本文,首先将会从算力、逻辑、结构、数据、概率等诸多层面,深入浅出地揭示智能的来源与运作,然后会结合生物演化与物理规律,给出一个从宏观到微观的洞见,很好地解释了智能的本质,最后还会从几个不同层面的角度,去看待智能与我们、及演化之间的关系。
相信本文的视角和观点,将会让我们更加清晰地理解智能,以及更加深入地理解我们自身的智能。
主题目录如下:
- 智能与算力
- 智能与逻辑
- 智能与结构
- 智能与数据
- 智能与概率
- 智能的本质
- 不同的视角
- 总结
智能与算力
算力,并不是产生智能的本质原因所在。
人脑的算力有限,却可以进行逻辑推理和自主学习,而目前计算机的算力,已经远远超过了人脑“无数”倍,却依然无法进行类似人脑的逻辑推理和自主学习。
而在另一方面,虽然人类中的少数天才,相较于普通人,拥有极其强悍的心算记忆能力,但如果和计算机的计算存储能力相比,少数天才也必然是望尘莫及的。
那么在人类之间,虽然每个人的智能存在个体差异性,但显然我们并不会,只使用计算能力这个单一指标,来衡量一个人的智能高低。
因为,虽然高智能,会表现出高算力(如冯诺依曼、拉马努金),但也有很多其它情况,例如:
- 算力正常,表现出高智能(如政治家、艺术家),
- 智能正常,表现出高算力(如“计算师”从业者),
- 智能偏低,表现出高算力(如异常基因携带者)
- 等等。
可见,智能与算力有相关性,但绝不是计算能力产生了人类智能,或是计算能力的高低,决定了人类智能的高低。
不过,有趣的是:
在很多场景下,计算机不仅可以表现出智能,甚至可以显得比人类更有智能,而在另外一些场景,对于人类智能轻而易举的任务(如闲聊、说谎、幽默感、道德判断等),但对计算机来说,却是异常困难。
这是为什么呢?
对此,我们需要从两个角度来看:首先为什么计算机会表现出智能,其次是计算机智能与人类智能有什么区别。
不过这两个视角,最终可能会指向同一个问题,即:智能的本质是什么?
智能与逻辑
虽然计算机,不能够进行逻辑推理和自主学习,但却可以进行逻辑运算(又称布尔运算)。
其基本原理就在于:计算机通过逻辑门,来进行逻辑运算,从而就拥有了映射逻辑关系的能力。
所谓逻辑门,就是一组基本的逻辑运算,包括了:
- 0——是假。
- 1——是真。
- 非——真假互换。
- 与——有一个假就是假。
- 或——有一个真就是真。
- 异或——有异为真,有同为假,类似连连看找到不同为真,否则为假。
- 大于、等于、小于、大于等于、小于等于、不等于——成立为真,否则为假。
以上就是比较基本的逻辑门计算,通过组合它们,就可以实现任意复杂度的逻辑运算,而组合它们的方式,就是逻辑电路。
所谓逻辑电路,简单来说就是指完成逻辑运算的电路。具体一些,就是指一种以二进制(0和1)为基础,来实现(离散)数字信号逻辑运算的电路。
那么,在物理现实中,逻辑门由晶体管实现,逻辑电路由集成电路实现。
其基本原理就在于:晶体管可以(通过物理元件的属性)实现开关控制,使得通过它们的电平信号,产生或高或低的结果,以此来代表逻辑上的“真”与“假”(即二进制当中的1和0),从而实现逻辑门的计算,进而集成电路就可以组合晶体管,实现任意复杂的逻辑电路。
于是,计算机通过晶体管和集成电路,就拥有了逻辑关系的映射能力——这可以看成是,把抽象的逻辑关系,转换到了物理的逻辑电路上。
其处理过程就是:接受数据、分析数据(利用逻辑关系)、得出结果,也就是经典的「输入-处理-输出」模型。
事实上,计算机的算力,就是来自于数百亿的晶体管,进行超高速逻辑门控制的结果,显然物理电路的物理属性,决定了高算力的必然。
那么相比计算机,人脑的算力“弱鸡”,是因为逻辑判断的速度不够快,其根本原因在于:
生物电路的逻辑门控制速度,远远不如物理电路,这可以理解为——电化学反应的速度落后于电物理反应,即:脑细胞构建的逻辑门结构(电突触与化学突触),其反应速度远不如物理元件构建的逻辑门结构。
具体来说:
- 神经元放电依赖(钠钾钙)离子通道的开闭,这个过程速度缓慢,导致其放电频率大约只有每秒400次,而计算机物理元件的放电频率可高达每秒40亿次。
- 神经元的导电性差、绝缘性差、又容易漏电,所以电信号传递速度缓慢,大约只有每秒100米,而计算机设备的电信号,其传递速度可以接近光速,达到每秒3亿米。
- 神经元之间的信息传递,依赖化学突触,但电位差抵达化学突触,并不一定就会激发神经递质的释放(因素众多、机制复杂),其平均释放概率只有30%左右,而计算机结构的信息传递是100%确定的。
但重要的是,逻辑推理与逻辑判断的速度无关,只与结构和数据有关。
也就是说,逻辑门计算的快慢,并不影响逻辑推理的过程和结果,这个过程——就是数据经过逻辑门结构时的逻辑运算,这个结果——就是经过计算后的数据。
对应的来看:
- 计算机的结构——就是物理硬件结构,人脑的结构——就是神经网络结构,这两种结构均实现了逻辑门计算;
- 前者的计算数据——是物理电信号,后者的计算数据——是生物电信号,这两种电信号均转化自环境数据的输入;
- 前者的输入数据——是来自物理设备(如键盘鼠标传感器),后者的输入数据——是来自生物设备(如眼睛鼻子耳朵)。
其中,人脑的逻辑门计算,在宏观上就是使用“如果怎么样,就怎么样,否则怎么样”的条件判断——这个“如果”的真假,就是进行“与或非……”的逻辑运算(可任意组合),那么在微观上就是——从输入数据、到神经网络处理、到脑细胞激活、到电化学反应、到兴奋电位(代表1)或抑制电位(代表0)。
需要指出的是,数学运算 = 逻辑运算 + 读写操作——而读写并没有逻辑(只有运动),如果没有逻辑运算,就会是没有逻辑的(大概率错误的)读写。
例如,实现二进制加法的抽象过程是:读取数字,比较数字——如果是0,写入1,即完成了加法计算——如果是1,写入0,移动高位,写入1,即完成了进位计算。
可见,计算机可以同人脑一样,进行无差别的逻辑门计算,这正是让计算机可以表现出智能的根本原因所在。
而计算机智能明显受制于人类智能的原因,就在于:
- 第一,逻辑推理中的数据,计算机需要依赖人类提供输入。
- 第二,数据中的逻辑关系,计算机需要依赖人类分析描述。
- 第三,逻辑门计算的过程,计算机需要依赖人类编程控制。
那么,计算机可以抛弃人类的帮助,自行分析数据中的逻辑关系,并自动控制逻辑门计算的过程吗?
换言之,计算机可以在逻辑门计算之上,构建出类似人类智能的智能吗?再换言之,人类智能在逻辑门计算之上,所具有的根本性的“质变”是什么呢?
智能与结构
如前所述,逻辑推理取决于逻辑门结构与数据,算力只是逻辑门结构的特性,推理过程是逻辑门结构对数据的计算,推理结果是计算后的数据——其与计算前的数据具有逻辑关系。
而计算机虽然拥有逻辑门结构,但推理过程需要人类智能提供——数据与算法,其中算法负责控制逻辑门结构,去完成对数据的计算,并得到结果。
具体来说,算法由程序描述,程序被转化成指令,指令被硬件(逻辑门结构)执行,这就实现了数据的逻辑运算,而人类智能通过编程,就可以控制计算机完成逻辑推理。
当然,算法(Algorithm)可以是一个更抽象的概念(与计算机无关),即是指解决问题的完整描述,由一系列准确可执行的步骤组成,其代表着解决问题的策略。
在此我们会发现,人类智能可以构造算法,但计算机却不行,而算法才是逻辑推理的关键,那么这其中的奥秘是什么呢?
