本文來自微信公眾號：孤獨大腦（ID：lonelybrain），作者：老喻，題圖來自：《心靈捕手》

(資料圖片)

“一些未知的東西正在做我們不知道的事情。”——阿瑟·愛丁頓??

“為何不嘗試制作一個模擬兒童思維的程序呢？”?——艾倫·圖靈

“只要是人腦能提出的問題，它就能夠得到解決?！?——庫爾特·哥德爾

傳說中的掃地僧，在現(xiàn)實中極其罕見。

有些僧，只是在假裝掃地；而絕大多數(shù)“掃地僧”，并非真正的高僧。

電影《心靈捕手》講述了這樣一個少年天才，清潔工“呆萌”在大學拖地板時，解出了麻省理工學院數(shù)學系教授給出的難題，他的天賦震驚了這位菲爾茨獎（數(shù)學界的“諾貝爾獎”）得主。

誰是電影中貧苦而不羈的天才主角的原型？

人們也許會想起沃爾特·皮茨，一位在計算神經(jīng)科學領域工作的邏輯學家。

他提出了神經(jīng)活動和生成過程的具有里程碑意義的理論表述，這些表述影響了認知科學和心理學、哲學、神經(jīng)科學、計算機科學、人工神經(jīng)網(wǎng)絡和人工智能等不同領域，以及所謂的生成科學。

某種意義上，正是ChatGPT的源頭所在。

上世紀三十年代，皮茨在芝加哥大學掃地時，大約是15歲。這是他人生當中重要的轉(zhuǎn)折點，也幾乎決定了當今最火熱的神經(jīng)網(wǎng)絡的起點。

皮茨出身于一個窮苦家庭，和《心靈捕手》的主角一樣，打架之余靠在公共圖書館里借書自學，他喜歡邏輯和數(shù)學，還掌握了希臘語、拉丁語等多門語言。

住在貧民區(qū)的他，12歲時花三天時間讀了羅素的《數(shù)學原理》，并寫信給作者指出其中的錯誤。惜才如命的羅素立即邀請皮茨去劍橋大學當研究生，未果。

15歲初中畢業(yè)時，父親強行要他退學上班養(yǎng)家，皮茨離家出走了。

無處可去的皮茨得知羅素要到芝加哥大學任教，只身前往，果真撞見了曠世大師。

羅素愛才之心不減，將他推薦給哲學家卡爾納普教授。

聽聞皮茨是少年天才，卡爾納普把自己的《語言的邏輯句法》一書給皮茨看。皮茨很快看完，并將寫滿筆記的原書還給作者。這位著名的分析哲學家深感震撼，為初中畢業(yè)生皮茨安排了一份在芝加哥大學打掃衛(wèi)生的工作。

電影里那令觀眾動容的一幕在現(xiàn)實世界出現(xiàn)了。掃地的工作不僅可以令皮茨不用流浪街頭，還讓他能跟隨大師們自由地探索真知。

命運在此刻埋下的最大注腳，是讓這個可憐而又幸運的孩子，在兩年之后遇見此生對他而言最重要的一個人。

1940年，17歲的皮茨與42歲的麥卡洛克教授相逢，從此兩人一起改變了世界。

與人生混亂不堪的皮茨截然不同，麥卡洛克先后就讀于哈佛、耶魯和哥倫比亞大學，拿了一串眼花繚亂的學士、碩士和博士學位。

麥卡洛克也不像《心理捕手》的那位落寞的心理學教授，他出身優(yōu)越，家庭幸福，事業(yè)蒸蒸日上，過著主流而正統(tǒng)的生活，學術上已經(jīng)受到廣泛贊譽。

可是，兩個仿佛來自不同時空的人，在思想的最深處走到了一起。

1943年，麥卡洛克和皮茨發(fā)表了題為《A Logical Calculus of the Ideas Immanent in Nervous Activity》的論文，首次提出神經(jīng)元的M-P模型。該模型借鑒了已知的神經(jīng)細胞生物過程原理，是第一個神經(jīng)元數(shù)學模型，是人類歷史上第一次對大腦工作原理描述的嘗試。

M-P模型

M-P神經(jīng)元是一個理想化的簡單模型，基于生物神經(jīng)元的基礎特性進行建模。其工作原理如下：

神經(jīng)元接收一組二進制輸入，每個輸入都與一個權重相對應；

當加權輸入之和超過某個閾值時，神經(jīng)元被激活并輸出1，否則輸出0；

這種機制很好地模擬了生物神經(jīng)元的“全部或無”的響應模式。

M-P模型的影響力在于它是一個很好的開始，為后來復雜的神經(jīng)網(wǎng)絡模型鋪平了道路。

然而，M-P模型也有很大的局限性，比如它無法學習和調(diào)整自己的權重，以及只能處理二進制輸入和輸出。

這個模型是人工神經(jīng)網(wǎng)絡和深度學習發(fā)展的基石。

現(xiàn)代的神經(jīng)網(wǎng)絡模型比McCulloch-Pitts模型復雜得多，但是它們的基本原理——根據(jù)輸入計算輸出，并且有可能調(diào)整自身以優(yōu)化這個過程——仍然是相同的。

麥卡洛克和皮茨的論文不僅是人工智能歷史上的一個重要里程碑，為理解大腦工作機制和發(fā)展人工智能打下了基礎，還啟發(fā)了人們：生物大腦“有可能”是通過物理的、全機械化的邏輯運算來完成信息處理的，而無需太多弗洛伊德式的神秘解釋。

麥卡洛克后來在一篇哲學文章里自豪地宣告：“我們知道了我們是怎么知道的，這是科學史上的第一次。”（本節(jié)部分參考了《人工智能簡史》和《智慧的疆界》）

一

麥卡洛克和皮茨發(fā)表那篇里程碑式論文的同一年，艾倫·圖靈正在布萊切利公園破譯德國恩尼格瑪密碼機。

他和團隊用智慧拯救了數(shù)十萬生命，對盟軍在二戰(zhàn)中的勝利起到了關鍵作用。

他們的交集同樣與羅素有關。

在20世紀初，數(shù)學家和邏輯學家都在試圖找到一種能夠?qū)⑺械臄?shù)學真理，減少到一套簡單的公理和邏輯規(guī)則的系統(tǒng)。這就是著名的希爾伯特計劃，由德國數(shù)學家大衛(wèi)·希爾伯特提出。

羅素及其合作者懷特海在《數(shù)學原理》一書中就做了這樣的嘗試，他們試圖將數(shù)學基礎建立在形式邏輯的基礎之上。

然而，希爾伯特計劃在1931年遭到了挫敗，因為哥德爾證明了他的不完備性定理。這個定理表明：任何足夠強大的形式系統(tǒng)，都存在一些在該系統(tǒng)內(nèi)部既不能被證明也不能被反駁的命題。

1936年，圖靈在一篇論文里研究了希爾伯特的“計算性”和“判定性問題”。

為了解決這個問題，圖靈首先定義了“計算”這個概念，并創(chuàng)建了圖靈機，這是一種理論上的計算設備。

然后，他通過構(gòu)造了一個圖靈機無法解決的問題（即停機問題）來證明判定問題實際上是無法解決的。

這意味著沒有一個通用的算法能對任何可能的問題都給出答案。

一個意外收獲是，圖靈創(chuàng)立了一個新的研究領域——計算理論（或可計算性）。圖靈機給出了一個對“計算”或“算法”進行形式化的方式，這不僅在他的原始問題中有用，而且對整個計算機科學的發(fā)展產(chǎn)生了深遠影響。

實際上，現(xiàn)代所有的電子計算機都是基于圖靈機模型，這使得圖靈機成為了計算理論的核心。

沒有證據(jù)表明麥卡洛克和皮茨看過圖靈的論文。他們兩個人的共同興趣是，應用萊布尼茨機械大腦的設想來建立一個大腦思維模型。

《數(shù)學原理》中僅使用了與、或、非三種基本邏輯運算，就將一個個簡單命題連接成越來越復雜的關系網(wǎng)絡，進而描述清楚了整個數(shù)學體系。（盡管并不完備）

