老喻人生算法18126Word文件下载.docx
《老喻人生算法18126Word文件下载.docx》由会员分享,可在线阅读,更多相关《老喻人生算法18126Word文件下载.docx(12页珍藏版)》请在冰豆网上搜索。
“我们的身体就象一座园圃,我们的意志是这园圃里的园丁;
不论我们插荨麻、种莴苣、载下牛膝草、拔起百里香,或者单独培植一种草木,或者把全园种得万卉纷披,让它荒废不治也好,把它辛勤耕垦也好,那权力都在于我们的意志。
”在进入成人世界之前,“控制论”似乎是可行的。
我们玩儿球,看物体按照牛顿力学精确计算出的抛物线飞行;
我们学骑车,享受着惯性的乐趣。
因为地球的转动,四季更迭。
年少的我们对未来充满期待,而心底,则坚信世界犹如钟表般牢靠。
假如人也是原子构成,并处于物理世界中,那么,我们的大脑是否就遵循着物理定律呢?
斯宾诺莎是一名一元论者或泛神论者。
他认为宇宙间只有一种实体,即作为整体的宇宙本身,而上帝和宇宙就是一回事。
他的这个结论是基于一组定义和公理,通过逻辑推理得来的。
斯宾诺莎的上帝不仅仅包括了物质世界,还包括了精神世界。
他认为人的智慧是上帝智慧的组成部分。
斯宾诺莎还认为上帝是每件事的“在因”,上帝通过自然法则来主宰世界,所以物质世界中发生的每一件事都有其必然性;
世界上只有上帝是拥有完全自由的,而人虽可以试图去除外在的束缚,却永远无法获得自由意志。
关于决定论,法国数学家皮埃尔·
西蒙·
德·
拉普拉斯写道:
我们可能将宇宙的现在状态视为其过去的结果和其未来的原因。
如果一位智者在某个特定时刻知道使自然处于运动的所有力以及知道构成自然的所有成分的位置,并且如果他还有足够的能力分析这些数据,那么他能将宇宙中的最大物体和最小原子的运动纳入一个单一的公式中;
对于这样一位智者,没有什么是不确定的,而未来就像过去一样呈现在他的眼前。
这位智者,就是著名的“拉普拉斯妖”。
“宇宙钟表论”认为,世界具有确定性、且可被数学方程式精确计算。
只要知道某个物理世界的初始数值,我们就可以算出后面发生的一切。
所以,从科学的角度看,宇宙中不存在不确定性,一切皆可预知。
十九世纪末,“上发条的世界”,被研究“三体问题”庞加莱叩出一个缝隙。
他发现了混沌系统:
这是一种确定的但不可预测的运动状态。
它的外在表现和纯粹的随机运动很相似,即都不可预测。
但和随机运动不同的是,混沌运动在动力学上是确定的,它的不可预测性是来源于运动的不稳定性。
或者说混沌系统对无限小的初值变动和微扰也具有敏感性,无论多小的扰动在长时间以后,也会使系统彻底偏离原来的演化方向。
混沌现象是自然界中的普遍现象,天气变化就是一个典型的混沌运动。
混沌现象的一个著名表述就是蝴蝶效应:
南美洲一只蝴蝶扇一扇翅膀,就可能会在佛罗里达引起一场飓风。
混沌系统经常是自反馈系统,出来的东西会回去经过变换再出来,循环往复,没完没了,任何初始值的微小差别都会按指数放大,因此导致系统在地不可长期预测。
奥尔松举了二战时候的例子,他认为顽强的丘吉尔也许就是一只蝴蝶。
进入20世纪,量子机制取代了牛顿的物质观。
原子和分子层面的不确定性,尽管如此难以被直观体验,仍然被加速般进入到我们的现实世界中来。
宇宙开始不确定起来了,充满了随机和偶然。
那个理性化的、符合物理定律的稳定世界,于动荡演变的真实世界并不相符。
《深层学习》写到:
复杂系统的变革给我们的启示是:
我们生活在复杂的、不可预料的、不可简单化的混乱系统之中。
这一观点不仅适用于我们的自然界,也适用于社会环境。
火灾和战争,地震和市场崩溃,全球变暖和国际贸易,事物间的关系远比简单的类比复杂得多。
我们所在的系统永远以新颖的方式发生着变化。
之下,并无旧事。
进而,量子物理被引入人的大脑。
一群物理学家和心理学家开始用量子概率原理来研究人类的认知和决策行为,开创了“量子认知科学”:
正如微观粒子的行为是概率性的、不确定性的,人的认知和决策行为亦然。
正如微观粒子的行为极易被情境影响,人的认知和决策行为亦然。
有人让爱因斯坦用不超过50个字来回答关于上帝的问题,而他只用了32个:
我信仰斯宾诺莎的上帝,他以万物之秩序示现,不会干涉人的命运和行为。
我倒不认为爱因斯坦支持“决定论”。
他曾经说过:
我想知道上帝的构思;
其他的都只是细节。
“万物之秩序”,不正是造物主的“算法”吗?
