1956年，AI这个词汇诞生，当时科技领域的先贤者召开了AI会议，提出了非常有远见的思考：怎么让机器仿真，实现智能？当然，他们的思想不是最早的，更早可以追溯到莱布尼茨，他最早提出通过数据演算出智能能力。
这些先贤者不仅有远见，而且还过分乐观，他们认为智能的基本问题可以在一个夏天解决，但是这个问题解决了吗？没有。维基百科词条“AI winter”列出了很多失败案例，为什么在长达的五六十年里面煽起大家那么多的热情，却没有产生我们期待的路径呢？
过去绝大部分的AI系统，更多以科学演绎的方式，演绎的概念就是类似“一生二，二生三，三生万物”，从一个基本法则出发，推导出一个纷繁复杂的系统（归纳是从纷繁复杂的世界提炼出简单的规律。以前受自然科学的研究影响，都是以不言自明的公理出发研究，比如认定上帝造人，但是以这样的思维出发会导致人工智能过于简单）。传统基于规则的AI系统没有成果，形成了很多的教训：
教训1：这个世界是纷繁的，存在着很多因素和要素，彼此之间有复杂的影响，形成复杂的网络和系统，这难以用一个公式来描述；
教训2：有很多因素和参量，你观测不到，所以系统具备不确定性。现实以概率运行，如果你用确定性的规则，没办法掌握这样的复杂系统，我们要采用基于统计的概念；
教训3：现实世界纷繁复杂，你很难完整描述，从数据中不断学习、对问题的理解，从而随着数据演化和进化是关键，这也就是我们今天讲的大数据时代的意义所在，本质上数据提供了我们了解世界的可能。随着数据演化，学习能力是一个关键。
我认为过去60年AI的一个总结是：基于规则的系统，统治了过去的AI时代。现在需要进入数据驱动的系统，把数据导到机器里面，机器通过消化和吸收生成对世界认知的模型。
我们再探讨些本质性的AI问题，归结出最简单的形式：通过观测到的现象、数据、知识，映射成预测、判断。比如，你输入一个图像，然后输出“物体”的名字，这样的映射就是图像识别；你输入一个语音讯号，然后输出“文本序列”，这是语音识别；你输入一段话，然后输出“解析的树状结构”，这是自然云储；你输入车辆行使周边路况的情况，然后输出“控制决策”，这是自动驾驶。
我们面临的很多问题是：如何从数据中学习映射函数，形成训练样本？比如把多个图片定义为“长颈鹿”的标签，系统通过训练学习，然后再给出类似的新图片的时候，该图片也能自动打上这个标签。
从有限推导无限，是不可能的，除非你提出假设，没有假设，就没办法做出判断。在古代，古人的智慧说“近朱者赤，近墨者黑”，就蕴涵了一个朴素的智慧，就是判断的时候一定隐含了假设：两个在某些方面相似的人，在其它方面具有相似的特征和特性。
这就反映到人工智能大数据学习的本质问题：假设的合理性。我们希望从数据得出的结论是简单的、光滑的，而不是复杂的，所以哲学上有一个词汇：剃刀原理，也就是能够同时解释某个现象的几条规律里面，我们喜欢选择其中最简单的规律。总而言之，我们希望能够找到一个规律，既能找到观测的样本，又得出简单的结果。
如何从纷繁复杂的样本中去抽取规律？做得最好的就是人类的大脑，能够举一反三、不断学习。这个学习中最简单的单元就是神经元，它有很多神经簇，和其它神经元相连，神经元接收到外部的信息输入后，把对信息信号的反应通过神经末梢传到其它神经元。