麥卡洛克則構(gòu)想：人類的思考，是否也是靠神經(jīng)元來執(zhí)行這些最基礎的邏輯運算而實現(xiàn)的？

皮茨在數(shù)學和邏輯上天賦，幫助麥卡洛克完成了這一偉大構(gòu)想。

麥卡洛克和皮茨（左）

麥卡洛克和皮茨在1943年提出的神經(jīng)元模型，構(gòu)成了今天我們稱之為人工神經(jīng)網(wǎng)絡的基礎。

他們的模型描繪了一種簡化的神經(jīng)元，當其接受到的輸入超過一定閾值時，就會被激活并向其它神經(jīng)元發(fā)送信號。

這個模型的一個關鍵思想就是，即使每個單獨的神經(jīng)元都很簡單，但是通過將它們聯(lián)接在一起，就能形成一個能處理非常復雜問題的網(wǎng)絡。

雖然單一的麥卡洛克-皮茨神經(jīng)元只能完成簡單的邏輯任務，但是，當將這些神經(jīng)元組成一個復雜的網(wǎng)絡時，神經(jīng)網(wǎng)絡就能進行復雜的計算，從而表現(xiàn)出圖靈完備性。

事實上，神經(jīng)網(wǎng)絡是實現(xiàn)人工智能（AI）的重要方法之一。

通過設計不同的網(wǎng)絡結(jié)構(gòu)，并使用大量的數(shù)據(jù)對網(wǎng)絡進行訓練，人工神經(jīng)網(wǎng)絡可以學習到完成各種任務的能力，包括圖像識別、語音識別、自然語言處理等等。

二

AI的神經(jīng)網(wǎng)絡，是對人類大腦和基于社會化網(wǎng)絡的人類群體智慧的模仿游戲。

人類大腦神經(jīng)元結(jié)構(gòu)和工作原理如下：

圖/《深度學習的數(shù)學》

以上原理，用計算模擬和解釋，就是：神經(jīng)元在信號之和超過閾值時點火，不超過閾值時不點火。

20世紀五六十年代，????奧利弗·塞弗里奇創(chuàng)造了名為“鬼域”的概念。這是一個圖案識別設備，其中進行特征檢測的“惡魔”通過互相競爭，來爭取代表圖像中對象的權利。

“鬼域”是生動的關于深度學習的隱喻，如下圖：

圖/《深度學習》

上圖是對當前多層次深度學習網(wǎng)絡的隱喻：

1. 從左到右，是從低到高的惡魔級別。

2. 如果每個級別的惡魔與前一個級別的輸入相匹配，就會興奮（點火）。?

3. 高級別的惡魔負責從下一級的輸入中提取更復雜的特征和抽象概念，從而做出決定。然后傳遞給自己的上級。

4. 最終，由大惡魔做出最終決定。

《深度學習的數(shù)學》一書中，依照如上隱喻，用一個生動的例子，講解了神經(jīng)網(wǎng)絡的工作原理。

問題：建立一個神經(jīng)網(wǎng)絡，用來識別通過 4×3 像素的圖像讀取的手寫數(shù)字 0 和 1。

第一步：輸入層

12個格子，相當于每個格子住一個人，分別編號為1-12。如下圖。

第二步：隱藏層

這一層，負責特征提取。假設有如下三種主要特征，分為模式A、B、C。如下圖。

不同的模式對應著相應的數(shù)字格子的組合。如下圖。模式A對應的是數(shù)字4和7，B對應5和8，C對應6和9。

第三步：輸出層

這一層，從隱藏層那里獲得信息。

如上圖，最下面是AI要識別的圖像。

首先，輸入層的2、5、8、11點火；

然后，隱藏層5和8所對應的特征被提取，“模式B”點火；

最后，輸出層的1被對應的“模式B”點火。

所以，“大惡魔”識別出圖像為數(shù)字1。

在上面的例子里，AI可以精確地識別出0和1，但它并不懂0和1，它的眼里只有像素。

可這么說，似乎過于擬人化了。人類又如何懂0和1呢？

人類不也是通過雙眼輸入，通過迄今仍是宇宙間最大謎團的大腦神經(jīng)元網(wǎng)絡（更加復雜、強大且節(jié)能的隱藏層）提取特征，然后通過大腦的某個部位再進行自我解釋的嗎？

辛頓曾在采訪中提及，認知科學領域兩個學派關于“大腦處理視覺圖像”的不同理念：

一派認為，當大腦處理視覺圖像時，你擁有的是一組正在移動的像素。如同上面的演示；

另一學派偏向于老派的人工智能，認為是分層、結(jié)構(gòu)性的描述，腦內(nèi)處理的是符號結(jié)構(gòu)。

辛頓自己則認為以上兩派都不對，“實際上大腦內(nèi)部是多個神經(jīng)活動的大向量”，而符號只是存在于外部世界。

不管怎樣，神經(jīng)網(wǎng)絡的模型有用，并且非常有用。

不愿意和外行分享專業(yè)話題的辛頓，用如下這段話生動介紹了“神經(jīng)網(wǎng)絡”：

首先是相對簡單的處理元素，也就是松散的神經(jīng)元模型。然后神經(jīng)元會連接起來，每一個連接都有其權值，這種權值通過學習可以改變。

神經(jīng)元要做的事就是將連接的活動量與權值相乘，然后累加，再決定是否發(fā)送結(jié)果。如果得到的數(shù)字足夠大，就會發(fā)送一個結(jié)果。如果數(shù)字是負的，就不會發(fā)送任何信息。

你要做的事就是將無數(shù)的活動與無數(shù)的權重聯(lián)系起來，然后搞清楚如何改變權重，那樣就行了。問題的關鍵就是如何改變權重。

三

ChatGPT的底層邏輯極其復雜，但如果要簡化為3個最核心的元素，ChatGPT（GPT-4）認為它們可能是：

1. 深度學習：ChatGPT的核心是一個基于 Transformer 的深度學習模型。

Transformer模型通過自注意力（Self-Attention）機制來捕獲輸入文本中的復雜模式。在訓練過程中，模型通過反向傳播和梯度下降等優(yōu)化算法來學習這些模式，使得它能夠生成自然、連貫、與輸入相符的文本。

2. 大數(shù)據(jù)：ChatGPT通過訓練海量的文本數(shù)據(jù)來學習語言模型。

數(shù)據(jù)集包含了各種語言模式和語境，使模型能夠在各種情況下生成合適的文本。大數(shù)據(jù)在這里起到了決定性的作用。

3. 強大的計算能力：為了處理這些大量的數(shù)據(jù)和復雜的深度學習模型，ChatGPT需要強大的計算能力。

這包括強大的硬件（如高性能的GPU），優(yōu)秀的計算框架（如TensorFlow和PyTorch），以及高效的并行和分布式計算技術。

以上三個元素構(gòu)成了ChatGPT的基礎，使得它能夠?qū)W習和生成自然語言。

但是，這只是表面上的邏輯。實際上，每一個環(huán)節(jié)背后都有深厚的理論基礎，涵蓋了機器學習、自然語言處理、計算機科學、數(shù)學等多個學科的知識。

深度學習是一種強大的機器學習方法，其底層邏輯相當復雜。不過，如果嘗試將深度學習核心原理簡化為3個要素，ChatGPT（GPT-4）認為可以這樣描述：

1. 神經(jīng)網(wǎng)絡架構(gòu)：深度學習的核心是深度神經(jīng)網(wǎng)絡，這是一種模擬人腦工作原理的計算模型。

神經(jīng)網(wǎng)絡由多個相互連接的層組成，每一層都由大量的神經(jīng)元（或稱為節(jié)點）組成。每個神經(jīng)元都會接收前一層神經(jīng)元的輸入，并進行一定的計算，然后將結(jié)果傳遞給下一層的神經(jīng)元。