三谁在控制你的意识?
上世纪的70-80年代,科学家们开始关注“复杂系统”,“涌现”则是复杂系统中最显著也是最重要的一种特征。
涌现(Emergence),字面翻译为突然出现,在系统科学中它意味着“整体大于部分之和”。
任何系统都是由大量微观元素构成的整体,这些微观个体之间会发生局部的相互作用,然而当我们把这些个体看作一个整体的时候,就会有一些全新的属性、规律或模式自发地冒出来,这种现象就称为涌现。
JeffreyGoldstein则对涌现作以下定义:
复杂系统中在自我组织的过程中,所产生的各种新奇且清晰的结构、图案、和特性。
例如:
每只小小的蚂蚁是一个非常简单的个体,它们没有聪明的头脑,只会完成一些简单的任务。
然而,当把成千上万只小蚂蚁组合到一起的时候,整个蚁群就能体现出非常复杂、庞大的涌现现象,例如社会分工、集体协作等等。
人类的大脑是另外一个蕴含“涌现”理论的令人震惊的例子。
组成人类基因组的2万个不同基因中,大约有1/3出现在大脑中,并且掌管着数百亿个神经细胞的生死。
每一个神经细胞尽管相对复杂,但自身没有意识,或者说不够聪明。
然而,当这些神经细胞相互连接时,便会形成一个令人惊讶的网络,该网络不仅比神经细胞总和更强大,而且能够意识到自己在思考。
尽管人们热烈讨论的话题仍然是“大脑真正的工作机理”,但很明显,以正确的方式将不太复杂的部分相互连成网络,便可以涌现思考和意识。
库兹韦尔的立场是:
如果生物体在做出情绪反应时完全令人信服,对于这些非生物体,我会接受它们是有意识的人,我预测这个社会也会达成共识,接受它们。
请注意,这个定义超越可以通过图灵测试实体的围——因为图灵测试至少需要掌握人的语言。
但只要非生物体足够像人,我会接纳它们,我相信,社会中的大部分人也会如此,不过,我也会把那些具有人类一样的情感反应却不能通过图灵测试的实体包括进来,例如,孩子们。
在库兹韦尔看来,如果你接受这样一种信仰飞跃,即非生物体就其感受性所作出的反应是有意识的,那么这也就意味着:
意识是实体整体表现出来的涌现特性,而不是由其运行机制产生的。
简而言之,他选择“相信”。
假如意识是“涌现计算”的结果,它又是如何被感知的呢?
那些不可测的意识,是如何被穿起来,仿佛一个连贯(尽管经常不如意)的剧情,从而塑造了“我”?
大脑基于非常古老的设计,虽然其微观性和复杂性,成年人的大脑有1000亿个神经元。
在历史进化的过程中,大脑的设计是低效而怪异的。
但我们如何完成超级电脑都手足无措的任务?
《进化的大脑》说:
单个神经元都是极其缓慢、不可靠且低效率的处理器。
但是,大脑是一万亿个非最优处理器的聚合体,大量互联形成500万亿个突触。
因此,大脑可以利用大量神经元的同步加工以及随后的整合模式来解决复杂问题。
大脑就是一台拼装电脑,尽管每一个处理器的功能极有限,但大量相互关联的处理器则效率惊人。
这就是大脑,它使用大量相互关联的平行构造,加上精细的反馈信息,就把简陋的部件组成了一个令人惊叹的装置。
大脑都不是设计完美的,它只是乱堆积在一起的一团东西。
我们的情感、感知和行为的独特性,很大程度是因为大脑并非一台优化的通用解题机,而是寻求特定解的一团怪异聚结物。
心智和意识,是我们存在的根本,也是这个世界最大的难解之谜之一。
我们很难从主观体验的角度去研究。
哲学家大卫·
查默斯说:
“我们用物理解释化学,用化学解释生物,用生物解释心理(也许要在前面加上:
用数学解释物理)。
但如何解释意识呢?
