贝叶斯归纳的核心逻辑是什么？

所谓贝叶斯归纳，其实基础原理非常简单。比如说一个人做了一件好事，那他是不是个好人呢？显然不一定。但是假如一个人每天都做好事，那他是不是一个好人呢？其实也不一定，也可能他在背后十恶不赦丧尽天良，但假如没有他做坏事的证据，每天做好事就是好人显然已经概率非常大了。

这就是贝叶斯归纳的核心逻辑：不必获取所有证据之后再进行判断，而是结合已知条件先进行判断，再通过数据不断去验证、调整、修改这个判断，让它无尽趋于合理化。

贝叶斯理论在工作中强调从人类先验知识出发，对目标进行模糊判断，然后不断学习进行判断校对，这成为了后来大量人工智能技术的诞生起点。

而今天以机器学习为主要特征的AI二次复兴，很大程度收益于贝叶斯意识带来的思维转变：人类不用收集一大堆知识，只需要从一部分已有知识出发，让机器不断去学习和验证自身能力，不断提高就可以了。毕竟人类需要的不是全能全知的存在，只要智能体可以比人类更强就够了。

可以说，贝叶斯意识依靠着对现实变化的高度敏感，已经成为今天一切学习型AI的基础。了解了贝叶斯意识中从不完整出发，逐步向完整迈进的逻辑，也就懂了未来AI还能做出什么。

有学者认为，贝叶斯意识可能是最接近人类大脑思维模式的应用数学逻辑。就像让一个孩子去认识狗，不必教他狗的种类、科属、习性，也用把狗的耳朵、鼻子、四肢都变成数据让他理解。孩子会马上知道这是狗，然后在自己不断的学习里去加强对狗的认识，知道狗有不同种类，知道狼与狗的区别等等。

所以我们过去在思考很多问题时，会主动的让大脑像计算机一样去想象。在移动互联网时代，我们又习惯了以手机为中心去思考一切。但在人工智能时代，贝叶斯意识告诉我们：也许人类该像人类自己一样去思考了。

在某些技术奇点之后，机器已经可以在局部区域像人类一样通过局部知识去认知、推理和判断复杂问题。最好的例子可能就是AlphaGo ZERO的出现。其实AlphaGo的逻辑就是一种贝叶斯思维，要知道对围棋来说经典计算是无法穷尽所有变化的，暴力穷举只能带来死机。

而AlphaGo采取的，是让智能体去学习围棋规则，然后大量学习人类棋谱，这就是贝叶斯归纳中不断吸收数据校准目标。在实战的时候，智能体内部算法还会自我验证每一步预测的合理性，最终求得最优解。

而在一定的积累后，AlphaGo这个贝叶斯体系就可以不再依赖人类提供的数据，而是通过对优质数据进行自我学习，从而在短时间内产生了秒杀上一代的能力。这可以看做贝叶斯体系摆脱了对初级数据的依赖，进入了进一步自我校准的过程。

有理由相信，此后这类现象会陆续出现更多。因为人脑的学习能力有若干限制，但贝叶斯智能体却没有。

通过模糊知识，进行不断学习，最终通往广义未知。很可能是人脑与技术未来的共同方向。至少目前来看，这种技术逻辑在前瞻性科学中的应用已经越来越多。比如量子贝叶斯、贝叶斯基因算法等等。

而另一方面，想知道人工智能还能在哪些领域做出惊人之举。不妨也像贝叶斯一样去思考：首先这个领域是否存在效率、可靠性、成本比率、盲目性等问题，如果有的话是否必要引入AI。其次看一下这个领域是不是存在先验知识，作为智能体的基础。再次看一下这个领域能否源源不断产生提供给机器学习的数据和知识。

如果这几个条件都确立，那么AI已经不远了。

经过PC到手机的漫长教化，我们可能已经习惯了数字化的世界运行。但人工智能却可能打破人与计算机的经典搭配，利用人的感知与学习能力和计算机的运算能力来打开另一条路。也许已经是时候改变一下互联网思维，让大脑去和人工智能产生多一点点默契了。