抬头看天：科幻与科技
以下的内容摘自晚点LatePost：
1957 年，人造物体第一次进入宇宙，绕着地球飞了三个星期。人类抬头就能在夜幕里看到一颗小小的闪光划过天空，与神话里的星宿并行。
这样的壮举跨越种族与意识形态，在全球各地激起了喜悦之情。但并不是我们可能猜想的那种为人类壮举所感动的胜利喜悦。根据政治哲学家汉娜·阿伦特（Hannah Arendt）当年的观察，人们的情绪更接近于一种等待多时的宽慰——科学终于追上了预期，“人类终于在摆脱地球这个囚笼的道路上迈出了第一步”。
人们总是根据技术探索，快速调整着自己对世界的预期。当科幻作家的一桩畅想变成现实，往往是技术终于追上了人们的预期，或者用阿伦特的话说，“科技实现并肯定了人们的梦想既不疯狂也不虚无。”
Comments by Ray：
或许人类对“智能”的认知首先来自于“抬头看天”。我们看过无数的科幻小说、科幻电影和漫画故事里描述的未来世界：随处可见可用的全息影像屏幕、智能满格的机器人AI助手、飞行器、光速飞行、空间折叠、虫洞旅行，抑或仿生人、科学怪物、赛博朋克式的末世等等。
而阿伦特（就是提出恶的平庸性的那位）的洞察在于：当科技进步达到某个水平时，它仅仅是可能追上了人类的幻想而已。我上小学时写的科幻作文里描述了飞行器漫天飞的场景，而当最近看到小鹏汇天飞行器的新闻，不知道有多少人是觉得“哇好酷”，而多少人翻出童年时的幻想对比后心里冷笑一声：就这？
低头看路：对智能化的三种阐述
但科幻毕竟是科幻，如果回过头来看看我们身边的产品，又有哪些对“智能化”的践行？
Created by Ray：
阐述一：在具体场景下满足某个需求（一般是认知为比较复杂的需求）的过程中，需要消耗脑细胞的程度越低，智能化程度越高
这句话的意思有一个很简明的概括：Don’t make me think. 这最早其实是讲交互设计的一本101的书里的概念，只是被满足的需求越来越复杂：
-搜索“苹果”，结果展示苹果手机还是水果？又或者，我是不是应该搜索“苹果手机”？（如果用户出现这个疑问其实就已经输了）
-当下的智能家居产品的“场景联动”，在设置场景联动时是需要每个都进行复杂的设置，还是能给出一键设定的模式
阐述二：非主动发起式的需求，在合适的场景下被“推荐”，推荐的精准度越高，智能化程度越高
-电商搜索的推荐关联度，最被诟病的是已经买了某件商品却被继续推荐其他品牌的同类商品
-抖音/小红书的feeds推荐（用户既希望满足taste，又希望有新鲜感和边界扩展；这点小红书做得更好，是内容找人的逻辑；而抖音的逻辑本质上是内容找流量，流量再正向强化）
-如果推荐能跟场景联动，也会体现比较强的“智能”感，比如多屏间的内容继承（手机/pad/电视/车机）
阐述三：需求实现方式与人的沟通表达方式越接近的，一般会被认为智能化程度越高（即拟人化水平）
-最典型的对比是Siri和微软小冰，也就是指令和聊天的差异。有的人会把这类差异归结为有没有情感，但事实其实会复杂的多。比如前阵子谷歌的一个AI工程师突然上报说训练的AI有了个体意识，但实际上只是这个AI善于应用网络内的文本而已。有了情感意味着有了主体性，这又是一个机器人伦理问题了。
同行者：AI
关于 AI 的释意，简单来说，它通常指通过计算机来实现人类智能的技术，比如让计算机像人类一样识别，像人类一样认知，像人类一样思考。在实现智能化的旅途中，靠人类智能单打独斗的时代，正在被人类与AI同行演进的时代所取代。
以下观点来自于有自主意识的 AI 才是人类需要的真 AI | Founder 100
Summary by Ray：
AI 的发展有几条核心路径：大模型、强化学习、知识图谱。
知识图谱是很经典的专家模型的 AI 做法，简单来讲就是把一些专家的知识抽象成知识的表达，然后放到一个图谱中，并且能够恰当地根据用户的输入进行调取。概括来说，有多少人工就有多少智能，专家知识库本身的提取非常困难，而且提取的范围有限，一般在一些特定的、范围相对明确的领域里，会采用这种实现方法。
而流派里的另一端，就是基于深度学习或神经网络的大模型做法。像大模型这种完全基于生成的对话模型最近非常火，但这种技术存在的根本性问题是它并不具备思维的过程，完全是一个黑盒子，通过一些 PTM（预训练模型）或者引导语去调取语言的生成，本质上很难知道它到底怎么想。
关于AI的话题和知识有很多，个人觉得核心还是要认识到每一种路径、方法的边界，去匹配你要解决的问题。知识图谱可以解决确定性问题但没有想象空间，大模型和深度学习可以去解决不确定性的概率问题但逻辑上的解释性就很弱了。
比如特斯拉的自动驾驶的感知算法就是从多个摄像头的后融合 -》多个摄像头的静态前融合（BEV算法）&Transformer模型引入时序 -》Occupancy模型，解决模型没法学习所有物体语义的问题，实现比激光雷达点云更高精度和返回频率的通过性预测，再利用多神经网络规划最优路线选择（解决本地算力瓶颈）；甚至将自然语言处理技术应用到矢量地图模型来代替高精地图，解决高精地图鲜度和成本问题。而这一些，还紧紧只是单车智能的路线，未来或许车路协同、车车协同会有更大的“智能化”空间，这种智能某种意义上超过了人类驾驶员的视野和思考能力，将会是更先进的智能。
以上。关于智能化的一些个人理解就扯到这里。下一篇讲讲新能源车市场在智能化主题下都卷出来了哪些新高度（也可能将别的）。