”让我们暂时放下对“我是谁”的纠缠,回到物理世界。
史蒂芬.平克这样定义:
心智是由自然选择设计来解决我们的进化祖先在他们原始觅食方式的生活中所面临的问题的一套计算器官系统。
他认为:
心智是我们祖先在解决生存问题的进程中“自然选择”出来的。
心智不是大脑,而是大脑所做的事情。
人是心智进化的产物,而不是剃光了毛的“裸猿”。
心智进化的最终目的是为了复制最大数量的基因,而正是基因创造了心智。
达尔文指出,“那些令人叹为观止、极度完美而精妙的器官”不是源于上帝的远见,而是由复制器经过极其漫长的时间进化而来的。
在复制器的复制过程中,有时会出现随机的复制错误,而那些恰好能提高复制器的幸存率与繁殖率的复制错误逐渐一代一代地积累下来。
植物与动物是复制器,它们复杂的结构因而看上去就像是被专门设计的,使其得以生存和繁衍。
然而,上帝真的需要亲自参与设计完美而精妙的器官吗?
不,祂只需要设计一套算法。
进化论是一种算法。
维多利亚时期的计算机先驱人物,查尔斯·
巴贝奇的观点是,上帝创造的不是物种,而是创造物种的算法。
2017年,AlphaGo团队推出AlphaGoZero,此版本不依靠人类玩家的数据创建,且比之前的所有版本都要强大。
通过自我对弈,AlphaGoZero在三天以100比0的战绩战胜了AlphaGoLee,花了21天达到AlphaGoMaster的水平,用40天超越了所有旧版本。
DeepMindCEO杰米斯·
哈萨比斯说,AlphaGoZero“不再受限于人类认知”,很强大。
由于专家数据“经常很贵、不可靠或是无法取得”,不借助人类专家的数据集训练人工智能,对于人工智能开发超人技能具有重大意义,因为这样的AI不是学习人,是通过对自我的反思和独有的创造力直接超越人类。
确切说,AlphaGoZero也并非完全从零开始。
DeepMind的联合创始人MustafaSuleyman被问到Alphazero的强化学习是否真的证明可以不要训练数据?
他说还是有三个前提:
可预测环境(围棋规则)清晰奖励系统(输赢),无变数(variability)。
AlphaGoZero对我的震撼,远不如最初战胜樊麾的那个初级版本。
知道其原理后,你会明白,人类有史以来的棋谱毕竟是有限的,AlphaGoZero更为高效的“自我学习”在想象之中。
震撼我的,是AlphaGoZero从零开始发现的围棋招法,很多是与人类一样的。
我不由得感慨人类的孤独与伟大。
围棋有着超过宇宙间所有原子数量的变化,人类从头开始慢慢摸索,历经漫长的黑暗岁月,代代相传,竟能走得和阿尔法元一样对。
如果AlphaGoZero是一套算法,人类会不会也是一套算法呢?
DeepMind追求的是“通用人工智能”,而非只擅长下围棋的AlphaGo。
此路漫漫。
而人类是如何在亿万年间,逐步演化出自己的“通用人工智能”的?
四什么是算法?