2. 權重優(yōu)化和學習：神經(jīng)網(wǎng)絡的每個連接都有一個權重，代表這個連接的重要性。

深度學習的目標就是通過訓練數(shù)據(jù)來調(diào)整這些權重，使得網(wǎng)絡的輸出盡可能接近于真實的目標值。這個過程通常通過優(yōu)化算法（如梯度下降）實現(xiàn)，算法會根據(jù)網(wǎng)絡輸出與目標值之間的差距（損失）來調(diào)整權重。

3. 非線性激活函數(shù)：深度學習的另一個關鍵元素是非線性激活函數(shù)，如ReLU（Rectified Linear Unit）或Sigmoid等。

這些函數(shù)用于增加神經(jīng)網(wǎng)絡的表達能力，使其可以學習和表示非線性的復雜模式。

這三個要素共同構(gòu)成了深度學習的底層邏輯。

需要注意的是，這只是一個粗略的概述，實際上深度學習涉及的理論和技術要遠比這復雜得多。

例如，還有正則化、卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡、自注意力機制、批歸一化、優(yōu)化算法、損失函數(shù)設計等等多種方法和技術，都是深度學習不可或缺的一部分。

以下是神經(jīng)網(wǎng)絡發(fā)展的完整歷史（圖中并不完整），其中數(shù)度起伏。

1. McCulloch-Pitts神經(jīng)元模型（1943）：Warren McCulloch 和 Walter Pitts 首次提出了神經(jīng)元的McCulloch-Pitts（M-P）模型，借鑒了已知的神經(jīng)細胞生物過程原理。

2. 感知器（1957）：由Frank Rosenblatt提出的感知器模型基于生物神經(jīng)元的工作原理，是早期神經(jīng)網(wǎng)絡的主要形式。

3. Minsky和Papert（1969）： Marvin Minsky和Seymour Papert指出了感知器的局限性，即它們無法解決非線性可分問題（例如異或問題）。這導致了第一次人工智能寒冬。

4. 多層感知器（1986）：在Rumelhart，Hinton和Williams的研究下，多層感知器（MLP）成為了神經(jīng)網(wǎng)絡的主要形式。MLP引入了一個或多個隱藏層，并使用了反向傳播算法來訓練網(wǎng)絡。

5. 卷積神經(jīng)網(wǎng)絡和LeNet-5（1989/1998）：Yann LeCun等人提出的卷積神經(jīng)網(wǎng)絡（CNN）是一種專門處理網(wǎng)格狀數(shù)據(jù)（如圖像）的神經(jīng)網(wǎng)絡。LeCun和他的團隊在1998年開發(fā)出了LeNet-5，這是第一個成功應用到實際問題（數(shù)字識別）的卷積神經(jīng)網(wǎng)絡。

6. 長短期記憶網(wǎng)絡（1997）：由Hochreiter和Schmidhuber提出的長短期記憶網(wǎng)絡（LSTM）是一種專門處理序列數(shù)據(jù)的循環(huán)神經(jīng)網(wǎng)絡。LSTM通過引入“門”結(jié)構(gòu)，可以學習長期依賴關系，避免了傳統(tǒng)RNN在處理長序列時的梯度消失問題。

7. 深度學習和深度置信網(wǎng)絡（DBN，2006）：Hinton等人提出了深度置信網(wǎng)絡（DBN）和深度自編碼器（DAE），標志著深度學習時代的到來。深度學習利用多層神經(jīng)網(wǎng)絡，能夠?qū)W習更復雜的模式和表示。

8. ReLU激活函數(shù)（2010）：Nair和Hinton提出了修正線性單元（ReLU）作為神經(jīng)元的激活函數(shù)，這極大提高了深度神經(jīng)網(wǎng)絡的訓練速度和性能。

9. AlexNet（2012）：Krizhevsky、Sutskever和Hinton的AlexNet模型大大超越了其它基于傳統(tǒng)機器學習技術的模型，引發(fā)了深度學習在計算機視覺領域的革命。

10. word2vec（2013）：Mikolov等人的word2vec是一種利用神經(jīng)網(wǎng)絡為詞生成密集向量表示的方法。

11. GoogLeNet and VGGNet（2014）：Szegedy等人的GoogLeNet和Simonyan和Zisserman的VGGNet進一步提高了卷積神經(jīng)網(wǎng)絡在圖像分類上的性能，并推動了卷積神經(jīng)網(wǎng)絡的設計進一步向深度發(fā)展。

12. ResNet（2015）：He等人的ResNet通過引入跳躍連接，解決了深度神經(jīng)網(wǎng)絡的梯度消失問題，使得網(wǎng)絡的深度能夠達到之前無法想象的程度。

13. 自注意力和Transformer（2017）：由Vaswani等人提出的Transformer模型引入了自注意力機制，這讓神經(jīng)網(wǎng)絡可以在更大的范圍內(nèi)建立依賴關系，為處理序列數(shù)據(jù)提供了新的框架。

顯然，我是用ChatGPT（GPT-4）完成了這一節(jié)的內(nèi)容。

人類的大腦可以自己思考自己，雖然謎團難解；

神經(jīng)網(wǎng)絡也能回憶自己的歷史，盡管它無法為那些為此進程添磚加瓦的人類而感動。????????

四

Chris McCormick認為，神經(jīng)網(wǎng)絡是純粹的數(shù)學。

從技術上講，“機器學習”模型在很大程度上基于統(tǒng)計數(shù)據(jù)。它們估計所有選項的概率，即使所有選項的正確概率都極低，它們?nèi)匀恢粫x擇概率最高的路徑。

神經(jīng)網(wǎng)絡的靈感來源于生物學，特別是人腦的工作原理，但其設計和操作基礎確實是數(shù)學，包括線性代數(shù)（用于數(shù)據(jù)和權重的表示和操作）、微積分（用于優(yōu)化算法，如梯度下降）和概率論（用于理解和量化不確定性）。

神經(jīng)網(wǎng)絡的每個部分都可以用數(shù)學表達式來描述，訓練過程則是通過優(yōu)化數(shù)學目標函數(shù)（損失函數(shù)）來學習模型參數(shù)的過程。

黃仁勛說：“AI既是深度學習，也是一種解決難以指定的問題的算法。這也是一種開發(fā)軟件的新方法。想象你有一個任意維度的通用函數(shù)逼近器。”

在黃仁勛的比喻中，“通用函數(shù)逼近器”確實是對深度神經(jīng)網(wǎng)絡的一個精確且富有洞見的描述。這個比喻突出了深度神經(jīng)網(wǎng)絡的核心特性：它們可以學習并逼近任意復雜的函數(shù)映射，只要網(wǎng)絡足夠深，參數(shù)足夠多。

這種“函數(shù)逼近”的能力使得深度學習能夠應對各種各樣的任務，從圖像分類和語音識別到自然語言理解和生成，甚至是更復雜的任務，如游戲和決策制定。

只要我們有足夠的數(shù)據(jù)來訓練這些模型，神經(jīng)網(wǎng)絡就能學習到這些任務背后的復雜模式——哪怕這些模式對人類而言只是一個黑盒子。??

尤其在生成式模型（如ChatGPT）中，這種“函數(shù)逼近”的能力使得模型能夠生成富有創(chuàng)造性的輸出，如編寫文章、創(chuàng)作詩歌或音樂等。

這些模型通過學習大量的數(shù)據(jù)，理解語言或音樂的規(guī)則，然后生成符合這些規(guī)則的新的創(chuàng)作

ChatGPT到底在做什么？為什么它能夠成功？

大神Wolfram對此解釋道：令人驚奇的是，ChatGPT嘗試寫一篇文章時，基本上只是一次又一次地詢問“在已有的文本基礎上，下一個單詞應該是什么” ，然后每次都添加一個單詞。（更準確地說是一個token）

那么，是否每次都選取概率最大的那個單詞呢？??????

