说到唯心主义，我们可能要提到一个短语——所想即所得。只要你想的，就能够得到。当然我们都知道，这话是不对的。但是有些时候，这个话可以从另外的一个角度来阐释一个心理学上的疑问。
这一次我们仍然从一个实验对象说起：马。
这次的主题为“自我实现预言”。也就是说，如果我们预期某一事物将以某种方式发生，我们的期望就会倾向于让它变为现实。看起来好像是有点那么唯心，但事实上，这种情况能够实现的背后，其实还是有一些我们平时容易忽视的因素。
在1911年，冯斯特（Pfungest）的“聪明的汉斯”实验给了我们这样一个马，它能够认字、拼写、解答数学问题，听起来挺具有一些传奇色彩的。当然对于一匹马真的会有这样的智力，近乎所有人都持怀疑的态度，因为这是不可能的事情。很多人首先怀疑的是这匹马的所有者冯奥斯登，但实验发现，即使没有主人的提示，汉斯仍然可以做出正确的答案。最终，冯斯特通过一系列仔细的心理学实验研究发现，汉斯实际上是从提问者无意识的表现中获得细微线索的。这是什么意思呢？例如，当人们问完一个问题以后，一般都会低头俯视其前掌等待它的答案。当它前掌敲击的次数接近答案时，提问者就会微微的抬起眼睛或者头，期待着马完成它的解答。汉斯已经对提问者的这些细微动作形成的条件反射，它会利用这种线索并得出正确答案。
当我们期望着某些事情的发生时，我们可能会极大的忽略我们因为过于关注目标而产生的一些细微的行动，也许有时候这个行动并不是细微的，但至少是无意识的反应。从而加大了我们所想即所得的概率。
另一个所想即所得的实验，恐怕要出名的多，那就是1966年的罗森塔尔与雅各布森的《Teachers’ expectancies: Determinates of pupils’ IQ gains. Psychological Reports》所论述的“哈佛应变能力测验”。该实验告诉教师，该测验的成绩主要可以对于一名学生未来在学术上是否会有成就做出预测。很显然，这故事大家也都知道结果，那些在这测验里得分高的，一个学年内IQ上升速度要比评分低的快很多。但是，这项测验根本没有任何依据，也就是说这项测验的结果并没有什么预测能力，那为什么就具有“预测”的能力了呢？通过录制视频，罗森塔尔才发现，有很多细微之处，教师都表现出对“聪明”学生的偏爱，他们给予这些学生更多的微笑，更多的眼神交流，对这些学生的课堂回答给予更多的赞同。事实上，这些教师也只是抱着一个他认为是正确的结果，潜意识中证实自己的想法的正确性而不断的做出一些潜意识的行为，从而使得事情的走向更偏向于他想的那样。
事实上，这个教育理念也被我们广为接受和应用，但是，我们更多的是听到很多同学高考失利的消息。最终的结果都无怪乎父母、老师、同学们的过高期望。有一点值得注意的是，在这个经典的案例中，使用的期望都是一个会不会，可能不可能的泛化指标，而并不是一个具体量化的指标。例如前一些阵子，王健林说，“先订一个小目标，比如先挣它一个亿。”如果我们真的用自我期望实验来实现的话，我们最终或许并不能挣一亿，但是会比我们没有目标挣的多的多。
离开这个实验，我们可以看到，如果自我期望有效的话，必须满足以下几点：
1、你会收到一个你自己认为可信的预测。（从内心里认同这个想法）
2、你有能力、有机会可以在无意识中对事件的走向做出自己的努力。（如果你自己根本不可能参与到事件的发生过程中，那么基本上和天上掉馅饼的感觉差不多。）
3、预测的结果只能增大事件发生的概率，而并不能保证一定达到这个目标。衡量这个自我期望的作用时，应当看到的是对自身的影响（比如成绩提升、工作效率提高等），而并不一定要以预测的具体内容相一致。
其实人工智能的表现和聪明的汉斯行为这种类似，当然更加原始。人工智能只需要表现出人类所认为的智能即可。事实上，并没有任何证据表明，人类现有的思考方式一定是最优秀的。那么我们又能从这个实验中获得什么呢？人工智能表现的差强人意，离不开真正的技术水平有待提高的事实，但是，如果人工智能在表现出结果时，可以对外界的细微变化做出感知，也许就可以做出远远超出其能力本身的效果。正如同今年初在德州扑克上，人工智能再一次战胜了人类：2017年1月30日，在宾夕法尼亚州匹兹堡的Rivers赌场，卡耐基梅隆大学（CMU）开发的人工智能系统Libratus战胜4位德州扑克顶级选手，获得最终胜利。
这离不开强大的机器学习系统和超级计算机的硬件支持，才得以取得如此的胜利。这4位选手是世界排名前十五的顶级扑克选手，据统计，这些顶级扑克选手和Libratus打5/10元盲注，每小时就会输上220元，打50/100元盲注，每小时会输上2200元，20天要输掉44万元人民币。虽然像德州扑克这种大部分看运气的博弈来讲，这种盈利水平已经算得上可以发家致富了，但对于人工智能花费的成本来讲，实在是杯水车薪，可能连电费都赚不回来。
