機器智能：處理少量單一訊號 + 針對單一任務 + Prediction horizon可以非常長
人類智能：處理大量復雜訊號 + 針對多工 + Prediction horizon較短
對於機器學習領域的專家來說，現在最熱門的套用領域在於影像辨識以及自然語言處理，然而這不過是兩種類別的接收器罷了。人類並不僅僅擁有大量接收器去接收環境中各種類別的資訊，（ 人類可以接受傳感器資訊比機器多的多 ，除了視覺，聽覺，我們還有嗅覺，味覺，皮膚上分布著無數的壓力和溫度傳感器），更重要的是 人類擁有末端執行器 ：我們的手和腳，去 感受 環境並且做出相應的 行為 以完成我們的 任務 。
這裏我著重強調了 任務 ，因為現階段的機器智能大多只有單一的任務，而且這個任務可以是：辨識影像中有沒有貓，打DOTA獲得勝利，下圍棋獲得勝利 etc。這些任務有些可以直接透過數據建立模型判斷（例如影像中有沒有貓），然而復雜的任務（例如打DOTA，下圍棋）不僅僅需要模型，更重要的是需要基於模型去預測環境中其他人的行為，然後做出最利於完成任務的行為。
在控制領域中，這種類別的控制演算法叫做 模型預測控制。 我相信人類智能中有一部份是在大腦中做模型預測控制，尤其在競技體育中（例如下圍棋，打DOTA，踢足球）尤為明顯。人類在與環境互動的時候每時每刻都在建立針對於這個環境的模型，利用這個模型來預測環境的變化，來做出相應的行為。舉個例子：
梅西之所以如此的強大，不僅僅因為他一流的運動能力，更在於他對對手反應的 預測 能力，所以他總是可以做出假動作來擺脫對手的防守。模型預測控制在我們日常生活中業無處不在：
圖中這個男生做出了開門的行為，其原因是因為預測到這位女士需要進門，且女士手中有書並不方便開門。
模型預測控制 中的兩個要點：
- 模型本身
- Prediction horizon
模型本身
機器智能對於環境模型可以是 數據驅動的 ，或者透過 物理或者數學定律 來描述的。而人類對於環境的模型應該大部份都是由 數據驅動 的。
當機器的環境模型是由後者驅動時，機器就會十分精確，例如需要機械手臂運動到三維空間的某一個位置，機器一定會比人更精確。
當機器的環境模型是前者驅動時，機器的優勢在於能處理的單一數據量大，然而人類的優勢在於可以處理復雜的訊號。所以在復雜（多訊號）環境中人類對於環境的模型比機器更好，然而機器，在單一環境中，針對性建立的模型比人類更精確。
Prediction horizon:
先解釋一下這個詞的意思，在模型預測控制中，需要利用模型對於系統未來的發展進行預測，prediction horizon越長，意味著我們看的更遠，預測到更久以後系統的變化，反之我們看的更近，預測的是系統在短時間內的變化。人類的prediction horizon相較於機器是要短很多的，大多數時候我們只能對較短時間的變化做出預測，然而機器則不然，如果運算速度足夠大，可以基於模型預測得更遠（簡單線性模型可以預測到無窮遠，即LQR）。在單一環境下，機器優勢非常明顯，然而如果在復雜環境中，系統模型時變，有長的prediction horizon意義並不大。
說了很多從控制角度來看，機器智能和人類智能的差別，那麽這對於我們培養後代有什麽啟示呢。。。Honestly I have no idea。。。強答一下就是，對於往後要從事競技體育的下一代，要加強你們模型預測控制的能力呀！！！多多學習對手的路數，以建立更精確的模型來預測他們的行動，如果透過某種訓練能增加你的prediction horizon的話，會讓你表現的更優秀。
