但，[不排除] 由於人類 [智慧缺陷] [編寫失誤] 人工智慧 [誤判]、[誤操作]，[傷害](到)人類； 也可能[會][有]用心不善者[編寫病毒]，[製造] [智慧武器]傷害人類。人類警醒警惕，『設防』！

總之，[機器]、[人工智慧]是人類智慧 [創造] 之 [器]。『【有智無慧，服務人類】，是[人工智慧] [總] (的)設計思想，創制原則，道德標準，行為規範』。

[中和先生]：『害人者害已；利物者利人』。謹慎前行！2018-07-03

我們要時刻清醒的認識到，人工智慧所存在的基礎以及發展的主要推動力是什麼？否則就會走上形而上學與不思進取的路子。

該話題的第一句就直接定義成了人工智慧是完全獨立的智慧存在體，而忽略了所發現的元素週期表的內容是人類所探索的發現，並把其內容嵌入到相關的人工智慧裝置裡面所達到的結果，而這種發現不是發現，而是可以準確的識別而已。發現和識別有著完全不同的概念和定位，盲目的亂用只會誤導了自己，還會給他人的理解產生影響。

首先，人工智慧是人類文明發展的載體之一，起著很好的輔助作用。是否會發展成為主導作用，那還需要相當一段時間的積累和醞釀。即使起到主導也無法脫離人的因素進行必要的準確定位。

其次，探索知識與學問的主體是人類，而不是人工智慧。人工智慧在未來可以發現一些未知且無法判斷的現象和物質，如何去定義這個現象和物質還是需要人類的介入進行主觀能動性的發揮才能得出相應的結論。由此人工智慧只能暫時的代替人去探索未知，但無法定義未知。

最後，人工智慧畢竟是一部機器，如果要和人類比肩存在就需要有著完備的各個子系統的互相支撐。不要小看了人類的存在，人類的各個系統的支撐不是一朝一夕醞釀出來的，而是經過數千萬年的時間積累才醞釀出了一個較為平衡的生態鏈，而這個鏈路連結的很是緊密和複雜。而人工智慧的重要紐帶反而是人類，缺失了人類這個環節就會立刻進入衰亡階段，等等

簡而言之，人工智慧要想真正的完全脫離人類的駕馭與主導，需要很長的路要走。什麼時候人工智慧真正的領略和駕馭了萬物之靈的能力的時候，也就是可以獨立自主生存在這個世界的時候。也許走的路會很短，但是即使再短也需要幾十以及數百年的時光。

人工智慧已經在幫助人類探索知識和學問了。如果熟悉有關演算法的話，就會發現人工智慧發現元素週期表的這個工作只是word2vec等技術的一個非常簡單的應用。元素週期表曾經是科學史上的高峰，為什麼我們會說它簡單呢？這是因為只要我們將元素週期律和許多實際問題來比較，我們會發現，元素週期表總是比較簡單的：

例如我們跟 AlphaGo 下圍棋比，圍棋走子的可能性遠遠多於我們已知的化合物的數目；我們也可以跟影象識別作比較，一幅圖片中可能有許許多多的特徵（你能說出一幅有貓的圖片有哪些特徵嗎？），而如果我們說到化學元素，它們的特徵無非就是那麼多（我們很容易能說出各種元素的特徵，例如化合價、原子量、電子排布等）；

如果我們把元素週期表跟網際網路上預測人類的行為來比，它仍然是更簡單的，元素具有有限的幾種化合價，形成的化合物的型別也很有限，我們可以很容易把不同的元素聚類到同一族，一種元素，如果有了某些特徵，可能大體上就不具有其它的性質（例如金屬，就不會是非金屬），而網際網路上的人類行為沒有那麼明顯的規律，而且我們很難說我們可以明確提取每個人的行為特徵，我們在做的只是給每個人加上許多不同的標籤，而標籤之間可能沒有很強的互斥性。

這樣的比較還有很多很多，我們會發現，越是問題定義良好、規律明顯、簡潔清晰的事物，那麼用“人工智慧”的方法來做就越簡單，而元素週期表恰好就是這樣的非常清晰的問題，這樣的問題可以用人工智慧解決並不是特別神奇的一件事。我們希望的是，利用人工智慧的方法，探索一些規律相對比較複雜，或者問題本身缺乏良好定義，而且資料比較雜亂（例如自然語言、大小不同的圖片、網路上的人類行為……）的一些問題，而我們也知道，這些問題其實也正是人工智慧目前發展的主要方向。

這個問題回答起來太麻煩。

物質系統的組成，說白了就是編碼在一個資訊空間上。物質就是這樣一層一層地組成，形成類似拓撲空間結構。

人類認識事物也只是認識其編碼結構，認識事物的資訊空間。也就是說，人類認識事物只能認識事物間的相互作用及其規律，不是事物的本體、本質。

事物的資訊空間，也是拓撲空間，其複雜性不能由函式形式表示，只能表示成抽象的拓撲形式。

人工智慧目前只能表達線性函式空間，可表達成線性函式的非線性函式空間，也就是可表達成連續函式，或L--可積，或傅立葉函式空間。

人工智慧可搜尋到元素週期律，這類線性可分空間，但它發現不了任何複雜空間上的資訊規律。像人類的情感空間、直覺意識空間。像宇宙中引力空間的資訊編碼規律；微觀世界量子空間中的資訊編碼規律，包括電磁空間上的常規應用規律，如找到效率最大的玻色子能量拓撲。

人工智慧一直以來只能解決線性可分問題而已，即便是發展出什麼深度學習，外加幾十層，幾百萬神經元(以前只能做到幾百個神經元)，也沒突破線性可分問題的藩籬！

目前看，只能引進量子過程，量子資訊科技，量子邏輯下的量子神經網路，人工智慧才可能突破線性可分問題的障礙，才能進一步逼近人腦功能。

由目前人工智慧進展的實際情況看，人工智慧的老前輩給出的預測分析都是正確的，數理邏輯下的人工智慧永遠是“冰冷的”、“機械的”搜尋工具而已！