并非簡單如此。

Wolfram告訴了我們ChatGPT如何靠概率來“寫”出一篇文章：??

1. 每一步，ChatGPT都會生成一個帶有概率的單詞列表。

2. 但若總是選擇最高“概率”的單詞，通常會得到一篇非常“平淡”的文章。

3. 于是巫術出現(xiàn)了，有一個特定的所謂“溫度”參數(shù)，它控制了較低排名的單詞會被使用的頻率。

4. 對于文章生成，我們發(fā)現(xiàn)“溫度”為0.8效果最好。

概率和隨機性，再次顯示出神奇的魔力。

五

在微軟的報告里，研究者用GPT-4模擬了一段對話：

蘇格拉底：我的朋友，我對最近這些所謂自回歸語言模型的興起感到不安。

亞里士多德：你是什么意思，蘇格拉底？

蘇格拉底：我的意思是，這些模型被用來生成看起來是人類寫的文本，但實際上是由機器產(chǎn)生的。

亞里士多德：那有什么問題呢？

蘇格拉底：問題是，這些模型被用來欺騙人們，操縱他們，控制他們。

亞里士多德：但這些模式肯定也有一些積極的應用？

蘇格拉底：可能是這樣，但我仍然對濫用的可能性感到不安。畢竟，一個能夠生成與人類所寫的文字無法區(qū)分的模型可以被用來傳播假新聞，冒充他人，并制造宣傳。

亞里士多德：但這不只是一個如何使用這些模型的問題，而不是模型本身的問題嗎？

蘇格拉底：我不同意。我認為這些模型本身就有問題。它們是一種偽裝的形式，一種創(chuàng)造幻覺的方式，是人類思想和互動的一部分。因此，它們可以被用來以難以察覺的方式進行欺騙和操縱。

亞里士多德：但這不正是你反對修辭和演說的理由嗎？

蘇格拉底：是的，我也堅持這個觀點。我相信，任何旨在欺騙或操縱的藝術或交流形式都是內(nèi)在的危險。

亞里士多德：我明白了。謝謝你分享你的想法，蘇格拉底。

喬布斯曾經(jīng)設想過如上的對話，他預測有一天可以用計算機捕捉亞里士多德的底層世界觀，如此一來人們就可以和他親自對話了。

反對修辭和演說的蘇格拉底認為：感覺是不可靠的，感性認識是不確定的，只有理性才能夠認識事物本身。??

而在亞里士多德的方法里，他將修辭確定為哲學的三個關鍵要素之一。另外兩個則是邏輯和辯證法。

亞里士多德認為，邏輯關注的是用推理達到科學確定性，而辯證法和修辭則關注概率。后者適用于人類事務。

上面兩段文字我摘自網(wǎng)絡百科，雖無法確認其原文與出處（尤其是概率那部分），卻令人拍手叫好。

然而，在隨后的年代里，亞里士多德的邏輯和確定性知識體系更大程度地影響了人類。

人們信奉因果論和決定論，在牛頓的推動下，世界仿佛是一個由無數(shù)個精密齒輪構(gòu)成的機器，在上帝的首次推動下，持續(xù)有條不紊地運轉(zhuǎn)著。

而另外一條線索亦在孕育之中。休謨的懷疑論和經(jīng)驗主義徹底改變了人們的思想世界，他認為感性知覺是認識的唯一對象，人不可能超出知覺去解決知覺的來源問題。

在休謨看來，客觀因果并不存在。????????

隨后康德試圖對理性主義和經(jīng)驗主義進行調(diào)和，他否認客觀因果聯(lián)系，但主張用先天的理智范疇對雜亂的經(jīng)驗進行整理。??

馬赫則開創(chuàng)了經(jīng)驗批判主義，他強調(diào)直接討論觀測數(shù)據(jù)，科學定律只是被視為以最經(jīng)濟的方式對數(shù)據(jù)進行描述的手段而已。

《科學推斷》一書認為，他開啟了現(xiàn)代方法論的主要進展。

曾經(jīng)深受馬赫影響的愛因斯坦，無法接受這種對科學信仰的破壞性，以及對法則、公式、定律的輕視，后來與其分道揚鑣。

愛因斯坦用探索性的演繹法建構(gòu)了邏輯嚴謹?shù)脑?，他相信宇宙有解，不相信鬼魅之力?/p>

某種意義上，愛因斯坦是最后的牛頓（除了用斯賓諾莎的“神”替代了上帝），是科學因果決定論的捍衛(wèi)者。??

1967年，波普爾對如上交織而漫長的哲學歷程做了一個了結(jié)，他提出了三元世界的觀點，布爾金將其繪制如下：

這似乎是柏拉圖洞穴理論的現(xiàn)代版。

看看，人是多么無知，又是多么分裂??！

基于這樣的結(jié)構(gòu)，波普爾提出：我們無法證實這個世界，無法證實規(guī)律和定理，只能去證偽。

六

也許你還記得上一代的老式人工智能——深藍。龐大的機器，手工制作無盡的代碼，多名參與其中的職業(yè)棋手，以及暴力算法，雖然打敗了卡斯帕羅夫，卻如流星般閃過。

《麻省理工科技評論》將深藍形容為恐龍，而這一代的神經(jīng)網(wǎng)絡（尤其是深度學習）則是生存且改變地球的小哺乳動物。

上世紀50年代，香農(nóng)曾經(jīng)樂觀地預測AI將很快出現(xiàn)，事實并非如此。失敗的主要原因是：

人工智能的創(chuàng)造者們試圖用純粹的邏輯來處理日常生活中的混亂，他們會耐心地為人工智能需要做的每一個決定都制定一條規(guī)則。但是，由于現(xiàn)實世界過于模糊和微妙，無法以刻板的方式進行管理。

我們無法像是依照牛頓的原理造車般，用發(fā)條思維和專家系統(tǒng)來打造智能系統(tǒng)。那一類AI不僅狹窄，而且脆弱。

ChatGPT是經(jīng)驗主義的進化論的“勝利產(chǎn)物”。

經(jīng)驗主義亦稱“經(jīng)驗論”。作為一種認識論學說，與“理性主義”相對。經(jīng)驗主義認為感性經(jīng)驗是知識的來源，一切知識都通過經(jīng)驗而獲得，并在經(jīng)驗中得到驗證。

這正是ChatGPT的思考和學習路徑。

而虛擬進化又指數(shù)級放大了基于經(jīng)驗的學習速度。在波普爾看來，科學發(fā)展本身就是一種進化。

ChatGPT不僅從時間的角度加速模擬了進化，還通過大模型從空間的角度拓展了可能性之廣度，以至于令人們禁不住又驚又喜地探討起涌現(xiàn)。

那么，人工智能是如何思考的？又是如何決策的？??

有別于齒輪般的演繹推理，我們需要借助概率在證據(jù)和結(jié)論之間建立起聯(lián)系。????

AI的任務是做決策，在不確定性下結(jié)合信念與愿望，選擇動作。

在《人工智能：現(xiàn)代方法》中如此描述：

由于部分可觀測性、非確定性和對抗者的存在，真實世界中的智能體需要處理不確定性(uncertainty)。智能體可能永遠都無法確切地知道它現(xiàn)在所處的狀態(tài)，也無法知道一系列動作之后結(jié)束的位置。

此外，智能體的正確的動作——理性決策，既依賴各種目標的相對重要性，也依賴它們實現(xiàn)的可能性和程度。

為了進行不確定推理，我們需要引入信念度，例如牙痛患者有80%的概率存在蛀牙。

???概率論提供了一種概括因我們的惰性與無知而產(chǎn)生的不確定性的方式。

除了概率，智能體在做決策時還需要一個概念：效用理論。?