阿尔伯特·
爱因斯坦说:
所有科学中最重大的目标就是,从最少数量的假设和公理出发,用逻辑演绎推理的方法解释最大量的经验事实。
算法就是一系列指令,告诉计算机该做什么。
计算机是由几十亿个微小开关(称为晶体管)组成的,而算法能在一秒打开并关闭这些开关几十亿次。
最简单的算法是触动开关。
CathyO'
Neil则说:
算法是嵌入在代码中的观点。
机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。
机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。
机器学习是人工智能的一个分支。
人工智能的研究是从以“推理”为重点到以“知识”为重点,再到以“学习”为重点,一条自然、清晰的脉络。
《终极算法》一书对比了普通算法和机器学习:
每个算法都会有输入和输出:
数据输入计算机,算法会利用数据完成接下来的事,然后结果就出来了。
机器学习则颠倒了这个顺序:
输入数据和想要的结果,输出的则是算法,即把数据转换成结果的算法。
学习算法能够制作其他算法。
通过机器学习,计算机就会自己编写程序,就用不到我们了。
因为,计算机科学通常需要的是准确思维,但机器学习需要的是统计思维。
例如,如果有条规定是“垃圾标记的正确率是99%”,这并不意味存在缺陷,而可能意味这是你的最好水平,已经很好用了。
这种思维上的差别很大程度上也解释了为什么微软能赶上网景公司,但想赶上谷歌却困难得多。
说到底,浏览器只是一个标准的软件,而搜索引擎则需要不同的思维模式。
作者说机器学习是“打了类固醇”的科学方法,也遵循同样的过程:
产生假设、验证、放弃或完善。
科学家可能会花费毕生精力来提出或验证几百个假设,而机器学习系统却能在一秒钟做完这些事。
机器学习使科学的发现过程自动化。
因此,并不奇怪,这既是商业领域的革命,也是科学领域的革命。
人脑和电脑,已经不是一种简单的譬喻关系。
人的大脑部,以及人类社会,似乎正是以类似于“机器学习”的方式运行着。
或者,应该反过来说,机器学习可以模仿人类大脑和人类社会。
在《人工科学》一书中,人工智能先驱人物、诺贝尔奖得主赫伯特·
西蒙让我们想象蚂蚁费力地穿过沙滩回家。
蚂蚁的路线非常复杂,这不是因为蚂蚁本身复杂,而是因为沙滩这个环境对蚂蚁来说意味着要爬很多山丘,绕很多卵石。
如果我们通过对每条可能的路线进行编程,模仿蚂蚁,那么我们注定会失败。
同样,在机器学习中,复杂性存在于数据中。
终极算法需要做的就是消化复杂性,因此,如果终极算法变得非常简单,那么我们也不用感到惊讶。
虽然人类的手很简单(四个手指,一个大拇指),但是它却可以制作并使用无数种工具。
我们再次看到科学家拿蚂蚁说事儿。
也许我们大脑中单个看起来并不复杂的神经元,就是一只只蚂蚁。
一千亿个神经元,构成了一个蚂蚁超级社会。
两位斯坦福大学教授最近合作研究蚂蚁如何寻找食物,其中一位是计算机科学家,另外一位是生物学家。
他们发现,蚁群其实早于人类数百万年便发明了传输控制协议/互联网协议(TCP/IP),而这是信息在互联网上传输的核心方法。
如前所述,每只小小的蚂蚁是一个非常简单的个体,它们没有聪明的头脑,只会完成一些简单的任务。
神经元似乎也是如此工作。
让我们跳出来,回到本文的标题:
什么是人生算法?
假如上帝是以算法来构建这个世界,我们也该找到自己的人生算法。
至此,让我们总结一下上述段落的观点,并以此作为后面文字的基石:
1、我们所在的世界,看起来是一个“一切不可改变的”钟表宇宙,其实是一个“一切不可预测”的混沌宇宙;
2、我们努力去控制,无论是控制自己的大脑,还是控制外部事物,经常是徒劳的。
结果其实是“涌现”出来的;
3、“自动学习”,是一个智能体自我进化的本质,即“算法”。
B部分一一个人的命运,为什么和另外一个人迥然不同?
我们又该去哪里找寻心底的自由?
通常我们都会把目光投向那些“很厉害的人”。
不管这些人是我们身边的,还是遥不可及的,很厉害的人似乎能够把握自己的命运,从而实现物质和精神的双重自由。
难题有两个:
1、究竟什么是很厉害的人?
2、很厉害的人和我有什么关系呢?