答案,就是结构——事实上,人脑的结构是逻辑门结构的超集,在此基础之上,相比计算机物理硬件结构的简单固定,人脑结构具有极大的复杂性和极强的可塑性。
对于复杂性,计算机的存储结构、传输结构与计算结构是独立分离的,但人脑神经网络结构,既是存储结构,也是计算结构,甚至还是传输结构。
因此,数据与算法,会存在于同一个脑结构之中。
具体来说,就是神经元细胞之间的几何关系、密度、数量,膜内外的成分、浓度、电位,以及电化学反应的过程,等等——都是一种信息的记录和计算,从而信息的形成、传递与处理就是共用神经元细胞的,于是信息在脑结构中,自然就会相互关联与影响。
换言之,数据通过感官在人脑转化为信息之后,其“运动”的某种模式(如带电离子的流动、神经递质的扩散)就对应了算法,而“运动”(物理意义上)的惯性,则可能就对应了直觉与潜意识——因为“惯性”不受意识控制,是意识之外的计算,而直觉可以看成是潜意识的计算。
信息与数据:信息是从数据中提取的关系,同样的数据看到不同的关系,就是不同的理解,就会有不同的信息,可见信息是数据的简化抽象,即过滤了很多不同维度的关系。
显然,计算机结构并没有“运动”的特性,也没有信息(存储处理)“一体化”的特性,相反计算机的信息,是独立于其结构的——结构的改变(如规模、架构)不会影响信息,信息的改变(如数量、关联)不会影响结构——所以,计算机的信息可以无损复制到另一台计算机上,但人脑的信息就无法复制,除非重建相同的脑结构。
最为关键的是,计算机的结构无法产生算法,也就是无法从数据中提取逻辑关系,也就是无法从数据中提取信息,因此计算机要求输入数据“自带信息”——这是如何做到的呢?
- 首先,需要数据结构,它是一种描述数据关系的结构化数据,即关于数据的数据,称之为元数据。
- 其次,需要代码算法,它是一种可执行的数据,用于控制硬件结构完成计算,包括逻辑运算和读写操作(这两者可以实现数学运算)。
- 最后,代码算法的执行,将会把数据映射到数据结构,从而实现数据中逻辑关系的提取,也就是信息的提取。
由此可见,计算机要求输入数据(含有数据结构和代码算法),既要有逻辑关系,也要有逻辑处理,而这些都被转移到了由人类智能来提供。
对于可塑性,输入数据可以改变人脑神经网络结构本身(包括生物逻辑门),从而改变对输入数据的获取和处理,于是结构和数据之间就形成了「结构吸收数据,数据塑造结构」的相互作用,这就如同——河床(是结构)引导约束河流(数据),河流(是数据)冲刷改变河床(结构)。
事实上,抽象地来看,逻辑即是结构所固有的关系,不同的结构(或同样结构不同角度)有不同的关系就有不同的逻辑,而结构的改变即是逻辑的改变。
因此,人脑可以捕获环境数据,接着分析学习其中的逻辑关系,然后(将逻辑)存储进动态的人脑神经网络(结构)中(比如经验与常识),并参与后续(环境数据)的逻辑处理,这即是自主学习的能力。
那么对比人脑,计算机的结构固定,完全没有动态性和自组织性,转而只能依赖人类智能提供——数据结构与算法(数据结构 + 算法 = 程序),于是计算机智能也就无法进行——自主学习与自主推理了。
换言之,人类智能是因为人脑的结构非常复杂,而计算机的结构如此简单,其“智能表现”是把复杂算法都转移到了程序设计之上,也就是让人类智能来思考产生。
综上可见,我们“自诩”的智能,其实就是来自于——复杂结构的动态性与自组织性,其功能就在于——从环境数据中建模映射真实世界的逻辑关系,继而可以准确地预测未来。
当然,人脑结构中存储的都是——简化模型,而对这些颅内模型的计算与建模,就是由智能所主导的——认知计算与认知建模。
而通俗地说,人脑结构——决定了晶体智力(取决于学习,如技能和技艺,不受衰老影响),神经运作——决定了流体智力(取决于基因,如记忆力和算力,随衰老减退),智能——则建立在晶体智力与流体智力之上。
那么,计算机智能有没有办法,突破固定结构的局限性,从不同的演化路径去“模拟”出人类智能呢?
