当然上文所述的机器学习方式，是人类发明的。Google的天才解决的问题，实际上就是用已有机器学习手段的新的组合方式，去尝试解决一个困难问题，可以想象他们遭遇了多少无功而返的失败。这个过程需要人主导。但显然，他们绝对无法在没有计算机进行实操的情况下，通过理论推导来证明存在这样一种打败人类棋手的程序。

如果再考虑创新的范围，就能举更多有趣的例子。比如数据挖掘+人工智能，从数以十亿计的用户行为信息中发现用户的关注点，同样可以看作是一个从旧认识产生新认识的过程，只不过这个旧认识往往存在于十亿条数据里，而经手人对此只有一个抽象的概念；如果新认识体现为一个具体决策，我们可以说机器进行了创新，但往往我们就无法用已有的认识去评价（不可能把原来的十亿条数据都读一遍），只能用更粗浅的认识去评判一下具体结果；如果新认识体现为对用户的成千上万条反馈，同样可以说机器进行了创新，但连具体结果都无法人工一一评判，只能再次利用数据手段将其浓缩以评价。

典型如google搜索。google作为搜索引擎，是具有总结用户行为并完善自身服务的能力的，但google的工程师不可能直接掌握具体的成果（不可能审阅每一个用户得到的搜索结果），只能通过间接手段评估效果（比如用户对搜索结果的满意度体现为翻页数量）。

我觉得google很有可能会在至少30年内位居搜索引擎以及其他人工智能服务的榜首，因为机器创新也是需要积累的。没有海量的数据积累作为评价标准，再优秀的算法和硬件也没有办法超越，因为算法毕竟是人写的，而人的创新能力在海量数据武装的计算机集群面前，或许真的不值一提。



我的总结是：当你可以把对一个“策略”，或者“办法”的评价标准，用超出人脑的平台来表示的时候，你就能获得超出人类的创新能力。如果做不到，那么在这个领域，人脑仍将成为创新的源泉。


考虑到真理是有可以定性和定量的检验标准的，将来也许没有那么多科学家，而是多了很多艺术家。这也许是好事。