复杂系统的研究探索了复杂行为如何从相对简单的组成部分之间的相互作用中产生。这一概念在今天讨论人工智能（AI）时尤为相关。尽管取得了巨大进展，但机器与真正像人类一样理解世界的距离仍然存在。人类认知的一些核心属性仍然超出当前人工智能的能力范围，理解这些局限至关重要，因为人工智能应用正日益影响我们的生活。我们能在多大程度上信任它们呢？

“通用人工智能”（AGI）的概念似乎指日可待。DeepMind的研究员沙恩·莱格预测，超越人类水平的人工智能可能会在2025年左右出现，而雷·库兹韦尔则设想，到2029年，智能机器将通过图灵测试，并在2045年迎来“智能爆炸”。然而，这些雄心勃勃的预测并不一定意味着机器能像人类一样理解世界。

在人工智能领域，多年来发展出了两个主要分支：符号人工智能和亚符号人工智能。符号人工智能处理规则和符号，而亚符号人工智能则受到行为认知理论的影响，专注于模式识别和神经网络。亚符号人工智能的兴起很大程度上归功于“刺激-反应”理论，其思想根源可以追溯到大卫·休谟和威廉·詹姆斯的哲学。

视觉识别是亚符号人工智能的一个重要领域，主要依赖卷积神经网络（ConvNets）。由福岛邦彦和杨立昆等先驱者开发的卷积神经网络用于训练算法，使其能够识别和标记它们“看到”的世界。这一理念与约瑟夫·傅立叶奠定的数学基础密切相关，傅立叶变换使得现代人工智能能够通过分析输入和输出来推测未知对象的特性。这一基础