通过智能的机器，延伸和增强人类在改造自然、治理社会的各项任务中的能力和效率，最终实现一个人与机器和谐共生共存的社会。

前30年以数理逻辑的表达与推理为主，后30年以概率统计的建模、学习和计算为主。

现在的机器人，机械控制这一块已经很不错了，完全由人手动控制，机器人都可以做手术了。

一些机器人竞赛，感知、认知、动作都是人在遥控。

用电池续航短，燃油能效低，比如波士顿动力学公司的机器人电驴走山路很稳定，但是马达噪音很大。

在概率统计的框架下，当前的很多深度学习方法，属于一个“大数据、小任务范式（big data for small task）”。 人工智能的发展，需要进入一个 “小数据、大任务范式（small data for big tasks）”，要用大量任务、而不是大量数据来塑造智能系统和模型。

自然辨证法里面，恩格斯讲过，“劳动创造了人”。我认为一个更合适的说法是 “任务塑造了智能”。

智能系统的影响可以分成三个时间段：（1）亿万年的进化，被达尔文理论的一个客观的适者生存的 pheontype landscape 驱动；（2）千年的文化形成与传承；（3）几十年个体的学习与适应。

人脑可能有 1000 多亿个神经元，每个神经元都可能在几个方向上互相连接着，这么大量的神经元及连接就形成了一个超级大型的网络。我们就是因为这些网络而存在各种各样的思想和意识。

大脑神经元即是脑神经细胞，主要包括细胞体、树突、轴突、突触等。

细胞体，由细胞核、细胞质和细胞膜组成。它是神经元新陈代谢的中心，是接收信息并处理的部件。 树突，是细胞体向外延伸树枝状的纤维体，它是神经元的输入通道，接收来自其他神经元的信息。 轴突，是细胞体向处延伸的最长最粗的一条树枝纤维体，即神经纤维，它是神经元的输出通道。轴突有髓鞘纤维和无髓鞘纤维两种结构形式，两者传递信息的速度不同。轴突末端有许多向外延伸的树枝状纤维体，称为神经末梢，它是神经元信息的输出端。 突触，神经元的神经末梢与另一神经元树突或细胞体的接触处即为突触。每一个神经元都通过突触与其他神经元联系，细胞之间通过突触建立起连接，从而实现信息传递，每个神经元约有 103～104 个突触。

大脑的神经元的数学模型，尚不能确定这个模型是否正确。

缺乏物理的常识和社会的常识 “Common sense”，是目前人工智能研究最大的障碍。

世界上最聪明的鸟是乌鸦。在日本一所大学附近的十字路口，经常有乌鸦等待红灯的到来。红灯亮时，乌鸦飞到地面上，把胡桃放到停在路上的车轮胎下。等交通指示灯变成绿灯，车子把胡桃碾碎，乌鸦们赶紧再次飞到地面上美餐。

乌鸦的启示：

1. 它是一个完全自主的智能。感知、认知、推理、学习、和执行， 它都有。
2. 这个乌鸦有几百万人工标注好的训练数据给它学习吗？没有，它自己把这个事通过少量数据想清楚了，没人教它。
3. 乌鸦头有多大？不到人脑的 1% 大小。 人脑功耗大约是 10-25 瓦，它就只有 0.1-0.2 瓦，就实现功能了。

智能系统的根源可以追溯到两个基本前提条件：

一、物理环境客观的现实与因果链条。这是外部物理环境给乌鸦提供的、生活的边界条件。在不同的环境条件下，智能的形式会是不一样的。任何智能的机器必须理解物理世界及其因果链条，适应这个世界。

二、智能物种与生俱来的任务与价值链条。这个任务是一个生物进化的 “刚需”。如个体的生存，要解决吃饭和安全问题，而物种的传承需要交配和社会活动。这些基本任务会衍生出大量的其它的 “任务”。动物的行为都是被各种任务驱动的。任务代表了价值观和决策函数，这些价值函数很多在进化过程中就已经形成了，包括人脑中发现的各种化学成分的奖惩调制，如多巴胺（快乐）、血清素（痛苦）、乙酰胆碱（焦虑、不确定性）、去甲肾上腺素（新奇、兴奋）等。

大约在 5.4 亿年前，有的动物开始进化出了简陋的眼睛。对于一个个体来说，这没有什么大不了，不就是多了一个小孔，这个小孔能接收光线，仅此而已。

但这对于整个地球而言，可就是一件改变整个生命历程的大事。就因为有眼睛，动物们看得见食物了。他们可以从被动获取食物，变成主动寻找食物。他们学会了隐藏，学会了伺机而动，也学会了快速出击。

于是，动物的存活率大大提升，而大幅提升的存活率又大大促进了生物的进化。可以这么说，正是因为视觉的诞生，才有了寒武纪大爆发。

从那以后，动物们开始进化出各种各样的视觉系统。实际上，视觉已经变成了动物大脑中最为重要的感知神经系统。因为发达的视觉系统，让他们的生命不断延续，种类不断增多。

在人类的大脑中，视觉神经系统非常重要。甚至可以这么说，视觉是人类智能的基石。

我们对图像的理解就可以表达成为一个层次分解（compositional）的时空因果的解译图（Spatial，Temporal and Causal Parse Graph）, 简称 STC-PG。

几何重建的一个很重要的背景是，我们往往不需要追求十分精确的深度位置。比如，人对三维的感知其实都是非常不准的，它的精确度取决于你当前要执行的任务。在执行的过程中，你不断地根据需要来提高精度。比如，你要去拿几米以外的一个杯子，一开始你对杯子的方位只是一个大致的估计，在你走近、伸手的过程中逐步调整精度。

场景识别的本质是功能推理。当你看到一个三维空间之后，人脑很快就可以想象我可以干什么：这个地方倒水，这里可以拿杯子，这里可以坐着看电视等，这些动作都是想象出来的，实际图像中并没有。

我们对图像的理解包含了物体之间的物理关系，每个物体的支撑点在哪里，这个解译图必须满足物理规律。理解图像中的三维场景和人的动作，其实是因果关系的推理。所谓因果就是：人的动作导致了某种流态的改变。

增加了时间维度，对人和动物的之前和之后的动作，做一个层次的分析和预测。当机器人能够预判别人的意图和下面的动作，那么它才能和人进行互动和合作。

对的场景理解的minimax标准：minimize instability and maximize functionality最小化不稳定性且最大化功能性。

感知的图像往往只占5%，提供一些蛛丝马迹；而后面的95%，包括功能、物理、因果、动机等等是要靠人的想象和推理过程来完成的。 大量的运算属于“top-down”自顶向下的计算过程。也就是用你脑皮层里面学习到的大量的知识来解释你看到的“蛛丝马迹”，形成一个合理的解。