人工智能拟人化发展，是科学技术进步所带来的必然的发展趋势。而这个发展趋势的技术基础，是信息处理速度的提高，信息存储容量的增大，以及代码编写的半自动化程式的产生。
要谈论人工智能拟人化，首先第一步，要了解人；其次，才能谈论如何模仿人（拟人）。
人是一个什么样的机器？
首先，独立个人的初始化程式，来源于基因的遗传。这个初始化程式，具备多种固定编码，和一个同样的具有生成新程式的编码功能，也就是说，一个用来写入新的代码的功能。
1、简单认知：初始化程式的起始编码——简单等式链接。
一个现代新生幼儿，刚出生，就在外界的不断刺激下，学习简单等式链接。
初始化程式中的一个固定功能，是将看到事物反映到脑海中形成具象，这个具象本身包含颜色、形状等信息，简单点说，就是眼睛中看到的事物在头脑中呈现的结果。
当一个新生儿，在无数次看到自己的母亲，耳边听到的最多的词语就是母亲时，简单等式链接编码，会通过试错重复将【eye（妈妈的具象）=ear（听到的“妈妈”这个词的声音）】链接起来。
这个过程看起来就是两个函数的等效，但实践起来，需要高频度的试错带入和重复带入。
或许当一个孩子将【eye（妈妈的具象）=ear（听到的“爱你”这个词的声音）】先行链接后，当他发现，“爱你”这个词由另外一个长相的人频繁发出时，他会对链接的准确度产生怀疑。
当然，初始链接不单单是一个等式的链接。
当【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）…//...】发生时，
人脑具备的快速运算能力和多次程序迭代运算能力，使高频次的试错程式重复运行，会逐渐将不合理的等式筛除掉，留下的等式会逐渐向真正的【eye（妈妈的具象）=ear（听到的“妈妈”这个词的声音）】靠拢。
这个初始化程式最终会形成【eye（a）=ear（b）//eye（e）=ear（q）；//eye（f）=ear（z）；//…】的固定化程式。
这个程式，反映了人的知觉体验链接，将看到的和听到的链接。除此之外，人的成长过程中，听和触觉的链接，听和味觉的链接都是如此。
而听和说，一个作为人的输入，一个作为人的输出，在人的幼儿时期，具有绝对的等效。
人们常说，孩子的心灵里，非黑即白，非对即错，就是因为在成长的最初阶段，高频次的试错和重复程式运行最多的是简单等式链接。
说的容易，可形成等式的过程并不容易。5、6个月的孩子，多半能将【eye（妈妈的具象）=ear（听到的“妈妈”这个词的声音）】留存下来，却很难在父母无数次的教导“红色”、“蓝色”时，用等式确定下来。
因为，此时的链接，已不再是简单初始链接，具备了新的复杂链接，即抽象的提取。
2、抽象认知：初始化程式的起始编码——复杂等式链接。
气球是红色的，鞋子是红色的，床单是红色的…
“红色”的听觉和不同的具象链接了，怎么办，怎么办？
首先，当一个孩子能建立【eye（气球的具象）=ear（“气球”这个词的声音）//eye（鞋子的具象）=ear（“鞋子”这个词的声音）；//eye（床单的具象）=ear（“床单”这个词的声音）】的简单等式链接后，
那么别怕，人类的基因中带有复杂等式链接功能。【eye（气球（形状、颜色、性能...））=ear（红色）；Or eye（鞋子（形状、颜色、性能...））=ear（红色）；Or eye（床单（形状、颜色、性能...））=ear（红色）；Or …】>>eye（颜色）=ear（红色）。
以上这个复杂等式链接，在上述表示中仅以“>>”符号代替，但在实践中，仍然经历了高频次的试错和重复程式运行。
上述这个复杂等式链接这个程式，让人具备了具象认识和抽象认识。不断的反复，不断的迭代，不断的删除错误对应，最终将结果回归为大众都接受的某个抽象认知。
到此为止，不管是简单等式链接还是复杂等式链接，所产生的对应都是单一的，被大众反复相互印证的结果。
3、复杂认知：半自动化编码功能