例如，你要去機場，假如提前90分鐘出發(fā)，趕上飛機的概率是95%；提早120分鐘出發(fā)，概率提升至97%。??????

那么，是不是應該越早越高，追求趕上飛機的最大概率呢？如此一來，你可能要提前一天或者更早住在機場了。??????

大多數(shù)時候不必如此，但假如你有一個無法錯過的會議，或者要趕國際航班，提早一天住到機場，可能是最佳決策。萬豪酒店最早就是靠洞察到商務人士的這一需求而崛起的。????

由此，我們得出決策論的通用理論：??決策論=概率論+效用理論。

以上的現(xiàn)代方法，離不開兩個未曾謀面的古代敵手。

七

在諸多反對休謨的人當中，貝葉斯也許是最重要的一位。

當休謨斬斷了因果之間的必然聯(lián)系時，最惱火的莫過于教會，因為上帝一直被視為因果的第一推動力。??????

一個人往往要到了一定歲數(shù)，才能夠理解休謨的哲學。尤其是我們這些從小接受確定性訓練的人。

邏輯推理的基本形式是：如果A，則B。

休謨則說，如上這類推理要么是幻覺，要么是胡說八道，要么是自圓其說。

據(jù)說虔誠且又擅長數(shù)學的牧師貝葉斯是為了反駁休謨，而研究出了貝葉斯公式。???

一個神奇的結(jié)局出現(xiàn)了：

貝葉斯公式反而成為了休謨哲學的現(xiàn)實解藥，將其大刀斬斷的因果，用逆概率的懸橋連接了起來。?????????

概率，將邏輯推理的形式修正為：如果A，則有x%的可能性導致B。??

而貝葉斯公式，則完成了一個小小的（卻產(chǎn)生了無法估量的巨大影響）由果推因的顛倒：

如果觀察到B，則有x%的可能性是因為A導致。

如此一來，被休謨懷疑的世界，繼續(xù)晃晃悠悠地構(gòu)建出更為龐大繁復的、以概率關聯(lián)的因果網(wǎng)絡。??????????????

假如貝葉斯試圖反擊休謨的動機是真的，就為“要愛惜你的對手”添加了有力論據(jù)。???

讓我們用一個簡單的貝葉斯計算，來看看智能體如何學習經(jīng)驗。????

題目：黑盒子里有兩個骰子，一個是正常骰子，扔出數(shù)字6的概率是1/6；一個是作弊骰子，扔出數(shù)字6的概率是1/2。????????

這時，你從中摸出一個骰子，扔了一次，得到一個6。??

請問：你再扔一次這個未知的骰子，得到6的概率是多大？

計算的第一步，是計算這個骰子是正常骰子和作弊骰子的概率分別是多大。

請允許我跳過貝葉斯公式快速計算如下。????????

是正常骰子的概率為：1/6÷（1/6+1/2）=1/4??????。

是作弊骰子的概率為：1/2÷（1/6+1/2）=3/4。

計算的第二步，更新這個骰子的信息。原來的概率是各1/2，但現(xiàn)在分別是1/4和3/4。??

那么，再扔一次，得到6的概率就是：1/4×1/6+3/4×1/2=5/12。?

從本質(zhì)層面理解如上這個簡單的計算并不是容易的事情：

兩次扔骰子都是獨立事件，為什么第一次扔骰子得到6的概率和第二次的概率不一樣？

貝葉斯概率的解釋是，第一次扔骰子得到6的這一結(jié)果，作為信息，更新了我們對第二次扔骰子得到6的概率的判斷。

疑惑的人會繼續(xù)問：骰子沒有記憶，為什么第一次的結(jié)果會“改變”第二次結(jié)果呢？?

答案是：沒有改變結(jié)果，只是改變了“信念”。

即使扔了兩次骰子，我們依然不知道這個骰子是正常的還是作弊的，但我們可以帶著這種不確定性向前走，為此需要“猜”這個骰子是正常還是作弊的概率。這個概率，就是信念。???????

根據(jù)信息的變化，快速更新，體現(xiàn)了某種達爾文式的進化。????

從這個角度看，AI推理起初或許弱小含混，卻有主動適應性，從經(jīng)驗中不斷學習，并快速演化。

以本題為例：第二次扔骰子，從第一次骰子的結(jié)果中學習了經(jīng)驗，從而令預測更加精確。

這個過程還可以不斷重復，如同發(fā)動機般，從而產(chǎn)生了決策和智能的杠桿效應。

如前所述，亞里士多德曾經(jīng)認為，修辭和概率等不確定性元素，應該應用于人類社會。而在自然科學和數(shù)學領域，則是邏輯推理（尤其是數(shù)學邏輯）的陣地。??

而如今，確定世界已經(jīng)成為不確定世界，絕對真理也被或然真理替代。??

于是，概率不僅成為“真理”的懸梯，甚至成為真理本身。???

《人工智能：現(xiàn)代方法》寫道，世界就是這樣，實際示范有時比證明更有說服力?；诟怕收摰耐茢嘞到y(tǒng)的成功要比哲學論證更容易改變?nèi)说挠^點。

就像兩個人就不同的觀點爭論，一種辦法是講道理，講邏輯；還有一種辦法是：?????我們先下個注，然后試著跑跑看唄。??

OpenAI早期投資人里德·霍夫曼在嘗試將GPT-4應用于工作中時，發(fā)現(xiàn)了以下三個關鍵原則。

原則1：將GPT-4視為本科生水平的研究助手，而非無所不知的預言家。

原則2：把自己當作導演，而非木匠。

原則3：勇敢嘗試！

多么有趣的建議啊，我們從中看見了《園丁與木匠》與《自下而上》的智慧：

在大部分工作中，我們習慣于提前計劃，力求避免失誤。這是因為執(zhí)行計劃在時間和其他資源上都耗費巨大，“三思而后行”的說法指的就是這種情況。

但如果實施計劃比思考它更加省時省力呢？

霍夫曼認為這正是GPT-4及大語言模型令人費解的悖論所在。

既然如此，正確的做法是：

1. 在比討論制訂計劃更短的時間里，GPT-4能為你生成一個完整的回應供你審閱。

2. 如果你對回應不滿意，可以直接丟棄并嘗試生成另一個。?3

3. 或者一次性生成多個版本，獲得更多選擇。

我們已經(jīng)來到了一個“三行而后思”的“強化學習”時代。

?????????

八

在《人工通用智能的火花：GPT-4的早期實驗》的報告里，微軟實驗室如此表述：??

“我們過去幾年，人工智能研究中最顯著的突破是大型語言模型（LLMs）在自然語言處理方面取得的進展。這些神經(jīng)網(wǎng)絡模型基于Transformer架構(gòu)，并在大規(guī)模的網(wǎng)絡文本數(shù)據(jù)體上進行訓練，其核心是使用一個自我監(jiān)督的目標來預測部分句子中的下一個單詞。”

ChatGPT是位“語言游戲”的高手，用的是神經(jīng)網(wǎng)絡和深度學習。

這與傳統(tǒng)的語言，以及邏輯語言，都不一樣。

羅素曾經(jīng)試圖構(gòu)建一套邏輯語言，想從少數(shù)的邏輯公理中，推演出數(shù)學。

他提出了自己的邏輯原子主義，試圖消除那些形而上語言的混亂，以邏輯語言和我們的現(xiàn)實世界一一對應。

在與羅素的相互影響下，維特根斯坦認為哲學的所有問題其實就是語言問題，從而推動了哲學的語言轉(zhuǎn)向。

一種西方哲學史觀點認為：古代哲學關注本體論，近代哲學關注認識論，20世紀哲學關注語言學問題。

那么，作為“系統(tǒng)地從語言來思考世界的第一人”，維特根斯坦與羅素有何不同？

陳嘉映的論斷是：羅素從本體論來思考語言的本質(zhì)，維特根斯坦則一直從語言的本質(zhì)來構(gòu)想本體論。

也許我們能從羅素給情人奧托林·莫雷爾夫人一封信里，發(fā)現(xiàn)維特根斯坦哲學上的某些經(jīng)驗主義線索：

“我們這位德國工程師啊，我認為他是個傻瓜。他認為沒有什么經(jīng)驗性的東西是可知的——我讓他承認房間里沒有一頭犀牛，但他不肯。”

