“那為什么說烏鴉就聰明呢？一個真實例子，我說的這個烏鴉是現實中的烏鴉，是拍攝下來的。”
這時，發布會現場投射出一塊巨幕，播放著一段年代久遠的記錄畫面，渣渣畫質。
“畫面里的這只烏鴉，它拿到一個高堅果，想吃到里面的果實，但又啄不開果殼，怎么辦？”
“于是它做了一個觀察，發現高堅果落在公路上面，汽車輪子一壓就出來了，ok，烏鴉做出這個觀察，同時它也意識到這樣的汽車在公路上來來往往是不能去吃果實的，因為太危險了。”
“然后它做出了第二個觀察，發現馬路上是有紅綠燈的，紅燈的時候汽車就不走，這個時候可以安全的去吃果實了。”
“同時烏鴉做出一個推論，在這個紅綠燈路口觀察到的事情，在另一個紅綠燈也通行。”
“看，這是多么聰明的一只烏鴉，人可能看到這個例子會說這是表現出真正的智能。但烏鴉做事的范式，跟我們平時理解人工智能的那種情況正好相反，人工智能用大數據分析做小任務，烏鴉呢，是用小數據做大任務，完完全全相反。”
“烏鴉得到了什么數據信息？它只是觀察了屈指可數的幾個例子而已，因為它的生命只有一次，它不能自己跑過去以身試驗，不然早就死n次了。”
“所以，真正的人工智能是能夠通過很小很有限的數據就能提煉出其中的內在規則，最后進化出立刻就能推演一個很靠譜的執行范式。”
“為什么能夠做到這一點呢？因為它有因果關系，而傳統的人工智能僅僅只是一個統計并做相關性的數據分析。”
“再舉個栗子，公雞打鳴太陽就會升起，兩者是一個相關性的關系，但并不是因果關系，不是說因為公雞打鳴所以太陽升起，事實上我們都知道，打不打鳴太陽每天照常升起。”
“所以這里有一個核心問題，因果邏輯與相關邏輯是不一樣的，這很重要。”
“不然你比如我們去做圖像識別，識別的根本是其功能，例如人一眼就能看出這個房子里這里是廚房、書房、臥房等等，因為我們首先想到的是這個地方的功能是干什么的，這樣就能馬上看出圖像中的很多特征。例如人可以輕松判斷出一個現代書房和一個古代書房，雖然看起來外觀相差很大，但如果用現在的計算機去或人工智能去識別，根本不會認為這是兩個同樣的東西，它怎么都識別不出來，但是人一眼就能準確下判斷，這就是書房，因為它的功能是一樣的。”
“這就是因為人是能夠分析出其背后的因果關系。”
“研究人工智能同樣不能忽視這一點，所以想要做人工智能我覺得要從兩點去考慮，一個是物理規律，即物理世界的自然界規律，比如一個物體要怎么方才能穩定，需要一個什么樣的支撐；其次就是人的動機，這個是用來驅動人去思考，用我自己的話來說，即……自我情感邏輯分析！”
“而我們海岸線公司的ai研發，走的就是這么一條路線，并取得了革命性的進展……”
言外之意，葉華這是在暗示真的已經創造了真正意義上的人工智能了？這話一出，無異于一枚深水炸彈被引爆，現場的業內人士無不為之震驚。
……</p>