在儿童成长期间，会形成多种固定的有关规则的认知。
比如，吃饭不可以说话；有小朋友欺负自己要给父母说。这些能教给孩子的容易理解的规则是具象规则。
以前看到一个笑话，老师要求，上课时不可以说话，结果老师的衣服被炉火燃烧了，老师后来很生气，说，你们怎么不告诉我？小朋友说，是你不让我们说话的！
这里，【 {上课时不可以说话}=DO {上课} and DONOT[说话]】。
但是在真实世界里，会有小朋友接收到遇到紧急事件要打破规则的教育【{有危险要求助}=if {危险} DO{求助}】。
这时，如果小明说，老师你的衣服着火了，他的程式是这样的。
【 {上课时不可以说话}and {老师衣服着火}=if {老师衣服没有着火} DO {上课} and DONOT[说话]；if {老师衣服着火} DO{求助}】。
半自动化编码，是说，当一个规则从外部环境（人的教导）吸收后，会变成行为模式的一部分，成为被套用的编码。
可以想象，当那个笑话中的孩子们被老师教训后，会产生和小明一样的选择编码。【 {上课时不可以说话}and {老师衣服着火}=if {老师衣服没有着火} DO {上课} and DONOT[说话]；if {老师衣服着火} DO{求助}】。
这时，可以看出，选择机能开始在人的行为中体现，而选择的条件，是来自成长中的固定规则，这种固定规则开始在各种情境下反复使用、练习，当运用得当，这种规则意识就会加强，当运用不得当，这种规则意识就会减弱，同时，新的规则意识开始加强。
【RULE1:=RULE(goodresult-badresult);RULE2:=RULE(goodresult-badresult);RULE3:=RULE(goodresult-badresult)】
这种反复迭代、反复试错，使得人的心境和规则的运用随着环境的变化不断变化。
这里插入一点，厉害的孩子，会在成长过程中，将各种规则提取（抽象）成相关原则。
【{吃饭不可以说话}】>>【{做事要礼貌}】;
【{有小朋友欺负自己要给父母说}】>>【{有解决不了的事情要向可依靠的人求助}】。
4、选择困难症——随机漫步的傻瓜
当不同原则相互冲突时，人怎么运用不同的原则来做选择?
【if RULE1>RULE2,DO a(RULE1),IF RULE1RULENURULEN+1URULEN+2...,DO a(RULE1,RULE2,RULE3,...)】
如果你也认为我上面写的判断方式是最优的选择，就像许多就业指导家、学习领域的专家，在选择方面，给出许多涵盖全面的计算公式。《精进》书中，有关选择太多怎么办一章，给了令人叹为观止但又概括全面的维度分析法。
但实际上，人脑的cpu计算能力比起计算机差好多，这也是为何人工智能在规则竞赛领域多次打击人类的信心。
人脑在选择上，对于难以直接衡量优劣的选择上，要么借助类似的公式来保持理性，要么，直接在脑袋里做出判断，这种判断，多半是【DO rand（）】。
当然，人会为自己的选择生成多种理由。但理由，只是理由生成器给的结果罢了。
5、选择结果生成库
对于没有发生的事，人总是幻想有无数种可能性，但正是没有发生，让人产生了这种错觉。而人真正的选择，无非是几种常见选择中的明显优势选择或是一个人的随机选择。人类假设自己拥有一个无限大的选择结果生成库，但其实，这个选择库中的选择远没有人自己想象的多。
在人可见的选择上，用常见的几种规则进行评价，评价不出来的，随机选择一下。人脑控制不外乎这些。
至于结果，老天会告诉答案。贾跃亭也曾辉煌过，何来最优解？不过也是简单机器罢了。
6、神秘的奖惩制度
真正神秘的，是人类生理上的奖惩。规则的加强和减弱依赖的就是生理的奖惩。人工智能拟人化，最难的就是如何设定评价体系来加强和减弱规则，而如何给机器奖惩，不知道科学家有没有找到答案。有了答案，机器就不会是人类的威胁，没有答案，或许机器的发展就依然是人类的担忧。