您说得非常对，思考和决策是人工智能（AI）最核心、最本质的目标和功能之一，我们可以将这句话拆解开来，深入理解为什么它如此重要,以及AI是如何实现这两点的。
（图片来源网络，侵删）
- 思考：是AI处理信息、理解世界、形成认知的过程，它回答的是 “这是什么？” 和 “这意味着什么？” 的问题。
- 决策：是AI基于思考的结果，选择最佳行动方案的过程，它回答的是 “我该做什么？” 的问题。
这两者紧密相连，思考是决策的基础,决策是思考的体现。
AI如何“思考”？—— 模拟人类的认知过程
人类的思考是一个复杂的过程，包括感知、学习、推理、理解、记忆等，AI通过不同的技术路径来模拟这些过程,其中最关键的是：
学习与认知
这是AI“思考”的基石，AI通过学习来构建自己对世界的“认知模型”。
- 机器学习：AI通过分析海量数据，自动发现其中的模式和规律，通过学习数百万张猫的图片，AI“认知”到了猫的特征（尖耳朵、胡须、特定的体型等），下次再看到一张新图片，它就能“思考”并判断出“这是一只猫”。
- 深度学习：这是机器学习的一个分支，使用深度神经网络（模仿人脑神经元结构）进行学习，它在图像识别、语音识别等复杂任务上表现出色，能进行更抽象、更高级的“思考”，AlphaGo不仅学习了棋谱，还在对弈中“思考”出了人类从未见过的棋路。
推理与逻辑
在获得认知后，AI需要进行逻辑推理,从已知信息推导出未知信息。
（图片来源网络，侵删）
- 演绎推理：从一般规则推导出具体结论，AI知道“所有的人都会死”和“苏格拉底是人”，因此可以“思考”并推导出“苏格拉底会死”,专家系统就是典型应用。
- 归纳推理：从具体案例中总结出一般规律，这是机器学习的核心，例如从大量客户数据中“思考”出哪些特征的人最有可能购买某产品。
- 因果推理：这是更高级的“思考”，AI不仅要发现相关性，还要探究因果关系，它“思考”得出“是下雨导致了地面湿”，而不是“地面湿导致了下雨”,这对于科学发现和制定有效策略至关重要。
理解与常识
现代AI（特别是大语言模型）正在努力实现更深层次的理解，包括理解上下文、语境和常识。
- 当你问AI：“把大象放进冰箱需要几步？” 一个真正“思考”过的AI不会只回答“三步”，而是会理解这是一个脑筋急转弯，并给出幽默的回答，这表明它理解了“冰箱太小，大象太大”这个常识。
AI如何“决策”？—— 从分析到行动
决策是思考的最终目的,AI的决策过程通常包括以下几个步骤：
定义目标
AI需要明确要达成的目标是什么，这个目标可以是明确的,也可以是模糊的。
- 明确目标：在下棋中获胜”、“以最低成本完成配送”。
- 模糊目标：写一首优美的诗”、“生成一段有创意的广告文案”。
评估选项
AI会根据其“思考”结果,生成一系列可能的行动选项。
（图片来源网络，侵删）
- 下棋AI：会评估当前棋盘上所有合法的走法。
- 自动驾驶汽车：会评估“加速”、“刹车”、“左转”、“右转”等所有可能的驾驶动作。
- 推荐系统：会评估“推荐A电影”、“推荐B歌曲”、“推荐C商品”等所有可能的选择。
预测后果
这是最关键的一步,AI需要预测每个选项可能带来的后果。
- 下棋AI：通过其强大的“思考”能力（树搜索和评估函数）来预测每一步棋之后，棋局走向,并预测哪一步最有可能导向胜利。
- 自动驾驶汽车：预测“急刹车”可能导致后车追尾，“向左打方向”可能撞到路边的行人。
- 金融AI：预测“投资这支股票”未来可能盈利或亏损的概率。
选择最优方案
AI根据预设的优化标准（或称“效用函数”）来选择一个最优的选项。
- 标准可以是：胜率最高、风险最低、成本最小、用户满意度最高、效率最高等。
- 网约车平台会综合考虑“距离最短”、“时间最快”、“价格最合理”、“司机评分最高”等多个因素,来为乘客做出最优的车辆匹配决策。
举例说明：自动驾驶汽车的“思考”与“决策”
这是一个将“思考”与“决策”完美结合的例子：
| 场景 | AI的“思考”过程 | AI的“决策”过程 |
|---|---|---|
| 前方路口 | 感知：通过摄像头和雷达“看到”一个红灯，一辆车在前方，一个行人正在准备过马路。 理解：识别出“红灯”意味着“停止”，识别出“行人”是一个需要避让的障碍物。 预测：预测到如果自己继续前进，会闯红灯，违反交规；预测到如果行人突然冲出，自己需要紧急刹车。 |
目标：安全、合法地通过路口。 选项：A. 继续前进；B. 紧急刹车；C. 缓慢前进观察；D. 变道绕行。 评估： - A选项：违法，且与行人碰撞风险高。 - B选项：安全，但可能导致后车追尾，乘客体验差。 - C选项：违法，风险高。 - D选项：如果旁边车道安全，是最佳选择。 选择：如果D选项可行，则选择变道；如果不行，则选择B选项，平稳刹停。 |
挑战与局限
尽管AI在思考和决策方面取得了巨大进步,但它仍然存在局限：
- 数据依赖：AI的“思考”质量高度依赖于训练数据，如果数据有偏见,AI的决策也会带有偏见。
- 缺乏常识：AI缺乏人类与生俱来的、基于物理世界和社会经验的常识,有时会做出一些在人类看来非常荒谬的决策。
- 可解释性差：很多复杂的AI模型（如深度学习）像一个“黑箱”，我们知道它能做出好的决策，但很难解释清楚它“思考”和决策的具体过程，这在医疗、金融等高风险领域是致命的。
- 创造力与情感：AI的“思考”是基于数据和逻辑的，缺乏真正的创造力、同理心和情感,这些在人类的复杂决策中扮演着重要角色。
人工智能的目标就是赋予机器以“思考”和“决策”的能力。 它通过学习、推理和理解来模拟人类的认知过程（思考），并在此基础上，通过评估选项和预测后果来选择最佳行动（决策），随着技术的不断进步，AI的思考和决策能力将越来越强大，在科学研究、工业生产、日常生活等各个领域发挥越来越重要的作用，理解这一点，有助于我们更好地认识AI、应用AI,并对它的未来发展保持理性的期待。
版权声明：除非特别标注，否则均为本站原创文章，转载时请以链接形式注明文章出处。