和每個天才一樣，維特根斯坦卓絕，但也疑惑。

再說回ChatGPT，它懂語言嗎？如同《天才與算法》一書的設問：

機器可以在不理解語言或不接觸周圍物理世界的情況下，生成有意義的句子，甚至是美的句子嗎？

老派的AI，試圖采用羅素的方法。這類模型認為：

“理性和智能是深度的、多步驟的推理，由一個串行過程指揮，并由一個或幾個線程組成，使用少量的信息，由少量的強相關變量來表達信息?！?/p>

對比而言，“現(xiàn)代的機器學習模式由淺（少步）推理組成，使用大量信息的大規(guī)模并行處理，并涉及大量弱相關變量?！?/p>

一個有趣的來描述二者對比的例子是，電影《模仿游戲》里的圖靈，炒掉了自己的密碼破解小組里的語言學專家。

《人工智能：現(xiàn)代方法》認為，純粹的數(shù)據(jù)驅(qū)動的模型，對比基于“文法、句法分析和語義解釋”的手工構(gòu)建方法，更容易開發(fā)和維護，并且在標準的基準測試中得分更高。

該書作者還提及：

可能是Transformer及其相關模型學習到了潛在的表征，這些表征捕捉到與語法和語義信息相同的基本思想，也可能是在這些大規(guī)模模型中發(fā)生了完全不同的事情，但我們根本不知道。

未必那么精確的類比是：AI如孩子般學習語言。這正是當年圖靈所設想的：

有一個孩子般的大腦，然后去學習。而非一開始就設計一個成年人的大腦。????

孩子不懂語法構(gòu)建，也沒有成熟的邏輯，也遠沒有成年人那樣有主動的刻意練習?？墒窍胂肟?，成年人學習語言的效率，與孩子對比，是不是爛到渣？

我不禁聯(lián)想起一個對教育的嘲諷：天生就是語言學習天才的孩子，卻要在一輩子都學不好一門語言的成年人的指導下學習語言。

讓我們來看看，AI如何像一個孩子般，天才般地學習。

九

神經(jīng)網(wǎng)絡和深度學習經(jīng)歷了并不算短暫的黑暗期。

從上世紀80年代開始的整整30年間，只有很少一部分相關研究者義無反顧地投身其間，他們飽受懷疑，也幾乎拿不到科研經(jīng)費。????????????????

也許是由于這個原因，深度學習三巨頭辛頓（Hinton）、本吉奧（Bengio）、楊立昆（LeCun）似乎都和加拿大有些關系，他們退守在那里研究、教學、讀書。這倒是很符合那個“傻國家”的氣質(zhì)。

一個讓人“心酸”的細節(jié)是，2012年辛頓帶著學生在ImageNet圖像識別比賽上拿了冠軍，商業(yè)公司蜂擁而至。辛頓教授開出的商業(yè)報價，只是區(qū)區(qū)100萬美元。（后來谷歌以4400萬美元“中標”。）

“老派”AI，使用明確的一步步指令指引計算機，而深度學習則使用學習算法從數(shù)據(jù)中提取輸入數(shù)據(jù)與期望輸出的關聯(lián)模式，正如上一節(jié)的演示。

眾所周知，漫漫長夜之后，隨著人類計算機算力和數(shù)據(jù)的指數(shù)級增長，深度學習一飛沖天，從阿爾法狗一戰(zhàn)封神，再到ChatGPT征服全球。????

為什么是Open AI，而不是DeepMind？我對此略有好奇。

OpenAI的聯(lián)合創(chuàng)始人兼首席科學家伊利亞·薩特斯基弗，是辛頓在多倫多大學帶的學生。他似乎延續(xù)了辛頓對深度學習的信仰，并且勇于全力下注。????

辛頓認為“深度學習足以復制人類所有的智力”，將無所不能，只要有更多概念上的突破。例如Transformers利用向量來表示詞義的概念性突破。

此外，還要大幅度增加規(guī)模，包括神經(jīng)網(wǎng)絡規(guī)模和數(shù)據(jù)規(guī)模。例如，人腦大約有100萬億個參數(shù)，是真正的巨大模型。而GPT-3有1750億個參數(shù)，約比大腦小一千倍。

神經(jīng)網(wǎng)絡模仿了人類的優(yōu)勢：處理有大量參數(shù)的少量數(shù)據(jù)。但人類在這方面做得更好，而且節(jié)能許多倍。

先行一步的DeepMInd，其發(fā)展方向和速度，除了陷入與谷歌的“商業(yè)VS科研”的兩難糾纏，還不可避免地受到哈薩比斯的AI哲學觀的影響。

哈薩比斯認為不管是ChatGPT，還是自家的Gopher，盡管可以幫你寫作，為你繪畫，“有一些令人印象深刻的模仿”，但AI“仍然不能真正理解它在說什么”。

所以，他說：“（這些）不是真正的意義上的（智能）?！?/p>

哈薩比斯的老師，MIT的Poggio教授更尖銳地指出：深度學習有點像這個時代的“煉金術”，但是需要從“煉金術”轉(zhuǎn)化為真正的化學。

楊立昆反對煉金術的說法，但他也認為要探究智能與學習的本質(zhì)。人工神經(jīng)元受到腦神經(jīng)元的直接啟發(fā)，不能僅僅復制大自然。

他的觀點大概是，工程學實現(xiàn)了的東西，也只有通過科學打開黑盒子，才能走得更遠。??????????????

“我認為，我們必須探究智能和學習的基礎原理，不管這些原理是以生物學的形式還是以電子的形式存在。正如空氣動力學解釋了飛機、鳥類、蝙蝠和昆蟲的飛行原理，熱力學解釋了熱機和生化過程中的能量轉(zhuǎn)換一樣，智能理論也必須考慮到各種形式的智能?！?/p>

幾年前，巔峰時刻的哈薩比斯就表達過，僅靠神經(jīng)網(wǎng)絡和強化學習，無法令人工智能走得更遠。

類似的反思，也發(fā)生于貝葉斯網(wǎng)絡之父Judea Pearl身上。

他說，機器學習不過是在擬合數(shù)據(jù)和概率分布曲線。變量的內(nèi)在因果關系不僅沒有被重視，反而被刻意忽略和簡化。

簡單來說，就是：重視相關，忽視因果。?????

在Pearl看來，如果要真正解決科學問題，甚至開發(fā)具有真正意義智能的機器，因果關系是必然要邁過的一道坎。????????

不少科學家有類似的觀點，認為應該給人工智能加上常識，加上因果推理的能力，加上了解世界事實的能力。所以，解決方案也許是“混合模式”--用神經(jīng)網(wǎng)絡結(jié)合老式的手工編碼邏輯。?????????

辛頓對此頗為不屑，一方面他堅信神經(jīng)網(wǎng)絡完全可以有推理能力，畢竟大腦就是類似的神經(jīng)網(wǎng)絡。另一方面，他認為加入手工編碼的邏輯很蠢：

它會遇到所有專家系統(tǒng)的問題，那就是你永遠無法預測你想要給機器的所有常識。

AI真的需要那些人類概念嗎？阿爾法狗早已證明，所謂棋理和定式只是多余的夾層解釋而已。????????

