在《“反常识”思维》一文中提到。诺贝尔奖得主丹尼尔·卡尼曼的《思考，快与慢》一书，把人脑的两套思维系统称为“系统1”和“系统2”。前者自动起作用，能迅速对事物给出一个的很难被改变的第一印象；而后者费力而缓慢，需要我们集中注意力进行复杂计算，甚至我们在系统2工作的时候连瞳孔都放大了。系统2根本不是计算机的对手，没人能在百万分之一秒内计算111.61872的平方根。然而系统1却比计算机强大得多，直到2012年Google用了1.6万块处理器，才让计算机学会识别猫的脸 — 而且它肯定还不会识别表情。

既然计算机比人在“系统2”中的能力强大得多，那么我们何不让计算机做它最擅长的事。我们人类通过缓慢的逻辑分析、复杂计算逐渐创造并积累出我们现有的知识。所以一定程度上科学的发展很大程度上是依赖于“系统2”的。如果将计算机这个比人强大得多的“系统2”应用到科学研究上，那么科学研究的速度会比现在快得多。

而且现在出现的很多条件都很有利于人工智能在科学研究上的应用。

最主要的是 ArXiv 的出现。让人工智能获得了大量的信息输入。几乎每个做研究的人都很关注 ArXiv 系统所提供的预印本文献，上面的资源是组织有序的，同时是免费的。同时，几乎每个前沿领域的研究人员都会将自己即将发表的文章放到 ArXiv 上。这让人工智能系统有了任意获取科研资料的能力。而过去是很难想象的，因为纸质系统存在很大的困难将有用的信息读取到人工智能系统中。

人工智能应用到科学研究中存在的问题也很多，包括文字理解，逻辑关联，创造新的想法，预言新的结果。但是这些人工智能的困难程度相对于与人交流、观察人的面部表情、理解人的情感、自我认知（系统I）而言要容易得多。因为在 ArXiv 上发表文章的人来自于全世界各地，如果要让不同地域不同文化的人能交流，意味着文章的结构是没有太多本土特性的，模板化的。同时，逻辑功能（系统II）本来就是计算机的强项，要在这方面实现比人强大，相对而言还是更容易一些的。

从上面看，在文章研究方面引入人工智能可能是实现人工智能最容易的方向。

另外，人工智能用于研究的优势与带来的好处也是非常明显的。

首先，知识积累的无限制性。我们人都是有局限的，每天工作时间有限，记忆力有限，意识处理信息的能力仅为每秒数比特，最长寿命者也不会超过200岁。而计算机在这些方面却有天然的优势。它可以一天工作24小时，工作速度达到数亿比特每秒，记忆力无限制，寿命无限制。它的积累相比于人要快得多。

同时，人工智能应用于科学研究很可能会出现爆炸式增长。回顾计算机系统的发展史可以看到，计算机芯片的发展存在爆发式的增长。用摩尔定律描述为每18个月计算机的计算能力增长一倍。而这种爆发式增长很大程度是与创造出的知识的使用有关。计算机产业的芯片设计需要依靠计算来辅助设计。当芯片设计越好，出产的计算机计算能力就会越强，能力越强就能设计出性能更好的芯片。这种已有知识能迅速转变为创造知识的能力正是计算机产业能保持爆发式发展的重要原因。

而将人工智能应用于人工智能研究也会带来这种已有知识迅速转变为创造知识的能力。人工智能越强会导致相应人工智能研究做得更好，而人工智能研究做得更好又会使人工智能做得越强。如果这些简单的推证都成立，那么人工智能的发展也会存在与计算机产业发展类似的爆发式的增长。同时，人工智能的这条研究反馈链的循环周期更短，计算机自动完成能力更强，所以我相信人工智能出现的这种爆发式增长速率会远快于计算机产业的发展速率。

致谢：感谢孙毅同学近期与作者就人工智能问题的讨论。