机器智能：处理少量单一信号 + 针对单一任务 + Prediction horizon可以非常长
人类智能：处理大量复杂信号 + 针对多任务 + Prediction horizon较短
对于机器学习领域的专家来说，现在最热门的应用领域在于图像识别以及自然语言处理，然而这不过是两种类型的接收器罢了。人类并不仅仅拥有大量接收器去接收环境中各种类型的信息，（ 人类可以接受传感器信息比机器多的多 ，除了视觉，听觉，我们还有嗅觉，味觉，皮肤上分布着无数的压力和温度传感器），更重要的是 人类拥有末端执行器 ：我们的手和脚，去 感受 环境并且做出相应的 行为 以完成我们的 任务 。
这里我着重强调了 任务 ，因为现阶段的机器智能大多只有单一的任务，而且这个任务可以是：识别图像中有没有猫，打DOTA获得胜利，下围棋获得胜利 etc。这些任务有些可以直接通过数据建立模型判断（例如图像中有没有猫），然而复杂的任务（例如打DOTA，下围棋）不仅仅需要模型，更重要的是需要基于模型去预测环境中其他人的行为，然后做出最利于完成任务的行为。
在控制领域中，这种类型的控制算法叫做 模型预测控制。 我相信人类智能中有一部分是在大脑中做模型预测控制，尤其在竞技体育中（例如下围棋，打DOTA，踢足球）尤为明显。人类在与环境交互的时候每时每刻都在建立针对于这个环境的模型，利用这个模型来预测环境的变化，来做出相应的行为。举个例子：
梅西之所以如此的强大，不仅仅因为他一流的运动能力，更在于他对对手反应的 预测 能力，所以他总是可以做出假动作来摆脱对手的防守。模型预测控制在我们日常生活中业无处不在：
图中这个男生做出了开门的行为，其原因是因为预测到这位女士需要进门，且女士手中有书并不方便开门。
模型预测控制 中的两个要点：
- 模型本身
- Prediction horizon
模型本身
机器智能对于环境模型可以是 数据驱动的 ，或者通过 物理或者数学定律 来描述的。而人类对于环境的模型应该大部分都是由 数据驱动 的。
当机器的环境模型是由后者驱动时，机器就会十分精确，例如需要机械手臂运动到三维空间的某一个位置，机器一定会比人更精确。
当机器的环境模型是前者驱动时，机器的优势在于能处理的单一数据量大，然而人类的优势在于可以处理复杂的信号。所以在复杂（多信号）环境中人类对于环境的模型比机器更好，然而机器，在单一环境中，针对性建立的模型比人类更精确。
Prediction horizon:
先解释一下这个词的意思，在模型预测控制中，需要利用模型对于系统未来的发展进行预测，prediction horizon越长，意味着我们看的更远，预测到更久以后系统的变化，反之我们看的更近，预测的是系统在短时间内的变化。人类的prediction horizon相较于机器是要短很多的，大多数时候我们只能对较短时间的变化做出预测，然而机器则不然，如果运算速度足够大，可以基于模型预测得更远（简单线性模型可以预测到无穷远，即LQR）。在单一环境下，机器优势非常明显，然而如果在复杂环境中，系统模型时变，有长的prediction horizon意义并不大。
说了很多从控制角度来看，机器智能和人类智能的差别，那么这对于我们培养后代有什么启示呢。。。Honestly I have no idea。。。强答一下就是，对于往后要从事竞技体育的下一代，要加强你们模型预测控制的能力呀！！！多多学习对手的路数，以建立更精确的模型来预测他们的行动，如果通过某种训练能增加你的prediction horizon的话，会让你表现的更优秀。
