很多年前，我和一位朋友去參觀一個果園。他的兒子是這個果園的經理，向我們介紹了其工作。我的這位朋友和我都是工程師，開始討論如何教機器人采摘水果。

朋友的兒子停下來，驚愕地看著我們?！澳銈冊谡f什么！？這很簡單——你看到它，然后你摘下它?！?/p>

并非那么簡單：直到幾十年后的今天，具有商業價值的水果采摘機器人才出現在人們的視線中。有許多日常任務看似微不足道，但卻難以對其加以描述和構造以滿足自動化需要。人類具有常識性推理的優勢，而常識性推理比大多數人所認為的要深奧和抽象得多。

在我今年2月份發表的專欄文章（標題為“Can Machine Learning Teach Us Anything?”，https://spectrum.ieee.org/robotics/artificial-intelligence/can-machine-learning-teach-us-anything）中，我寫了我們在創造精通國際象棋和撲克等游戲的計算機程序方面取得的成功。據這些游戲（無論是下棋還是玩撲克）本身所描述的，這些游戲非常簡單——數量不多的涉及幾個要素的不可變規則。但這里有一個悖論，因為在這種簡單的背后隱藏著巨大的復雜性。盡管如此，這種復雜性是精確定義的，而這正是我們工程師所擅長的。

然而，生活是模糊的，往往是不明確的。（如果現實生活中的任務能被模擬成桌上游戲，那么我們就能開展業務了。）我喜歡模糊邏輯的理念，但再三思考，我確實希望我的計算機是精確的。

但也許有某種機制可以將模糊作為輸入，并將定義明確的輸出傳遞給計算單元。然后這個計算單元可以表現出我們用以掌握游戲的那種技術。

在現實生活中，我們有這樣的機制。以美式足球為例。有一些關于向前傳球之后會發生什么的規則，這些規則取決于傳出去的球是否被抓住了。但是“抓住”是一個模糊的概念。所以我們有一個將模擬的“抓住”數字化的設備。它被稱為裁判。在法律領域，我們在法庭上也有類似的做法，法官和陪審團使用各種主觀標準，如“合理性”來判斷一項行為是否違法。如果我們不喜歡法院的數字化，我們就把它當作一個模擬結果，然后把案子送到另一個法院去審理。

作為一名管理者，我是許多人事決策的數字仲裁——誰獲得加薪，加薪多少，多獲得晉升，誰被解雇，等等。人們總是問我用什么標準來做這些決定。你使用的算法是什么？他們想知道。事實上，我也想要一個算法。實際的決策過程中涉及很多模糊性。

除了是模糊的之外，生活中很多事情還受到運氣的影響。最好的團隊并不總能獲勝，最好的人并不總能獲得晉升。生活并不總是公平的，但這確實又會把碎片搖勻，所以我不確定這是一個bug還是一個功能。像大富翁這樣的許多桌上游戲都是將運氣與技巧相結合的。也許模糊轉換器可以增加一些隨機性。

但我只是對此做下夢而已。無論我們試圖將現實生活中的什么任務自動化，總會有人問為什么要花這么長時間。他們會說，這很簡單。但事實并非如此。