推理活动可以归纳为演绎推理、归纳推理和类比推理，以归纳推理为例，人类常使用综合归纳法进行归纳推理，即以大量个别知识为前提，概括出一个一般性结论。这与计算机中的抽象理论非常相似，程序员通常需要对各种具体的研究对象或系统的共同特征或属性进行提取，完成抽象这一过程，才能进行建模。从这个角度看，机器是能完成推理活动的。
如果抽象赋予机器思维推理功能，那么自主联结赋予机器思维的创造性活动。目前，在机器思维的创造性能力方面已经有了许多展现，机器的深度学习就是一个典型。所谓的“深度学习”，是指多层神经网络上运用各种机器学习算法解决图像、文本等各种问题的算法集合。在分类上，深度学习属于神经网络，但在具体实现上有许多变化。深度学习的核心是特征学习，旨在通过分层网络获取分层次的特征信息，从而解决以往需要人工设计特征的重要难题。最近几年，增强学习(Reinforcement Learning)与深度学习的结合创造了许多了不起的成果，“阿尔法狗”（Alpha Go）就是其中之一。在这里，无论是深度学习还是增强学习，都是机器思维的创造性能力的体现。
就目前而言，还没有一家公司能做到真正意义上的机器思维。而智视科技已开发出初备推理与创造能力的人工智能系统，从这一角度而言，智视科技已经实现了机器思维中的一部分，也是最为关键的东西。
在推理能力方面，智视科技的AI系统可以从现有的知识出发，运用机器思维能力，得出一些隐性的结论。程序员预先教授系统一些逻辑推理原则（例如：A大于B，B大于C，那么A大于C）与提供前提条件（例如：司令大于军长，军长大于师长，师长大于旅长，旅长大于团长，团长大于营长，营长大于连长，连长大于排长），那么系统就可以通过机器思维，自发推理以上任意两个军职之间的大小关系。
在创造性方面，只需教会系统简单的基础方法，系统就能通过思考的方式将基础方法进行组合，以解决一个复杂的问题。就像美国阿波罗登月火箭总设计师韦伯说：“我们所用的技术，都是已有的、现成的，关键在于组合。”，将多种元素、原理与基础方法等不断的进行组合，衍生出尽可能多的构想与思路，最终得出解决问题的最佳方案。为了便于读者理解，这里举个简单的数学例子，当程序员教会系统简单的加法与乘法运算，系统就能通过机器思维解决更为复杂的混合运算问题。具体而言，就是程序员先教授系统——物体A的质量是100kg，物体B的质量是200kg，物体A与物体B的质量之和是多少？解：100+200=300以及物体A的质量是100kg，物体B的质量是物体A的2倍,物体B的质量是多少？解：100*2=200，那么通过机器思维后，系统就能解决更复杂的问题——桌子的质量是90kg，椅子的质量是40kg,床的质量是椅子的4倍，桌子与床的质量之和是多少？解：90+40*4=250。
所以，当我们在思考人工智能时，不能仅仅看到机器的智能行为，机器的思维能力才应该是我们思考的核心。机器思维之于机器，就像大脑之于人类，机器思维使机器具备人的思维模式。倘若缺失机器思维，那么现有的人工智能只能做到教1是1，教2是2，机器思维使得系统可以基于简单的已知原理进行推理与创造，让人工智能的学习能力、解决问题能力跃升新高度！返回搜狐，查看更多