關于AI是否真正“理解”，真正“懂得”，真正有“判斷力”，辛頓以“昆蟲識別花朵”為例：

“昆蟲可以看到紫外線，而人類不能，所以在人類看來一模一樣的兩朵花，在昆蟲眼中卻可能截然不同。那么能不能說昆蟲判斷錯誤了呢？昆蟲通過不同的紫外線信號識別出這是兩朵不同的花，顯然昆蟲沒有錯，只是人類看不到紫外線，所以不知道有區(qū)別而已?！?/p>

我們說AI“不懂”什么，會不會是過于以人類為中心了？

假如我們認為AI沒有可解釋性，算不上智能，可會不會是即使AI解釋了，我們也不懂？就像“人類只有借助機器檢測，看到兩朵花的顏色信號在電磁波譜上分屬不同區(qū)域，才能確信兩朵花確有不同?！?/p>

從十幾歲開始，就相信“模仿大腦神經(jīng)網(wǎng)絡”的辛頓，仿佛有某種宗教式的堅定。

于是，在某個路口，哈薩比斯略有遲疑，而伊利亞·薩特斯基弗則和辛頓一路向前，豪賭到底。

辛頓的人生哲學是“基于信仰的差異化”，他的確也是如此實踐的。

如今，盡管哈薩比斯認為ChatGPT僅僅是更多的計算能力和數(shù)據(jù)的蠻力，但他也不得不承認，這是目前獲得最佳結(jié)果的有效方式。

十

對AI路線的分歧，不過是一百多年來某類科學暗涌的延續(xù)。???????????

相當長的歲月里，在大雪紛飛的多倫多，辛頓幾乎是深度學習唯一的守夜人。

他本科在劍橋大學讀生理學和物理學，其間轉(zhuǎn)向哲學，拿的是心理學學士學位，后來再讀了人工智能博士學位。

辛頓等人在統(tǒng)計力學中得到靈感，于1986 年提出的神經(jīng)網(wǎng)絡結(jié)構(gòu)玻爾茲曼機，向有隱藏單元的網(wǎng)絡引入了玻爾茲曼機器學習算法。

如下圖，所有節(jié)點之間的連線都是雙向的。所以玻爾茲曼機具有負反饋機制，節(jié)點向相鄰節(jié)點輸出的值會再次反饋到節(jié)點本身。

玻爾茲曼機在神經(jīng)元狀態(tài)變化中引入了統(tǒng)計概率，網(wǎng)絡的平衡狀態(tài)服從玻爾茲曼分布，網(wǎng)絡運行機制基于模擬退火算法。

玻爾茲曼機。圖片來自《圖解人工智能》一書。

從香農(nóng)，再到辛頓，他們都從玻爾茲曼那里獲得了巨大的靈感。

將“概率”引入物理學，看起來非常奇怪。??

人類直到19世紀之后，才知道“熱”是物體內(nèi)部大量分子的無規(guī)則運動的表現(xiàn)。那么，為什么熱量總從熱的物體傳到冷的物體？?????

玻爾茲曼說，原子（分子）完全是隨機運動的。并非是熱量無法從冷的物體傳到熱的物體，只是因為：?

從統(tǒng)計學的角度看，一個快速運動的熱物體的原子更有可能撞上一個冷物體的原子，傳遞給它一部分能量；而相反過程發(fā)生的概率則很小。在碰撞的過程中能量是守恒的，但當發(fā)生大量偶然碰撞時，能量傾向于平均分布。

這其中，沒有物理定律，只有統(tǒng)計概率。這看起來非常荒謬。??

堅定的科學主義者費曼，后來也提出“概率振幅”，用來描述物理世界的本質(zhì)。

對此，費曼解釋道：這是不是意味著物理學——一門極精確的學科——已經(jīng)退化到“只能計算事件的概率，而不能精確地預言究竟將要發(fā)生什么”的地步了呢？是的！這是一個退卻！但事情本身就是這樣的：

自然界允許我們計算的只是概率，不過科學并沒就此垮臺。

事實上，羅素也主張因果關系的概然性，認為一切規(guī)律皆有例外，所以他也不贊成嚴格的決定論。?

也許是因為都持有“自下而上”的世界觀，玻爾茲曼喜歡達爾文，他在一次講座中宣稱：?????????

“如果你問我內(nèi)心深處的信念，我們的世紀將被稱為鋼鐵世紀還是蒸汽或電的世紀呢？我會毫不猶豫地回答：它將被稱為機械自然觀的世紀，達爾文的世紀。”

對達爾文的自然選擇理論，玻爾茲曼認識到，生物之間通過資源競爭展開“一種使熵最小化的戰(zhàn)斗”，生命是通過捕獲盡可能多的可用能量來使熵降低的斗爭。

和生命系統(tǒng)一樣，人工智能也是能夠自動化實現(xiàn)“熵減”的系統(tǒng)。??

生命以“負熵”為食，人工智能系統(tǒng)則消耗算力和數(shù)據(jù)。?

楊立昆估算，需要10萬個GPU才能接近大腦的運算能力。一個GPU的功率約為250瓦，而人類大腦的功率大約僅為25瓦。

這意味著硅基智能的效率是碳基智能的一百萬分之一。

所以，辛頓相信克服人工智能局限性的關鍵，在于搭建“一個連接計算機科學和生物學的橋梁”。

十一

達·芬奇曾說過：“簡單是終極的復雜。”

牛頓那一代相信上帝的科學家，認為神創(chuàng)造這個世界時，一定運用了規(guī)則。

他們只管去發(fā)現(xiàn)規(guī)則，而不必在意暫時的不可理解。例如，萬有引力公式為什么長成那樣？為什么要和距離的平方成反比？

另一方面，牛頓們信奉奧卡姆剃刀的原則，認為世界的模型基于某些簡潔的公式。他們至少相信存在某個這樣的公式，從愛因斯坦到霍金，莫不如是。

然而在不確定性時代，概率似乎比決定論派更能解釋這個世界。牛頓式的確定退縮到了有限的領域。

也許費曼是對的，科學家是在用一個篩網(wǎng)檢驗這個世界，某些時刻似乎所有的現(xiàn)象都能通過篩孔，但如今我們知道多么完備的科學都只是暫時的解釋，只是暫時未被證偽的篩網(wǎng)。但這并不影響我們向前。

還有一種哲學認為，世界本身就是在為自己建模。試圖用一個大一統(tǒng)理論解釋世界幾乎是不可能的，更何況宇宙還在繼續(xù)膨脹。

從以上有趣但略顯含混的角度看，ChatGPT是用一種反愛因斯坦的方式為世界建模。它有如下特點：

1. 是概率的，而非因果的；

2. 盡可能地去模擬人類世界這一“大模型”，從經(jīng)驗中學習和進化，而非去探尋第一原理；

3. 它信奉（至少暫時如此）“復雜是終極的簡單”；

4. 它驅(qū)逐了神，因為它自己越來越像一個神。

AI和人類別的熱鬧事物一樣，經(jīng)常會有周期性的熱潮。

上一波是2016年，熱起來，然后又慢慢靜下來。

七年過去了，AI再次熱起來。OpenAI照例沒有打開“黑盒子”，卻帶來了影響力更為廣泛的浪潮。

這一次，廣泛性似乎戰(zhàn)勝了專業(yè)性。人們似乎更關注那個會畫畫的、可能替代自己摸魚的AI，而不是那個能戰(zhàn)勝世界冠軍、能研究蛋白質(zhì)折疊解決人類頂尖難題的AI。

這其中有多少是工程的突破和技術的飛躍？有多少是商業(yè)驅(qū)動下的大力出奇跡？有多少是人類社會慣常的泡沫？

毋庸置疑，人類過往的偉大突破，不少都是在多種理性和非理性力量的交織之下實現(xiàn)的。

這里面的機會是：

1. 賣水者。如英偉達，Scale AI等。

2. 新平臺的出現(xiàn)。會有超級應用突破微軟和谷歌等巨頭無敵的新瓶裝老酒嗎？

3. 新平臺既有通過生產(chǎn)力的提升創(chuàng)造的新價值空間，如各種全新的產(chǎn)品和服務，也有對舊有價值空間的掠奪。

4. 也許會有iPhone的顛覆者，以及圍繞其展開的各種應用和服務。

5. AI會成為基礎設施。

但是，水和電成為基礎設施，互聯(lián)網(wǎng)成為基礎設施，與AI成為基礎設施，絕非簡單的類比或升級。

大概的趨勢也許是，商業(yè)上的壟斷與兩極分化會更加殘酷。職業(yè)上，或許中間階層會更加無望。

6. 因為AI極其耗電，能源領域大有可為。

7. “場景”和“應用”會有機遇。尤其是那些能夠較好地利用AI平臺實現(xiàn)人機結(jié)合的場景與應用。

8. 對個體而言，我們要問的是，AI還需要人類充當新基礎設施和新系統(tǒng)的類似于“操作員、司機、程序員、快遞員”的新時代角色嗎？?????????????

