的算法，或许就是要测试他们的算法。这方面似乎有不少的亮点，也有些问题：有个算法居然把我的一位不到50岁的男同学，识别成60多岁的女性。 

这些困难的本质是什么？在我看来，是概念和知识的模糊、碎片化、随机性。引发这种现象的原因，是数据的维度太高。维度高导致的复杂性问题，是真正困难的问题。

人工智能技术的广泛应用，大概就卡在这里。好在问题是死的，人是活的。人可以改造、设定特定的环境，让信息的获取和模式识别变得简单些。在我看来，互联网思维强调用户体验、海尔采用模块化，似乎与这个思路相通。