人工智能擬人化發展，是科學技術進步所帶來的必然的發展趨勢。而這個發展趨勢的技術基礎，是信息處理速度的提高，信息存儲容量的增大，以及代碼編寫的半自動化程式的產生。
要談論人工智能擬人化，首先第一步，要了解人；其次，才能談論如何模仿人（擬人）。
人是一個什麼樣的機器？
首先，獨立個人的初始化程式，來源於基因的遺傳。這個初始化程式，具備多種固定編碼，和一個同樣的具有生成新程式的編碼功能，也就是說，一個用來寫入新的代碼的功能。
1、簡單認知：初始化程式的起始編碼——簡單等式鏈接。
一個現代新生幼兒，剛出生，就在外界的不斷刺激下，學習簡單等式鏈接。
初始化程式中的一個固定功能，是將看到事物反映到腦海中形成具象，這個具象本身包含顏色、形狀等信息，簡單點說，就是眼睛中看到的事物在頭腦中呈現的結果。
當一個新生兒，在無數次看到自己的母親，耳邊聽到的最多的詞語就是母親時，簡單等式鏈接編碼，會通過試錯重複將【eye（媽媽的具象）=ear（聽到的“媽媽”這個詞的聲音）】鏈接起來。
這個過程看起來就是兩個函數的等效，但實踐起來，需要高頻度的試錯帶入和重複帶入。
或許當一個孩子將【eye（媽媽的具象）=ear（聽到的“愛你”這個詞的聲音）】先行鏈接後，當他發現，“愛你”這個詞由另外一個長相的人頻繁發出時，他會對鏈接的準確度產生懷疑。
當然，初始鏈接不單單是一個等式的鏈接。
當【eye（a）=ear（b）；eye（a）=ear（c）；eye（a）=ear（d）…//eye（e）=ear（b）；eye（e）=ear（c）；eye（e）=ear（d）…//eye（f）=ear（w）；eye（f）=ear（y）；eye（f）=ear（z）…//...】發生時，
人腦具備的快速運算能力和多次程序迭代運算能力，使高頻次的試錯程式重複運行，會逐漸將不合理的等式篩除掉，留下的等式會逐漸向真正的【eye（媽媽的具象）=ear（聽到的“媽媽”這個詞的聲音）】靠攏。
這個初始化程式最終會形成【eye（a）=ear（b）//eye（e）=ear（q）；//eye（f）=ear（z）；//…】的固定化程式。
這個程式，反映了人的知覺體驗鏈接，將看到的和聽到的鏈接。除此之外，人的成長過程中，聽和觸覺的鏈接，聽和味覺的鏈接都是如此。
而聽和說，一個作爲人的輸入，一個作爲人的輸出，在人的幼兒時期，具有絕對的等效。
人們常說，孩子的心靈裏，非黑即白，非對即錯，就是因爲在成長的最初階段，高頻次的試錯和重複程式運行最多的是簡單等式鏈接。
說的容易，可形成等式的過程並不容易。5、6個月的孩子，多半能將【eye（媽媽的具象）=ear（聽到的“媽媽”這個詞的聲音）】留存下來，卻很難在父母無數次的教導“紅色”、“藍色”時，用等式確定下來。
因爲，此時的鏈接，已不再是簡單初始鏈接，具備了新的複雜鏈接，即抽象的提取。
2、抽象認知：初始化程式的起始編碼——複雜等式鏈接。
氣球是紅色的，鞋子是紅色的，牀單是紅色的…
“紅色”的聽覺和不同的具象鏈接了，怎麼辦，怎麼辦？
首先，當一個孩子能建立【eye（氣球的具象）=ear（“氣球”這個詞的聲音）//eye（鞋子的具象）=ear（“鞋子”這個詞的聲音）；//eye（牀單的具象）=ear（“牀單”這個詞的聲音）】的簡單等式鏈接後，
那麼別怕，人類的基因中帶有複雜等式鏈接功能。【eye（氣球（形狀、顏色、性能...））=ear（紅色）；Or eye（鞋子（形狀、顏色、性能...））=ear（紅色）；Or eye（牀單（形狀、顏色、性能...））=ear（紅色）；Or …】>>eye（顏色）=ear（紅色）。
以上這個複雜等式鏈接，在上述表示中僅以“>>”符號代替，但在實踐中，仍然經歷了高頻次的試錯和重複程式運行。
上述這個複雜等式鏈接這個程式，讓人具備了具象認識和抽象認識。不斷的反覆，不斷的迭代，不斷的刪除錯誤對應，最終將結果迴歸爲大衆都接受的某個抽象認知。
到此爲止，不管是簡單等式鏈接還是複雜等式鏈接，所產生的對應都是單一的，被大衆反覆相互印證的結果。
