1.2人与机器的区分因素
前文介绍中我们已经探讨了人工智能领域的三大问题，分别是：框架问题、符号关联问题以及特征工程问题。这些问题都跟人没什么关系。那么，为什么机器无法处理这些问题呢？我们再一起回顾下这些问题。如果你仔细思考，就会发现所有这三个问题最后都能归结到同一个症结：
框架问题指的是机器在处理被分配的任务时无法判别到底该使用哪些知识。
符号关联问题指的是由于机器只能将知识作为单一的符号进行识别，无法把知识整合在一起，所以无法理解概念。
机器学习中的特征工程问题指的是机器无法自寻对象的特征。
如果机器能够识别并善用事物或现象的特征，这些问题就都迎刃而解了。毕竟，机器与人之间最大的差异也就在于此了。世界上的任何一个对象，都有着自己的固有特征。人类擅长捕获这些特征。那么，这些技能到底是后天学习的还是天生就有的呢？不管怎样，人类能辨识特征，并且依据这些特征理解名为“概念”的东西。
现在，让我们简单地介绍下到底什么是概念。首先，我们有一个前提假设，那就是这个世界上的万事万物都可以由一系列符号表示（Symbol Representation）和符号内容所构成的。譬如，如果你不知道“猫（Cat）”这个单词，当你走下街道看到一只猫的时候，是否意味着你就不认识它是一只猫呢?不，不是这样的。你知道猫的存在，如果你之后再次遇到另一只猫，你将意识到它作为“刚刚看到的相似的东西”，之后，你会知道这种动物就叫“猫”，或者你会找机会查一下它到底是什么，这就是你第一次将现实存在与词汇相链接的过程。
猫（Cat）这个单词就是一种“符号表示”，而你识别的猫这一概念就是其“符号内容（Symbol Content）”。你可以将其看作是同一枚硬币的两面。（有趣的是，这两面之间并没有什么必然性。并不存在这样或者那样的规定，一定要把猫写成CAT或者要像这样发音。即便如此，我们的理解系统中，这些仍然被当成想当然的事情。）换句话说，概念就是符号内容。这两个概念都有其对应的术语。前者称之为“意符（Signifiant）”，后者称之为“意指（Signifié）”，当这两个术语成对出现就被称为“符号（Signe）”。（这些单词都是法语。在英文中，你可以分别称之为“Signifier”，“Signified”以及“Sign”）。我们可以这么说，将机器与人区分开来的是能否凭借自身的能力找到“意指”。
如果机器可以找到给定数据的显著特征会发生什么情况呢？对框架问题而言，如果机器可以从给定的数据中提取出显著特征，并完成知识表示的话，它就再也不会遭遇之前在思考如何选择所需知识时的“僵死”问题。对符号关联问题来说，如果机器可以凭借自身找到特征，并依据这些特征理解概念的话，它就能够理解输入的符号。
毫无疑问，它也能解决机器学习中的特征工程问题。如果机器可以依据现实情况或目标，凭借自身的能力获取恰当的知识，而非只知道使用固定的一种状况的下的知识，我们就能解决之前在实现人工智能时碰到的种种问题。现在，机器可以从给定的数据中挖掘出重要的特征，这一目标基本就要实现了。你猜得没错，这就是我们最终要聊的深度学习。接下来的一节，我会为大家介绍深度学习，这被认为是人工智能五十余年以来历史上最伟大的突破。
