知其然，未必知其所以然
我们将元宇宙时代称为数字+智能的时代，但这种智能与我们日常生活中所接触到的智能却有很大的不同。
人类世界中的智者，往往都必须“知其然，更要知其所以然”，然而在数智社会中，算法往往会直接给出问题的答案及相应的行动方案。如果你要问算法“为什么”，算法可能也无法告诉你。
这既是算法的“缺点”之一，却也可能是数智社会对数据最大的保护，所以我们说“数智不智”，因为它无法回答“为什么”。
传统上，人类的思维模式被简单地分为理性思维和感性思维，理性思维又被称为“机械思维”，感性思维又被称为“经验思维”。
机械思维的形成可以追溯到古希腊，欧洲科学之所以领先世界，在很大程度上依靠从古希腊继承下来的思辨思想和逻辑思维能力，依靠它们可以从实践中总结出最基本的公理，然后通过因果逻辑构建起科学的大厦。这种思维方法总结起来就是两点：首先建立一个简单的模型，这个模型可以是假设出来的，然后再构建一个复杂的模型；其次，整个模型要与历史数据相吻合，这种科学的方法在笛卡尔和牛顿那里得到了长足的发展。笛卡尔的贡献在于提出了科学的方法论，即“大胆假设、小心求证”，而牛顿正是用这个方法论，用简单而优美的公式破解了“上帝的密码”，正如英国诗人亚历山大·蒲柏（Alexander Pope）为牛顿写的墓志铭：“Nature and nature’s laws lay hid in night； God said ‘Let Newton be’ and all was light.”
爱因斯坦也继承了这种机械思维的方法论，他认为可以找到一个简单优美的公式来描述大自然的运行。所以，爱因斯坦有句名言：“上帝从不掷骰子。”这是他与量子力学的奠基人玻尔辩论时说的一句话。
机械思维是典型的人类文明思维模式，其方法就是归纳和演绎，即通过数据得出有用的信息，通过信息再总结出定律，形成普适的知识，再用普适的知识指导人们的行为。比如人类通过测量星球的位置和对应的时间得到数据，再通过这些数据得到星球的运行轨迹信息，再通过信息总结出开普勒三定律，就是知识。然后通过这种知识指导人类预测或发现具体星球的运行轨迹。
感性思维看似依靠经验，其本质却也是理性思维。不过在决策过程中，感性思维省略了显而易见却耗时耗力的计算过程，把推理结论固化成一个直接反应模型，大大加快了生物的反应速度。
比如，人们看到甜食会产生喜欢的感觉，是因为多数甜食能够为人类补充能量；人们尝到苦的食物会本能地厌恶，是因为多数苦的食物都有毒，会对身体造成伤害。从情感的进化过程来看，最初的生物不存在喜欢、厌恶等情绪，但由于某些东西（主要是食物）对自己的身体有利，喜欢这类食物的基因得以留存，而不喜欢这些食物的基因被自然淘汰了。人类便将“喜欢”定义成了“情感”，这其实是简化后的理性思维模型。厌恶的形成过程类似，如果一个东西对身体有危害，那么喜欢这个东西的基因多数都被淘汰，厌恶这个东西的基因躲过了这个风险，得以留存。
看得出来，人类思维模式的流程大致是：先总结出一个普适的知识，如甜食补充能量、F=ma等都是知识，然后再用这个知识指导人们的行为。总结的过程是归纳，指导的过程为演绎，演绎过程也是一个从抽象到具体、从简单的公式中生成海量数据的过程。
从简单的公式中生成海量数据对于人类来说已经习以为常，但从海量的数据中总结规律是很不容易的一件事情，这也是人与AI最大的区别。
从欧几里得的《几何原本》到爱因斯坦的能量方程，上千年来人类科技的发展均得益于“优美的数学公式”和简洁的几何图形，今日的人们已经习惯这种先总结规律，再使用规律去演绎推理的思维过程，我们称之为“知其然，更要知其所以然”。
对于更加复杂的规律，或许无法，至少是短期内无法总结出“优美的数学公式”，那么要如何去“知其所以然”呢？这时是否能够从海量的数据中分析出结论变得比归纳公式更加重要。AI走的就是这条路，多数AI算法都是通过海量的数据训练之后，像孩子识字一样认识事物的，这叫“知其然，未必知其所以然”。
最重要的是，AI算法在这方面已经取得了有目共睹的成就。