像德州扑克这类不完全信息博弈类游戏还有很多，常见的还有包括麻将、掼蛋等当今热门游戏。论计算能力，人类远远比不过人工智能，如果人工智能对于玩家的情绪和心理再有实时的反馈，那么对于最终的输赢可能会有质的提升。
这对于强人工智能是有很大的帮助。因为有时候我们并不能让人工智能真正实现我们想要的，但是可以让它表现出我们想要的。这一点是相当危险的，这只能有一时之快，并不能起到实质性的发展。当然，对于强人工智能来讲，如果仅限于让人类满意就停止人工智能的发展，就会让人工智能掉入到发展的“陷阱”。因为这样子，人工智能只会越来越符合人类满意，没有办法真正提升自身水平，也就永远没有达到超人工智能的水平的可能了。
另一个要讨论的是记忆问题。
还记得前一阵子的蜂巢迷宫，让我们对于迷宫的复杂深感震撼，那么它难在哪里呢？其实，难在我们对于认知地图的掌握的能力实在是太差。
“老马识途”这个词已经让我们知道，马的认知地图能力已经远远超出我们人类的水平。可能你说，认知地图这个词不是太熟悉，但是“老鼠迷宫”的实验大家可能都能复述出来。当然对于机器来讲，只要有足够的性能，它可以精确的记录任何路线。事实上，我们自以为计算机如今的性能已经十分强大，但是对于记忆任务时，并没有足够的空间，例如，我们要进行星际远航时，相比较几光年的旅程，如今的存储水平实在是有限的很。那么只需要记录一些关键路径点，最终形成认知地图，就可以极大的减少存储记忆量。
例如，我们在学校的任一个角落，回到我们自己的寝室我们并不需要详细的描述出每一步所要走的路线，我们只需要在需要的时候，例如看见了一个楼，我们右转，再走过3个这样的楼就到我们的寝室了。这样子，我们就会大概知道寝室在我们的右前方，即使看见了一个楼，我们无法右转，我们也会有向右继续寻找路径的潜意识，这就是认知地图。
这方面的研究在1948年的托尔曼的《Cognitive maps in rats and men》中就有着详细的描述。这是一个老鼠走迷宫的故事，最终的结论就是，老鼠掌握的不只是使它能按特定路线找到食物的序列地图，而是找到了一幅含有食物的具体位置及其在房间内的具体方位的更广泛的综合性地图。其实说白了，就是老鼠也具有和人类一样的综合空间感知能力。而像目前的扫地机器人等一系列智能化家居，还并没有这种综合的空间感知能力。当然，这个实验及其相关理论在后续的过程中引发了很多的争论，但是其影响力并没有减弱。
虽然说上面是关于认知地图的一点看法，其实是讲的记忆问题。我们人脑的记忆量说大很大，说小也很小。我们到底能记住多少东西呢？我们经常拿我们的记忆量和电脑的存储量来进行比较，事实上这并不是合理的比较。因为很多我们的记忆，都是“记忆碎片”进行重组加工后的结果。例如我们回想我们去过某一条街，我们并不能准确的把街上所有我们见过的场景都保存在我们的脑袋里，但是我们仍然可以再很多年以后回想出这个事件发生的大部分情景。这并不是我们真正记得这一幅幅图片，而是我们通过获取到的相关记忆碎片加工后，进行的场景重现。
在1975年的伊丽莎白的罗夫特斯的《Leading questions and the eyewitness report》中的实验告诉我们，一个人的记忆有可能是不准确的，尤其是在将记忆融入到长时记忆和对记忆进行回忆两个部分，都会受到外界新的信息源的干扰。
传统的观点认为，一个证人的证词应该是可靠的，就像是使用录像机记录了案发情节一样。因为它是这样认为的：
最初经历→把经历整合进长时记忆→对最初经历进行提问→对最初经历进行再现→对问题做出反应
但是，罗夫斯特的理论认为：
最初经历→把经历整合进长时记忆→把新信息整合进对最初经历的记忆中→对最初经历进行提问→回忆经过重构后的包括新信息的所有记忆内容→对问题做出反应。
如果是人工智能依照人类这种记忆重组来回忆事件，那么所需的存储空间会极大的缩小，但是对于并行计算能力，则要大大的提高。好在我们的神经网络和量子计算能为我们提供可能的解决办法。但是，我们是人，我们是一种高等生物，我们的认知很大一部分取决于对外界的反应。也就是说我们的计算能力并不突出，突出的是我们对于外界的反馈能力。这一方面可以减少我们的计算量，降低我们的生物能耗，但是另一方面，我们也很有可能被外界一些不易察觉的暗示所影响。这其实也是《最强大脑》从来不会使用提问的方式对选手做出记忆复现，因为提问的话语有可能参杂着一些潜在的条件和因素给选手，从而影响选手记忆复现的准确度。
人类对于认知科学的道路还很长，还很远，有很多理论由于种种因素并不能进行证实，就如同人类对于脑科学的研究还存在着种种疑问。但是，这并不影响人工智能的发展，也许有一天，还需要人工智能的模式来认知世界，就像是魔法世界一样。
