动物依靠天赋和经验来进行形态识别，这种在直观感受之外的识别能力被称为直觉。古人认为，直觉是一种神秘的联系，在看似随机的占卜过程中形成卦象，通过综合已知信息，依据卦辞可以做出预测。在这个过程中，只有解卦的推理可以在人们的理解范围内，而核心的直觉部分则超出了常人的理解范畴。这种难以理解的直觉和存在误差的认知方式，在注重感性的科学中逐渐被淘汰。

感性时代下的识别和预测依赖于逻辑推理，科学方法包括归纳和演绎。归纳是从已知的经验中寻找规律；演绎则是从已知的原理出发，通过逻辑推理来推导出对象的性质。科学的进步始于经验归纳，最终形成了可以进行演绎推理的理论体系，大大推动了自然规律的发现和科技进步。几个世纪以来，抽象概念如时间、空间、力、粒子、波、场和能量等，已经通过因果关系的思维方式，成为不被质疑的真实，成为进一步推理的基础。归纳和演绎在人类思维的范围内相互补充，其前提、过程和结论都在人的理解范围之内，所得结果能够被理解、自洽和谐，因此可以被接受。任何不能在这种科学体系中得到解释的机制，都被视为没有根据，被认为是迷信。

人工智能的研究也经历了从模仿感性识别到感性归纳的过程。20世纪50年代，研究人员通过研究模拟动物利用经验的方式——感知器（Perceptron），使机器能够对输入数据进行学习并分类，实现联想猜测。到了70年代，研究方向转向直接模拟人类的感性思维，采用谓词逻辑进行运算和启发式搜索，根据科学知识材料作出回答。科学通过因果关系构建了一个可以进行归纳推理的世界模型，几个世纪以来的共同努力积累了丰富的知识。人们相信，在严格的数理逻辑框架下，机器凭借其准确快速的逻辑功能，依靠已有的科学知识，可以突破人类推理能力的限制，超越人类智能。遗憾的是，这种期待仅仅停留在实验室阶段。今天在市场上大放异彩的人工智能，依赖的并不是基于规则的推理，而是通过机器学习产生接近直觉的智能。尽管机器学习的过程清晰明确，结果可追溯，但参数的演变如同卦象形成一样复杂多变，海量关系的计算同样难以深入探究。

通过一组样本，从多个选项中挑选出最“合理”的答案，这种类比判断的能力，被用来衡量人的智商。这种能力与所掌握的知识相关，更重要的是依赖于学习知识的能力。学习算法通过计算机模拟这种基于样本类比判断的能力，赋予机器智商。机器通过输入的样本数据调整表示规律和分类的通用数学模型参数，从中吸收样本中的知识，然后用具有该知识的模型作答。这些参数的数量通常达到数万到数百亿。虽然这种数学模型非常简单，但它适用于各种识别形式，足以应对复杂的预测和分类任务。这种调整模型参数和使用模型的计算机制，在数学上是准确有效的。然而，庞大的可变参数使得将简单的数学模型的具体识别判断过程解析成单一因果机制变得困难，无法用简单的逻辑推演来获得理解。机器学习直接依赖于样本来寻找规律，进行分类归纳，但不像传统的归纳方法那样可以得出可供分析理解的结论，而是将训练的结果表示为机器使用的参数，跳过了可供人理解的中间环节，直接应用于实际。在无数参数交织影响的复杂情况下，机器学习通过一种近乎直觉的方式做出综合判断。机器学习的过程在很大程度上独立于人脑的监督。

对于机器学习的质疑主要集中在可靠性上。确实，基于有限的样本，不可能做到完全准确的预测，无论样本数量多少，总有可能出错。虽然数学证明，提供足够多的随机样本让机器学习，就有足够大的概率做出误差足够小的判断。但是，究竟需要多少样本才足够？如何确保样本的随机性？这些具体问题在实践中很难确定。这与科学理论给出的明确结论相比显得不够可靠。然而，科学理论本身在实际应用中也经常出错，比如经济学和社会学理论常常不准确，健康饮食建议也经常变化。我们可以宽容地将其归因于理论的误用。实际上，科学理论的应用效果与机器学习并无本质区别。

认知智能在生活竞争中逐渐退化，并不是为了追求不可企及的真理，而是为了在现实中更加实用。从追求真理的角度来看，通过样本学习获取知识的机器学习并不总是可靠的。例如，使用欧洲所有天鹅作为样本并不能准确预测澳大利亚的黑天鹅，但在遇到黑天鹅之前，白天鹅的经验归纳大多数时候是正确的，在实际应用中是有用的。机器的图像识别和语音识别总有错误，下棋时也不一定是最优策略，但与人类相比已经表现出优势。机器学习在科技发展和现实生活中带来的改进和便利，与物理和其他科学并无二致。感性是人类在理解因果关系方面的一种精神需求，而现实世界的真相与我们是否理解有关。通过机器学习从大量数据中归纳形成的复杂规律，必将超出我们逻辑思考的分析能力。机器学习的发展趋势是减少人类干预，更多依赖硬件速度的提升、存储容量的增加、有效算法和数据的丰富。目前，机器学习仍然需要人类来选择模型、算法和样本数据，然后交由机器自主运行，但随着技术进步，人类的参与将越来越少。这一进程类似于我们从过去的亲力亲为转变为不再亲自操作的管理者，最终将成为自动化工厂的所有者。面对人工智能，我们只有两种选择：要么因为无法理解而排斥，要么接受这种虽无法透视但经验上有效的机器认知模式。