2016年3月，谷歌的围棋计算机AlphaGo与人类围棋世界冠军、职业九段选手李世石进行人机大战，并以4∶1的总比分获胜，震惊全球。因为在此前，所有人都认为围棋算法比较复杂，AlphaGo难有胜算，结果却出人意料。
同年12月29日，一位名叫“Master”的新手登录弈城，分别战胜谢尔豪四段、孟泰龄六段、於之莹五段、韩一洲四段、乔智健四段，十战全胜。在后面的30号、31号，败在Master棋下的还有朴廷桓九段、江维杰九段、辜梓豪五段、朴永训九段、柁嘉熹九段、井山裕太九段、孟泰龄六段、金志锡九段。后来确认，横扫中日韩棋坛的Master果然就是AlphaGo，看来是全新升级而来，59胜的战绩真的很恐怖，当时“不可一世”的棋坛第一人柯洁也两次败北。(https://www.daowen.com)
在以上这个故事中，AlphaGo使用的算法是“统计学习法”，而人类使用的则是自己的智力，也即“归纳法”。
以AI算法为核心的AlphaGo之所以能够战胜人类，正是因为它们获得智能的方式和人类不同，人类靠的是逻辑推理，而智能机器靠的是大数据和统计概率。
然而，随着对自然界认识的深入，我们发现大自然或许存在着很多的不确定性，而这种不确定性无法用简单的公式或因果关系来描述。
这种现状也催生了大数据的兴起，大数据的本质就是利用足够的信息来消除找不到因果关系的不确定性。
在过去，我们一直强调因果关系，一方面是因为常常是先有因再有果，另一方面是如果找不到原因，我们会觉得结果不可信。但在大数据时代，我们能够得益于一种新思维方法，即从大量的“强相关”的数据中直接找到答案，即使不知道原因，也就是“知其然，未必知其所以然”。
随着计算机算力的不断增强，我们的思维模式也应该从寻找“因果关系”向寻找“强相关性”转变，因为算力能够帮助我们从足够多的数据中发现强相关性，先不要问“为什么”，相关性本身就既是原因又是结果。当然，其中或许隐藏着我们暂时不知道的规律，但由于目前还不知道，就先用结果岂不更好？
实现这一目标需要一个前提条件，那就是海量数据，也可以称为“大数据”。智能算法的基本特征就是从有效的（剔除噪声）全部数据（不是统计学中的样本数据）中寻找相关性，并把寻找到的相关性直接应用于不同的场景之中。
可以说，从机械思维到智能思维是一个混杂取代精确、相关取代因果、不确定性取代确定性、全量取代样本的过程。
自然语言识别技术（NLP）发展的初级阶段，科学家们也曾经想以“语法结构”为突破口，但后来发现这条路走不通。反而是以谷歌为代表的数据公司，利用海量数据，通过“知其然，不究其所以然”的方式完成了语音识别的超越式进步。
对于基于算法这方面的这个特点，我们甚至可以断言，以经验主义为基础的时代或许再次成为主流，因为所谓经验，便是一种海量数据的统计结果。那么，是否“中医”与“中药”会通过算法得到概率统计学上的支持呢？我有一位学习中医的朋友正在写博士论文，我就建议他找个人工智能专家合作，将古往今来典型的中医药方、药材通过人工智能的“大模型”训练，争取得到“知其然，但不问其所以然”的智能型结论，为中医、中药开辟一条新的科学之路。
不难看出，算法在抛弃逻辑推理之后的经验主义学习模式，实际上与孩子的学习过程类似。
比如，你教小朋友认识猫，几乎从来没有告诉他猫的特征，如怎么叫、眼睛形状等，你只是见到猫就告诉他：“这是猫。”当孩子看到太多次猫之后，他就会认识猫，至于他是如何判断的，我们不知道。
目前流行的机器学习是类似的，就是让机器识别大量想学习的知识，当数量积累到一定量时，机器就看似具备了自我学习能力，这也与人类感性思维的形成过程类似。当人类祖先总结出甜食能够补充能量这条知识的时候，他们也不清楚甜食为什么能补充人体的能量，这种模式与AI算法的思维模式不谋而合。
由此可见，AI的思维模式并非与人类不同，AI算法所处的阶段应该正是人类祖先“进化出感性思维”的阶段，一旦感性思维进化完成，AI未来能否像人类一样具备理性思维的能力呢？我们还是需要打上一个大大的问号。
有一点可以肯定的是，随着人工智能的发展，人类的科学研究肯定会突破百年来的牛顿范式，向开普勒和牛顿范式相结合的数据主义模式转变。
