一篇旧闻献给这片新大陆

各种机器学习的算法，一般是做拟合，发现相关性，或者做统计，找最优。但是这些算法的研究者、实现者却没有思考智能为什么要拟合、发现相关，又为什么要最优，要学习。智能学习知识、采取最优的目的还是为了让自身个体和群体保持时空上的相对稳定。这里的稳定是广义的，生存资源生态位的稳定、应对各种自然环境、社会人际、精神文化、未来星际变化的稳定，甚至某种主观假想的稳定。很多低级的动物没有学习能力，全靠先天遗传和环境选择，变异和大量繁殖是它们的生存策略。所以，各种学习算法并不是智能的核心，算法只是手段，是工具。将工具当作智能的组成要素来研究，出发点就已经错了。
禁海、闭关锁国，北方民族多次灭亡文化学习能力更强的南方朝代，被淹死的无理数最初言论者，被烧死的日心说发表者，经济危机中将牛奶倒入河流，宗教、民族、利益冲突的战争，恐怖主义组织等等，这些情况说明为了维持智能团体的主观或客观的不变性，有时候会牺牲全体的利益。而这不会是基于数理统计的机器学习能够实现的。更不用说为了求得解脱的不变假象而去自杀的行为，在机器学习里，绝对是违背最优解的最劣解。如果机器学习是可演化智能，有自主意识的机器人早就广泛出现了。
深度学习无法实现通用智能。它没有系统化的理论基础，只是一个经验性的实用工具。网络层数、节点数、各种参数都需要人工调整的工具，无法成为可演化为智能。
各种寻求限定条件下问题最优解的思路也不可能实现可演化智能。可演化智能不只是要应对当前某个限定的问题，还要应对将来的各种问题，世界不断在变化，问题和限定条件也在变化。现在可行的最优解在将来未必是最优解甚至是失败解。不论是否可演化智能，都不应该保存所有的问题和解，也不是所有问题空间和解空间都能在有限的步骤内理想的搜索穷尽，很多情况下搜索行为就已经影响了结果，测量改变目标状态，所以可演化智能的策略只能是大略模糊的记住几个解的特征，然后按照具体情况即时合成一个非失败解，如果效果不理想，条件允许时，试错寻找新的有效解，直到达到要求即可。凡事都全力追求完美的人根本就无法生活，死板的机器和工具也能是在某个有限的方面上实现最优，不求最优以不变应万变、够用就好、知足常乐等都是可演化智能的最优。

在自然生物智能中个体、团体、种族利益时常不一致是出现各种不理性思维的原因，也就是分配再分配问题。在非生物物质结构基础上应该可以良好解决，并不是说强人工智能也要来这么些愚蠢的想法

深度学习 一统天下