什么是机器商，就是像机器那样思考的能力，说文艺一点，是和机器有“共情“的能力。有人也许会说，人为什么要像机器那样思考，不是都是让机器来模仿人类思考吗？这回到原来笔者探讨的人类智能、人工智能、机器智能的话题，机器既不能够完全模拟人类思考，也不用完全模拟人类智能。这是两类不同的智能，具有不同的思维优势，这不是谁比谁强，谁一定要完全学习谁的事，而是综合利用两者最强的部分的事。比如人类的智能远在大象之上，但在感知次声波上，大象的能力远在人类之上，他们可以在几百公里外就知道雷雨的到来。在这一点上，就不应该是大象来学习人类，而是人类去学习和模拟大象。
机器思维的一个重要特点，就是保持开放，持续学习，持续从大量的数据中去增强一个认知。很多理工科背景的人，包括笔者原来，都有一种认知习惯，就是认为一个东西我会了就是会了；理解了，就是理解了，不需要去重复学习增强理解。其实这种方式只适合于很少量很简单的知识，即便像函数这样的概念，我们会认为学的时候完全明白了，过一段时间我们回过头去看的时候，我们也会有不同的理解和更深的认识。比如，最开始我们会觉得微积分就是掌握了就掌握了的纯数学知识。而其实在逻辑和哲学领域，不少概念其实就隐藏了微积分的思想，所以用微积分就反而可以做完美的诠释，比如“量变引起质变“。用无限分割法求不规则图形的面积，纯用逻辑的话，规则图形就是规则图形，逻辑上永远不可能用不规则图形的组合取代不规则图形，而用极限概念，就一目了然。这说明，同一件事，我们在不断学习过程中，会不断汲取其各个方面的特征，从而增强对这个事的本质理解，这就是人工神经网络的典型学习模式。而人类可以借鉴的是，绝大多数的知识都需要我们持续的从各个角度，不带任何先见地去了解和认知，我们可能经过了很长时间，甚至一辈子的时间，也只能是无限的去逼近对这个事情本质的理解，而不能说是真正的去掌握了它。机器学习就保持了这样一种开放的态度，不带任何预设地、客观地、持续地接受新数据，持续更新自己的参数，持续完善对一件事的掌握。
另一个角度，是在学习过程中，机器思维的不求甚解。和表面意义不一样的是，不求甚解在很多情况下，是一种非常有效的萃取知识和经验的方式，让我们先不纠结于复杂因果的细节，而是快速找到因素间关联的洞察，也让我们可以构建起无法用精确规则描述的规律和模式。这也是典型大数据的思维。
一个广为流传的故事很能说明问题，说的是末代皇帝溥仪有一次去一个收藏家朋友家玩，这个朋友展示了很多他的藏品，溥仪说，你这些好像是假的。这个朋友颇不高兴，觉得自己是收藏专家，溥仪又没有理论依据，凭什么说自己收藏假呢？溥仪说，没啥根据，我就是觉得你这些东西，和我原来在皇宫里看到那些同类不太一样。溥仪的思维，就是典型的大数据思维，也就是机器学习的思维，并不追求总结出明确的，可精确定义的规则（事实上古玩鉴赏也不存在这样的规则），而是用不求甚解的方式萃取出识别的经验并不断更新自己的古玩鉴别神经网络。 ------------ 仅代表尹智个人观点
