在人类的认知史上有两个相背而行的方法论一个是理性主义，一个是经验主义，从人类摆脱神的控制之后，主动构建自己认知体系的两把利剑，因此康德才敢说“人为自然立法”。
古希腊的理性给西方带来了一种贯穿几千年的思维特质。人要通过理性去发现整个世界背后的道理，因此，政治就要讲正义，法律就要讲自然法，经济学就要讲看不见的手，和物理、化学、生物一样，都是人可以理解的、可以讲道理的、可以运用的。
理性这种强大的思维特质，在后来的西方文明里还改造宗教。
特别是在物理学领域，牛顿的万有引力给万物运动规定了框架；麦克斯韦方程解说电和磁本质是一样的，光速不变；爱因斯坦的质能方程：说质量和能量是一回事，空间可以弯曲，时间是相对的；德布罗意用理性告诉你，你不但是物质，其实也是波；狄拉克的电动方程解说：有一个正电子的东西，结果实验找到了；1964 年，默里·盖尔曼和乔治·茨威格提出，并且后来被实验验证，质子和中子都不是最基本的粒子，它们都是由“夸克”组成的。夸克有六种类型，叫做六个“味道”，分别是上夸克、下夸克、粲夸克、奇夸克、底夸克和顶夸克。…
所以，理性主义最自信的名言来了笛卡尔的“我思故我在”，希尔伯特说“我们必须知道，我们必将知道”。
但是到20世纪70年代之后，人类的理性好像撞到天花板了，人类没了之前的从容一顿理性推理之后得出结论和实验纹丝不差的幸运没有了，现在理性主义最高的荣誉叫标准模型，可是这理性之光统一不了引力，解释不了暗物质和暗能量，并且有10的500次方解，有千千万万个宇宙，就是没办法实验证实，也许人类认知突破的下半场是经验主义。
康德的《纯粹理性批判》里，也把人的认知里关于理性的偏好做了批判，说人的理性就像带着有色眼镜，你带红色世界就是红色，你带绿色世界就是绿色，你不能触及世界的本体，人类理性是不能越界的。
现在脑科学证实人有两种认识类型，巴甫洛夫式的和斯金纳式的。但究其本质，这两种学习都是在反复出现的事件之后建立相关性连接，并且还假设相关性代表了因果性，而且用这种想象中的因果关系来指导行为输出。但是从这里出发，学习会导向两种截然不同的结果。
一：形成抽象概念
一种结果是形成更为抽象的“概念”。
举个例子，尽管中文和英文字符看起来毫无相似性，但语言学家就能发现，两种语言中主语-谓语-宾语都是基本的语法结构。
反过来一样，很多表面看起来很相似的东西，我们也能通过学习理解它背后的本质差异。
概念的形成实际上是脑的又一次冒险：它不光要冒险把相关性理解成因果性，还要对相关性进行进一步的浓缩和抽提，形成更为普适的行为指导原则。而在多变的世界中，这些原则越是看起来斩钉截铁和普适，可能就越容易犯错误。
二：时刻关注概率变化
和形成抽象概念相反，学习的另一种结果则是时刻关注概率的变化。
实验证实，大脑其实是按照贝叶斯定理的方式开展学习的。贝叶斯定理的逻辑非常简单：主观信念不能一成不变，它需要随着相关证据的发现而改变。当有利证据发现时，主观信念增强，当不利证据发现时，主观概率减弱。
总之，形成抽象概念意味着建立明确和简单的规则，并以此理解和改造复杂世界；而时刻关注概率变化则意味着放弃这种确定性，根据复杂世界的实时反馈来调整自身的认知和行为。
这其实也对应着西方自古希腊时期就并行的两条认知主线理性和经验。
在人工智能的发展历史上，理性主义和经验主义恰好分别对应了人类创造人工智能的两个思路，一个是专家系统，一个是深度学习。
深度学习的思路则是放弃寻找确定性的规则，转而从海量的信息中提取相关性信息。例如还是语言的翻译，深度学习更关注哪些字和哪些词经常一起出现，在词和词之间，哪种顺序出现的概率超过其他顺序。
哪种思路更好呢？至少在目前看，深度学习的效果要明显好于专家系统。
人工智能的道路：人工智能并不需要真正理解世界，更不需要建立因果关系和物理规律。
在脑科学角度，从复杂世界中抽提因果关系和普适规则，是个非常困难的任务。作为旁证，咱们自己的脑早在亿万年前，就已经选择了主要利用经验而非理性来理解世界：巴甫洛夫的狗不需要知道为什么铃声之后会出现狗粮，只要两者总是同时出现也就足够指导生活了；斯金纳的鸽子其实也一样的。
理性反而是人类发展非常晚近的产物。即便是在科学如此昌明的今天，咱们炒菜做饭仍然不需要理解有机化学反应，吃喝拉撒也不需要理解生物机理，交流讨论更不需要掌握信息编码和解码的数学定理。
甚至说得极端一点，直接针对海量信息进行概率式的分析可能反而更接近客观世界的真相，因为一旦对信息进行提取和规律总结，就容易犯盲信和越界的错误。
我们必须承认，这是一种全新的、人类并不习惯可能也永远无法真正理解、但是又非常管用的认知方法论。
随着我们技术的发展，技术的本质就是拓展人感官边界，让人类理性的独特自尊被打破，我们将会进入一种感官塑造的新世界，经验主义在发光。