十二

人工智能的變遷，幾乎對應著人類認知世界的變遷結(jié)構(gòu)。

從確定性到不確定性，從物理定律到統(tǒng)計概率，物理和信息交匯于“熵”，并以類似的達爾文觀念，進化出有生命的熵減系統(tǒng)。

在這個愈發(fā)茫然的世界里，AI在疫情后時代獲得了世人額外的關切。

諸神已被人類背棄，算法用強大而未知的相關性替代了神秘主義和因果霸權，仿佛成為新神。

真實與信念，確定與隨機，意識與虛無，再次于大眾的狂歡之中，對峙在時代的斷崖邊緣。

從樂觀的角度看，牛頓的信徒和達爾文的信徒也許可以攜手，借助于尚不知進化邊界何在的人工智能，去突破人類的智慧疆界。??????????

哈耶克說：“一個秩序之所以可取，不是因為它讓其中的要素各就其位，而是在這個秩序上能夠生長出其他情況下不能生長出的新力量?！?/p>

迄今為止，我們尚不能定義什么是智能，什么是意識。??????

然而，卻有一個黑乎乎的盒子，告訴我們可能會超越人類的智能，甚至涌現(xiàn)出人類的意識。

微軟的報告中這樣寫道：

我們沒有解決為什么以及如何實現(xiàn)如此卓越的智能的基本問題。它是如何推理、計劃和創(chuàng)造的？

當它的核心只是簡單的算法組件--梯度下降和大規(guī)模變換器與極其大量的數(shù)據(jù)的結(jié)合時，它為什么會表現(xiàn)出如此普遍和靈活的智能？

AI研究人員承認，智能是否可以在沒有任何代理或內(nèi)在動機的情況下實現(xiàn)，是一個重要的哲學問題。

在2023年的這個并不容易的春天，我對ChatGPT的態(tài)度坦然而期待：

我希望見到它所具備的可能性，為這個混亂的世界帶來某些“熵減”。??

在所有預測中，我期待Kurzweil的那個“2030 年技術將使人類享受永生”的預言。

我自己對永生沒興趣，但不想失去身邊的人們。我對世俗的依賴大過對“超人類主義”的擔憂。

我不太相信意識的上傳，因為一旦上傳，就可以復制，就不是唯一的，就失去了自由意志，又談何“意識”呢？?

人類會洞察大腦最深層次的秘密嗎？湯姆·斯托帕警告過：

“當我們發(fā)現(xiàn)了所有的奧秘，并失去了所有的意義時，我們將會在空蕩蕩的海邊孤身一人?！?/p>

哥德爾的“不完備性定理”告訴我們，不確定性是人類認識的形式邏輯思維本身所固有的。

“一個計算機可以修改自身的程序，但不能違背自身的指令——充其量只能通過服從自身的指令來改變自身的某些部分?！?/p>

哥德爾算是為AI，為人類劃定了邊界嗎？否則，人類制造超級AI，然后拜其為神，何嘗不是自我奴役？?

哥德爾又告訴我們，人類永遠可以在“實在主義”中通過“直觀和直覺”引入構(gòu)成高一級形式系統(tǒng)的新東西，建立新公理系統(tǒng)，如此推進以至無窮。

這就是彭羅斯所持的那種“人心超過計算機”的觀念。

寫在最后

上一次，七年前，在阿爾法狗面前，人類曾經(jīng)哭泣過；

這一次，無人哭泣，卻有萬眾狂歡。

在兩次AI高潮之間的7年里，我們經(jīng)歷了許多，失去了許多。

人們渴望擁抱某些希望，某些確定性，即使那些確定性來自一些不確定性的智慧。????

就我自己而言，也遭遇了一些前所未有的艱難時刻。所謂艱難，并非指一些困難的抉擇，也并非說沒有選項。???????

恰恰相反，依照最優(yōu)決策原理，我很容易通過期望值計算，得出最佳選項，獲得所謂最大化的收益。

然而，我追溯到內(nèi)心的源頭，重新定義了自己的期望效用，然后據(jù)此做出了有點兒辛頓風格的“基于信仰的差異化”選擇。??????

對任何一個人而言，不管是難是易，是聰明是愚蠢，是理性是任性，這種事兒在技術層面都只能算是小菜一碟。

可對AI來說，自己去定義期望效用，暫時難于登天。??

所以，研究人員稱，為“大型語言模型”配備代理權和內(nèi)在動機是未來工作的一個迷人的重要方向。

而“代理權”與“內(nèi)在動機”這兩點，一個普通人類只需要一秒鐘或者幾個不眠之夜即可實現(xiàn)。??

或許關鍵不在于得失，不在于效用函數(shù)，而在于“存在”。

如伊塔洛·卡爾維諾所言：

“隨著時光流逝，我慢慢地明白了，只有存在的東西才會消失，不管是城市，愛情，還是父母?！?/p>

在本文開篇寫到的傳奇故事里，掃地少年皮茨和教授麥卡洛克兩人之間非凡的友誼直至終生。???

比起電影《心理捕手》里的心理學教授“威廉姆斯”，麥卡洛克對皮茨的情感更為深厚，充滿了父親般的愛和學術上的“琴瑟和鳴”。

圖/《心靈捕手》

后來，當麥卡洛克與控制論之父維納產(chǎn)生決裂，皮茨毫不猶豫地站在了麥卡洛克一邊，盡管維納是他的博士生導師，幾乎能夠左右他在學術界的前程。皮茨甚至為此燒掉了自己的論文。????????

他如街頭少年般熱血而沖動。

不久以后，皮茨繼續(xù)遭遇了學術上的打擊，有個實驗表明，似乎邏輯并未如他的理論所預期般決定大腦的思維過程。

這個鍋爐工的孩子再次回到命運的枷鎖之中。曾經(jīng)點燃他灰暗歲月的對數(shù)學和邏輯的激情，以及關于人工智能的天才般的構(gòu)想，一點點被世俗的煙塵淹沒了。????????

隕落中的天才用血脈中無法斬斷的自我毀滅，來違背自己無與倫比的邏輯天賦。皮茨開始酗酒，最后在寄宿之家孤獨死去，年僅46歲。???

四個月后，麥卡洛克也在同一年去世了。?

許多年后，當人們追溯神經(jīng)網(wǎng)絡波瀾起伏的發(fā)展歷程，總會來到起點：麥卡洛克和皮茨共同構(gòu)建的豐碑。??????

就像我們來到大江大河的源頭，發(fā)現(xiàn)不過是一處小小的溪流。

哥德爾曾在哲學手稿中留下一句話：世界的意義就在于事實與愿望的分離，即事與愿違。

我更愿意用紀伯倫的話語來代替哥德爾的迷惘，盡管就底層而言也許是同一件事。詩人說：我們活著只為了去發(fā)現(xiàn)美，其他一切都是等待的種種形式。

本文來自微信公眾號：孤獨大腦（ID：lonelybrain），作者：老喻

關鍵詞：