这两个难题的矛盾之处在于,厉害的人越厉害,对于平常人来说,就越难模仿、借鉴、学习。
下面,我们先探索这个时代最厉害人们的“认知地图”,然后,指向我们的目标:
发现厉害人的底层算法。
二很厉害人们的厉害之处,在于其认知模式和能力,这一点毋庸置疑。
满足“认知需求”的书籍几乎占据了所有的榜单:
1、(大脑)决策类;
2、(计算机)算法类;
3、科学类;
4、人文类;
在此基础上又有各种交叉延伸:
1、人工智能、强化学习。
2、硅谷模式:
精益创业、亚马逊飞轮、增长黑客;
3、认知心理学、行为经济学、非理性的原创性;
4、斯金纳的行为主义、自由意志;
各条路线上的最厉害的人们,分别贡献出他们所在领域和方向的“认知”;
而我们也如饥似渴地阅读、吸收,并试图拼出一完整的“认知地图”。
为了便于理解这地图,我引入一个隐喻:
围棋。
四个边分别是:
1、(大脑)决策类。
最著名的是卡尼曼的快与慢理论,无意识的“系统1”依赖情感、记忆和经验迅速作出判断;
有意识的“系统2”通过调动注意力来分析和解决问题,并作出决定。
各类决策类、管理类、励志类的著作,也大多围绕这两个基点展开;
2、(计算机)算法。
除了科技行业的技术趋势、商业模式,成功的个人或者机构,都是因为发现没人认可的秘密而建立起来的。
这个秘密,可以表现为一个算法。
3、科学。
硅谷的创业英雄们,大多是科学神童,将求真、证伪,作为思考与行动的基本准则。
我们也会看到获得过物理学学士的马斯克,在打算造火箭时,会认真学习《火箭制造原理》。
4、人文。
历史学家尤瓦尔·
赫拉利,开启了人们对意义、故事的宏大好奇心。
作者讲述了人类从石器时代至21世纪的演化与发展史,并将人类历史分为四个阶段:
认知革命、农业革命、人类的融合统一与科学革命。
四个角分别是:
1、大脑与算法的交叉点:
AI。
创造了阿尔法狗的Deepmind公司的CEO哈萨比斯,就是横跨脑神经科学与计算机科学的天才;
2、科学与算法的交叉点:
硅谷模式。
价值假设和增长假设,是把科学家精神,与企业战略、数字经济完美结合在一起。
科学试错在虚拟经济中发扬光大。
亚马逊的飞轮,Facebook的增长黑客,释放了惊人魔力;
3、科学与人文的交叉点:
认知心理学、行为经济学、非理性的原创力。
人们甚至寄希望于在这个“金角”建立对抗AI的人类阵地;
4、大脑与人文的交叉点:
自由意志&
amp;
操作性条件反射。
后者是斯纳金的著名论断,核心词是“客观无情”、“强化作用”。
现实中取得伟大成就的人,的确有很多就是如此,仿佛“人肉阿尔法狗”。
进一步将这四条边角色化,分别对应四个社会角色:
1、企业家;
2、理科生;
3、科学家;
4、文科生。
我不打算陶醉于这个地图精确而简洁的结构,而是要立即用它来揭示两个有趣的秘密。
秘密之一:
文科生+理科生人们都知道扎克伯格时哈佛计算机专业的辍学生,却很少有人知道,他同时修习心理学;
人们都觉得乔布斯是一位人文大师,却忘记了他小时候是一个无线电爱好者,还曾经打给惠普的创始人索要电子元件。
秘密之二:
科学家+企业家尽管斯坦福的博士生佩奇,看起来更像是一位科学家,但是在硅谷特有的辅导机制下,他迅速成为杰出的企业家。
特斯拉的马斯克,从宾夕法尼亚大学的沃顿商学院毕业,获得经济学学士学位后,再获得物理学学士学位。
他还曾打算在斯坦福大学念应用物理与材料科学博士学位。
我们自古重文轻理,后来又追求“学好数理化,走遍天下都不怕”。
现如今,理科生和文科生彼此鄙视(更多是理科生有莫名的优越感),似乎无法相容。
其实,在现代科学的学术概念里,并没有理科这一概念;
在中国,企业家是一个很年轻的名词。
早期企业家意味着胆子大、脑子活。
和科学家完全不沾边。
我们似乎在这个棋盘上,发现越来越多的在关联、与巨大秘密。
阿尔法狗战胜人类围棋第一高手,背后的目的,是为了探索一种通用算法,我们也可以称之为终极算法。
那么,在我们的“认知地图”之上,存在着某种“终极算法”吗?
