模块组合的问题
（如果觉得又臭又长，你可以直接跳到后面的 证明 部分（证明组合派不可能做出真正的智能））
很多人认为只要把多个模块组合在一起，就能实现智能。
弊端
给参工具模块擦屁股
不论你试图'整合'任何外部模块，都会带来弊端，使得你不得不花时间来更新所有参与组合的 '模块'，因为环境永远在变，未来不可预知，工具模块总是需要更新：
| 技术或模块 | 弊端 | 代价上限 |
|---|---|---|
| 深度学习 | 人力标注、巨大的更新耗能使得系统不能即时更新 | 无限 ∞ |
| 图谱 | 人力标注、且需要进行很多难以达成的“语法”转换 | 无限 ∞ |
| NLP | 人力定义、需编写海量的专用算法，比如数字的识别和处理，主谓宾定状补的特殊处理等 | 无限 ∞ |
以上这些技术，用在工具场景下，都是非常“好”的工具，但用在智能场景，则很难覆盖特例，也很难即时更新
穷途末路
随着环境的变化，各种工具都会逐渐展露出缺陷和弊端，从长远看，其修补的代价也趋近无限大，以至于只有两个选择：
- 你不得不
参与到各种工具的开发中，试图提升 “外部模块” 的功能完整性。 - 你不得不
等待别的团队进行模块的更新（比如更新纽扣问题，下面的简单证明过程会提到）。
但是，由于环境永远在变动，所以工具的缺陷和代价是无限的，上面两点都不可能最终达成。
避免陷入自我合理化
人往往对那些比较熟悉或熟练的事情产生好感，如果长期处在工具设计圈中，会对各种工具产生一种无须证明的好感，最终合理化这些工具的使用并认为"工具就是智能"，偏离了智能的设计初衷。
避免浪费精力
试想一下，有没有哪一种工具会停止更新？ 微信、抖音、计算器、字典、词典、操作系统，这些都需要不停更新。而且这些工具都需要人力参与才能更新。不更新的项目，全都死了。由于环境的动态的，所以工具必须随着环境变迁持续更新。
不管你整合哪一种外部工具，它们都存在这样或那样的问题，虽然做出了很多看似酷炫的工具，但最终都存在各种问题，最终，你都不得不参与到外部工具的修补的队伍中、或等待工具的修补。最后导致很多精力被浪费在修补和等待中。
粗略的证明
从人脑角度
大部分智能设计者都认为自己的参照物是人脑，如下图：
为了方便讨论，我们先把大脑简化成下面这幅模样，如下图：
然后我们先假设组合派是正确的，把大脑切分成两个模块（或多个模块），如下图：
接下来，由于两个模块之间需要通信，所以我们人为地设定一个接口，连一条红线代表接口：
然后我们反思一下，我们在工业级，或者 IT 界，有没有遇到过能够 “自动” 生成的 “接口”？
答案是，似乎没有，目前为止，大部分接口都需要人类程序员参与才能建立。
好，我们接着往下走。
现实生活中，单一接口能传达的信息极其有限，不仅格式受限，带宽也受限，往往达不成理想的沟通，所以你不得不持续增加接口，如下图：
如果项目比较简单还好，几条搞定了，但如果是大型应用或者你期望的智能项目，接口还必须持续增长，如下图：
请记住一个前提，大部分接口（可能是全部的接口）都是用人力（程序员）来定制和衔接的。负责衔接的团队会越来越庞大。相关的 bug 也会越来越多，下面是腾讯微信大部分版本的更新简介：
强如腾讯，也没办法写出完美的程序，同样需要修修补补。
随着功能的增多，模块间接口继续增加：
到了这种地步，要不反思一下：
- 到底有没有必要从大脑中切分出模块？
- 费这么多人力搞这么多接口，最后变成了有多少人力就有多少智能，为什么不能让系统自己生成接口（链接）？
- 模块论、组合论，一定适用于智能项目吗？
- 为什么不能让系统自动学习而无需人工干预？