3、複雜認知：半自動化編碼功能
在兒童成長期間，會形成多種固定的有關規則的認知。
比如，吃飯不可以說話；有小朋友欺負自己要給父母說。這些能教給孩子的容易理解的規則是具象規則。
以前看到一個笑話，老師要求，上課時不可以說話，結果老師的衣服被爐火燃燒了，老師後來很生氣，說，你們怎麼不告訴我？小朋友說，是你不讓我們說話的！
這裏，【 {上課時不可以說話}=DO {上課} and DONOT[說話]】。
但是在真實世界裏，會有小朋友接收到遇到緊急事件要打破規則的教育【{有危險要求助}=if {危險} DO{求助}】。
這時，如果小明說，老師你的衣服着火了，他的程式是這樣的。
【 {上課時不可以說話}and {老師衣服着火}=if {老師衣服沒有着火} DO {上課} and DONOT[說話]；if {老師衣服着火} DO{求助}】。
半自動化編碼，是說，當一個規則從外部環境（人的教導）吸收後，會變成行爲模式的一部分，成爲被套用的編碼。
可以想象，當那個笑話中的孩子們被老師教訓後，會產生和小明一樣的選擇編碼。【 {上課時不可以說話}and {老師衣服着火}=if {老師衣服沒有着火} DO {上課} and DONOT[說話]；if {老師衣服着火} DO{求助}】。
這時，可以看出，選擇機能開始在人的行爲中體現，而選擇的條件，是來自成長中的固定規則，這種固定規則開始在各種情境下反覆使用、練習，當運用得當，這種規則意識就會加強，當運用不得當，這種規則意識就會減弱，同時，新的規則意識開始加強。
【RULE1:=RULE(goodresult-badresult);RULE2:=RULE(goodresult-badresult);RULE3:=RULE(goodresult-badresult)】
這種反覆迭代、反覆試錯，使得人的心境和規則的運用隨着環境的變化不斷變化。
這裏插入一點，厲害的孩子，會在成長過程中，將各種規則提取（抽象）成相關原則。
【{吃飯不可以說話}】>>【{做事要禮貌}】;
【{有小朋友欺負自己要給父母說}】>>【{有解決不了的事情要向可依靠的人求助}】。
4、選擇困難症——隨機漫步的傻瓜
當不同原則相互衝突時，人怎麼運用不同的原則來做選擇?
【if RULE1>RULE2,DO a(RULE1),IF RULE1RULENURULEN+1URULEN+2...,DO a(RULE1,RULE2,RULE3,...)】
如果你也認爲我上面寫的判斷方式是最優的選擇，就像許多就業指導家、學習領域的專家，在選擇方面，給出許多涵蓋全面的計算公式。《精進》書中，有關選擇太多怎麼辦一章，給了令人歎爲觀止但又概括全面的維度分析法。
但實際上，人腦的cpu計算能力比起計算機差好多，這也是爲何人工智能在規則競賽領域多次打擊人類的信心。
人腦在選擇上，對於難以直接衡量優劣的選擇上，要麼藉助類似的公式來保持理性，要麼，直接在腦袋裏做出判斷，這種判斷，多半是【DO rand（）】。
當然，人會爲自己的選擇生成多種理由。但理由，只是理由生成器給的結果罷了。
5、選擇結果生成庫
對於沒有發生的事，人總是幻想有無數種可能性，但正是沒有發生，讓人產生了這種錯覺。而人真正的選擇，無非是幾種常見選擇中的明顯優勢選擇或是一個人的隨機選擇。人類假設自己擁有一個無限大的選擇結果生成庫，但其實，這個選擇庫中的選擇遠沒有人自己想象的多。
在人可見的選擇上，用常見的幾種規則進行評價，評價不出來的，隨機選擇一下。人腦控制不外乎這些。
至於結果，老天會告訴答案。賈躍亭也曾輝煌過，何來最優解？不過也是簡單機器罷了。
6、神祕的獎懲制度
真正神祕的，是人類生理上的獎懲。規則的加強和減弱依賴的就是生理的獎懲。人工智能擬人化，最難的就是如何設定評價體系來加強和減弱規則，而如何給機器獎懲，不知道科學家有沒有找到答案。有了答案，機器就不會是人類的威脅，沒有答案，或許機器的發展就依然是人類的擔憂。