斗數有完整的軟硬結構

斗數是一個概然性的系統

斗數是一個相常聰明(intelligent)的系統，用來推斷命運的趨勢。我的理解是，無論多精確的學問、多完善的體系，應用起來，都會有一定誤差，我們知道西方數學，有一個叫做probability的學問，稱概論，或者譯作概率、概然性。那是說，我們把推斷的答案鎖定在一個範圍內，並且必然要容納一定的變數或誤差。

這個範圍，我們稱之為集，這個集中提供了一些項目和可能性，而不論數學家或者學斗數的朋友，整個學習過程，便是訓練自己，如何可以有邏輯地，有上文下理地，有條件地，有時甚至要借助直觀或者直覺，有效地去找出一個最適當的結論。

這種概念，在中國的術數體系中毫不陌生，《易》說乾、坤、震、艮、離、坎、兌、巽八卦。每卦之下都有一集物象的意義符號，例如乾去代表馬，老父、剛硬.......等。

我們在學習斗數的過程中，透過一連串訓練，讓我們在一個「集」中，由闊而窄、從而選取一個我們認為可能發生的答案，這種能力，便是一種預測能力；如果我們能夠將這概念引入斗數系統，我們便會知道，斗數原來就是一個語言和概念系統，從而明白斗數的結構，進而理解創立斗數者的邏輯理念。我們要花時間做星曜本義的建立、定義和整理工夫，是因為每一顆星曜，都有多種賦性，構成一集，至於集中的不同賦性，在那一種條件底下，採用那一條賦性，以構成合乎邏輯，順理成章的演譯和推算，便要求學斗數者要有邏輯推斷的思維能力，對推斷條件的認識和掌握，那只是老生常談的「上文下理」觀念。

這種遊戲形式，在術數宗乎《易》的記憶中，我們當不會陌生。不論學易卦還是玄空風水，我們都要熟習《易，說卦》，內中所載的，便是乾、坤、震、巽、坎、離、艮、兌的八集賦性，合為：

《易，說卦》 第十一章

乾為天，為圜，為君，為父，為玉，為金，為寒，為冰，為大赤，為良馬，為老馬，為瘠馬，為駮馬，為木果。
坤為地，為母，為布，為釜，為吝嗇，為均，為子母牛，為大輿，為文，為眾，為柄，其於地也為黑。
震為雷，為龍，為玄黃，為旉，為大塗，為長子，為決躁，為蒼筤竹，為萑葦。其於馬也，為善鳴，為馵足，為作足，為的顙。其於稼也，為反生。其究為健，為蕃鮮。
巽為木，為風，為長女，為繩直，為工，為白，為長，為高，為進退，為不果，為臭。其於人也，為寡髮，為廣顙，為多白眼，為近利市三倍。其究為躁卦。
坎為水，為溝瀆，為隱伏，為矯輮，為弓輪。其於人也，為加憂，為心病，為耳痛，為血卦，為赤。其於馬也，為美脊，為亟心，為下首，為薄蹄，為曳。其於輿也，為多眚，為通，為月，為盜。其於木也，為堅多心。
離為火，為日，為電，為中女，為甲冑，為戈兵。其於人也，為大腹，為乾卦。為鱉，為蟹，為蠃，為蚌，為龜。其於木也，為科上槁。
艮為山，為徑路，為小石，為門闕，為果蓏，為閽寺，為指，為狗，為鼠，為黔喙之屬。其於木也，為堅多節。
兌為澤，為少女，為巫，為口舌，為毀折，為附決。其於地也，為剛鹵，為妾，為羊。

斗數可以科學化

我在《術數與AI人工智能》中嘗試問到能否將術數科學化，利用AI成功預測命運？平心而論，我認為術數科學化，依然是有可能及可行的。我曾問過電腦語言專家的學生，現在那些有人工智能的、能說話和與人對答的機械人、電腦程式，發展多久了？他們說，由初始發展到近年稍為成熟，大概也已經歷近一個世紀了。早年我看了一個由英國廣播公司BBC製作的特輯，題目是考考電腦問答真人的問題的智能夠竟有多高。效果是，稍問到一些復雜的，或抽象一點的問題，電腦的回答使經常九唔搭八了。如果你有興趣，試試問蘋果的siri人工智能對答秘書，包你笑爆嘴。

各國語言，已經是經歷了幾千年而且是穩定的文化資產了，要將他們變成人工智能，便需要長期累積地輸入正確豐富的資料，令其資料存量變得鉅大，那是一項持之以恆的長期工作。斗數也是一個語言和語意的系統，但如果我們連對第一顆正曜紫微的賦性理解都可能有錯，那我們可以輸入甚麼？怎樣走第一步？所以有心將斗數科學化的同好者首先要理解每一顆星的賦性，再將大量資料，包括名人生平、推斷算法（模型），及真實的使用者體驗，放在超級電腦中，經過語音解析及辨識過程，得出一大堆篩選的材料，才由有經驗的算命師作出「人機合作」的結論。

前年閱讀一篇文章《AI能預測一個家庭的命運？》新研究發現：用上15年的數據也「說不準」！

不少機構可能會有一種設想：如果能夠理解不同因素如何改變某人的生活軌跡，那麼他們可以提出干預措施，加以引導，從而順利實現提升就業率、降低犯罪率等一系列結果。但這些機構一直以來希望藉助AI幫他們做到這一點的想法，可能在現實中分分鐘都會被打臉。

在一項大規模的挑戰賽中，上百位研究人員試圖利用15年的數據來預測兒童和家庭的結果，但至今卻沒有人能夠做到有意義的準確性。

近年來，科學家們越來越寄望於通過機器學習處理大量數據，來為社會行為產生更精確的預測。在他們的設想里，與人類或更基本的統計分析相比，使用有關給定情況的足夠數據的算法——將做出更準確的預測。

不過，發表在《美國國家科學院院刊》（PNAS）上的一項新研究，對AI預測方法的有效性提出了質疑。

在這項研究挑戰賽中，普林斯頓大學的三位社會學家要求數百名研究人員使用4000多個家庭的近13,000個數據點，為兒童、父母和家庭預測6種生命結果。結果，不管他們使用簡單的統計數據還是最先進的機器學習，都沒有一個研究人員能夠達到合理的精度水平。

非營利組織Partnership on AI的研究負責人Alice Xiang表示：「這項研究確實凸顯了一個理念——即歸根結底，機器學習工具並不是萬能的。」