围棋有句谚语:
金角、银边、草肚皮。
意思是说角最有价值、边次之,棋盘中间的价值最小。
围棋里还有一句谚语:
高手在腹。
从阿尔法狗的棋谱看,它对肚皮的重视与擅长程度,远超人类。
围棋棋盘最中央的那一点,我们称之为天元。
即:
底层算法。
三什么是底层算法?
让我继续用渺小而强大的蚂蚁来比喻:
1、人和人之间的差别没那么大,就像蚂蚁之间不会有太大差异。
就像桥水基金老板说的,“我阅人无数,没见过有人天赋异禀。
”2、你自己就是一个蚁群。
每时每刻,每个决策的你,每个行动的你,就是一只蚂蚁。
无数个不同时刻的无数个你,叠加在一起,构建了一个智能系统。
3、蚂蚁之间的传输控制协议,是这个智能系统的算法。
不同时刻的你之间的关系和连续性,是你的算法。
4、该算法采用了强化学习--机器学习的一种。
它能像alphazero一样自我学习,不断进化。
我们要“机器学习”,而非成为简单的学习机器。
我们当中的大多数人,为什么不能成为很厉害的人?
1、我们的认知系统,都是建立在钟表宇宙里的。
然而现实却充满不确定性,不可预测,难以计算。
这既是我们的痛苦之源,也是那些厉害的人的秘密。
2、问题还不止于此,我们甚至无法真正控制“自我”。
大脑中并不真正存在一个中心,“我”只是由无数个“涌现”串起来的电影角色。
3、进一步,我们花时间试图控制不可预测的那些东西,却对自己自暴自弃。
我们的知识都是牛顿时代的,我们的行为方式是牛顿时代的,我们的学习方式,也是牛顿时代的。
厉害的人是怎么做的?
他们既承认大多数物质系统具有复杂性质,又知道,钟表式科学的这种典型策略在封闭环境依然是奏效的。
所以,他们尝试在个人半径里,来打造“机器”。
这个“机器”,既有符合牛顿力学的机器的意思,又是“机器学习”。
让我们看看对强化学习的描述,它强调如何基于环境而行动,以取得最大化的预期利益。
其灵感来源于心理学中的行为主义理论,即有机体如何在环境给予的奖励或惩罚的刺激下,逐步形成对刺激的预期,产生能获得最大利益的习惯性行为。
你的动机、欲望、热爱、梦想、自我认知、价值观,负责实施奖惩的刺激。
哈佛大学心理学家罗伯特.凯根说:
“从出生开始,我们便踏上持续学习(Learning)和成长(Developing)的旅程。
这两股力量往往交织在一起,但又不尽相同。
如果仅仅是知识储存量的增加(in-form-ation),以既有的思维模式来运算资料,谈不上真正的学习,更谈不上成长。
成长是指思维模式本身产生改变(trans-form-ation)。
”是的,我们大脑神经是可以后天塑造的,每秒即逝的那个“我”,并没有被不可逆的时光之河裹挟而走,而是被写入“我”的底层算法。
这种控制与相应,与“扔个石头到水中能听到一声响”完全不同。
所以经常看起来是模糊的,遥远的,不确定的,甚至是反人性的。
然而,我们只能控制我们可以控制的,让其它涌现而来。
C部分费曼曾经写道:
假如由于某种大灾难,所有的科学知识都丢失了,只有一句话传给下一代,那么怎样才能用最少的词汇来表达最多的信息呢?
我相信这句话是原子假设:
所有的物体都是用原子构成的——这些原子是一些小小的粒子,它们一直不停地运动着。
当彼此略微离开地时互相吸引,当彼此过于挤紧时又相互排斥。
我用同样的方式来思考,假如我只能交给自己的孩子一种思维,或者能力,那是什么?
我的答案是:
闭环认知。
姑且视之为我对“底层算法”的一种简单化探索。
先让我们找到基本单元。
就像找到一只蚂蚁,或者一个神经元。
先建立一个模型:
认知闭环的基本单元。
由人行为的原理可知,人的行为的过程主要由人对环境信息的获取、感知、处理和输出组成,即感知、认知和决策以及行动的过程。
我们思考一个问题,做一件事情,开展一个项目,都需完成如上这个认知闭环。
我们的每天、每年、此生,都是有无数个或完整、或残缺的该基本单元构成。
该闭环由4个节点构成:
感知-认知-决策-行动。
这也是人工智能的运作模式。
四个节点节