我们再回头看人脑的皮层，是不是一个相对完整的整体？ 至少没有明确的分界线：
显示生活中，你也找不到任何一个皮层被切分还依然智力正常的人类。
纽扣问题
- 假设你要建造一个系统，一个 “ 侦探 ” 系统
- 你
只做推理部分，剩余的感知，交给 “深度学习” 这个外部模块，也就是说，你走的是组合路线。 - 此时
案发现场遗漏了一个纽扣，不是被害者的，所以显然是凶手留下的。 - 过了几分钟，找到了几个嫌疑人，于是你的系统打算观察几个嫌疑人的身上有没有遗失纽扣。
- 于是内核系统向外围模块（深度学习）发出了识别的请求。
- 结果外围模块的识别结果是这样一个数组：
['穿着夹克的男人','穿着红裙的女人', ... ]。 - 这显然不符合内核的需求，主要是因为对应的
深度学习模块不是针对纽扣来训练。 - 于是你向谷歌发了
一封信，希望他们在训练的时候，加上图片中是否包含纽扣，以及纽扣是否缺失的标注。 - 过了几天，过了几周，然后又过了几个月，你发现没有回信。
- 于是你决定，不得不
自己训练一个自己的 “深度学习” 模块，但很快你发现一个问题，要构建足够大的视觉模型，以及频繁更新大模型，需要的代价很大，如下图：
注意，这不是一次性的费用，而是每当你遇到任意一个 纽扣问题（未经标注）或类似的问题，你都必须付出 1200 万美元的代价。
问题如果进一步细化，比如特定图案、特定材质的纽扣，代价就更大了。
你心想，没关系，只要人类社会里出现过的规则或事物，你只要有足够的耐心，有足够多的标注团队、足够多的算力，你就可以达成这个智能系统（于是你又想起了谷歌，但谷歌依然没有回信）。
那么，那些不曾出现过的规则呢？
兔狗实验
看看你的 “侦探” 系统能不能应对这种情况：
侦探系统遇到一个小女孩，她掌握了核心案情，她要求你必须跟她玩一个即时制定规则的游戏，她才会把案发现场的实情告诉你
这是一种即时游戏、交互式游戏，游戏参与者可以随时协商游戏规则，比如这个游戏：
- 看见兔，说狗。
- 看见狗，说兔。
规则可以随时变化：
- 抽到梅花代表成功。
- 抽到黑陶代表失败。
也可以反过来：
- 抽到梅花代表失败。
- 抽到黑陶代表成功。
此时，由于外围系统（深度学习）并没有这些即时规则的标注数据，更不可能训练相反的规则，所以外围系统只能向内核输出 ['我看见了兔，但我不擅长推理规则']。
此时，小女孩觉得这个太简单了，毕竟外围模块还能识别出兔子，于是她突然改变了规则，随机在草稿上画了一些图案：
小女孩指了指左边的图案说，看见这个说兔， 然后指了指右边的图案，看见这个说狗。
这些潦草的图案（甚至可以更潦草），远远超出了深度学习的训练范围，所以它只能输出 我什么也看不见。
此时，侦探系统没办法，只能给你打电话，让你帮忙识别这幅图的左边和右边分别是什么。
发现没有，你的系统需要一个 “保姆” 常年跟着它，系统整合的外部模块越多，需要保姆插手的地方就越多。
你可能会反驳说，需要保姆的系统，也是侦探系统啊。
是的，这个 “侦探”系统必须依附一个人类智能体才能体现出它的智能。
同理，我们可以推出如下结论：
- 一个包含了推理功能的组合派系统，需要绑定一个人类，才能做 “
决策系统”。 - 一个包含了推理功能的组合派系统，需要绑定一个人类，才能做 “
聊天系统”。 - 一个包含了推理功能的组合派系统，需要绑定一个人类，才能做 “
咨询系统”。
注意，以上的关键字是：绑定一个人类。
这样的系统，只能成为工具或应用，但永远跟真正的智能差那么几步。
如何做才能算统一和完整？
（不定时更新...）