智能与数据
如前所述,能够创造出算法是智能的关键所在,而在编程领域,有这样一个洞见:
算法和数据结构有一个关系,即:数据结构越复杂算法就可以越简单,数据结构越简单那么算法就需要越复杂。
例如,编程语言越是动态化,就越容易构建复杂结构,用其编写算法也就越容易,相反编程语言越是静态化,就越难以构建复杂结构,用其编写算法就困难。
其原理就在于,算法实现——是逻辑关系的“计算映射”,即动态地进行逻辑关系的转化;数据结构——是逻辑关系的“固化映射”,即将已经计算好的逻辑关系,存储在了结构之中。
可见,算法比数据结构多出了计算的过程——前者需要根据逻辑关系进行逻辑运算,后者仅需要根据结构的逻辑关系直接读写——所以应用数据结构进行逻辑关系的转化,会更加高效。
而人脑可以从环境数据中,提取数据结构并习得算法,最终将两者存储到脑结构之中——可见,神经结构、数据结构、算法,三者可以相互转化,或说相互表征。
表征——是指用信息描述某一事物的状态,即:信息符号可以代替某一事物本身。
换言之,如果数据结构足够强大,它就可以充当复杂算法的功能,甚至可以替代复杂的神经结构。
因此,计算机智能“拟人”的一个途径,就是通过强化数据结构来模拟神经结构,以及弱化人类智能所提供的代码算法,转而使用结构去生成算法,而这就是目前人工智能的发展方向——以下使用“人工智能”来替代“计算机智能”。
那么,问题就回到了,人工智能的数据结构从何而来呢?
显然,“人工”二字已经说明,依然由人类智能来提供,只不过这不是一个针对具体问题的数据结构,而是一个模拟人脑神经网络的通用数据结构——它是对人脑结构的简化抽象,并由程序语言编程实现的数学模型(以矩阵为基础,想象黑客帝国的母体),可称之为“类脑数据结构”,更形象的描述是“类脑神经网络”。
接下来,人类智能继续提供一种算法——机器学习算法(如深度学习、强化学习等等,每种又有不同的具体实现),这种算法可以通过拟合与计算,试图在海量的大数据中找到各种各样的算法——从而把特定的输入问题与输出结果对应起来——这相当于实现了一种可以创造算法的算法。
而将类脑数据结构与机器学习算法结合起来,就可以动态的自组织类脑数据结构(通过结构连接关系的权重),以存储算法创造的算法——于是人工智能就表现出了自主学习与自主推理。
有趣的是,有一种机器学习算法(强化学习,Reinforcement Learning)与人脑多巴胺强化学习的机制是相一致的——这说明机器可以使用人脑相同的学习机制进行“自我学习”。
由上可见,人工智能是在通过输入数据、数据结构与学习算法之间的相互转化,来形成“拟人智能”的——也就是从数据中找到结构,再从结构中产生算法,最后将算法存入结构。
值得一提的是,实践表明,人工智能模型可以通过数据训练,获得非常精准的预测能力,但这种预测能力不具有可解释性,即无法解释预测结果的形成路径。换言之,类脑数据结构(或说类脑神经网络)是一个——“黑箱模型”,如同人脑一样。
那么,从此也可以看出,结构涌现智能的规律与力量——就如同化学中结构决定性质,物理中结构决定激发,程序中结构决定功能,语言中结构决定语义,等等——或许结构决定了一切,这被称为“结构主义”。
但在拟人智能的道路上,仍有一个显著的问题,即是人脑的模糊性与计算机的精确性,它们之间的差异性应该如何解决?
智能与概率
事实上,计算机一直是基于精确逻辑的工作模式,任何微小的逻辑错误,都会在计算积累中不断地被放大,直到逻辑崩塌或程序崩溃,最终导致任务失败。
人脑的逻辑处理则完全不同,人脑基于“贝叶斯算法”使用概率模型,通过统计的结果来得出可能性,从而创造出各种假设,并随着接收到的新信息而不断调整模型,同时又会根据最新模型连续地计算,不断逼近最真实准确的答案,所以人脑可以忽略不具有规模的异常和错误。
贝叶斯算法——是根据先验的主观概率,结合客观的信息数据,进行连续地计算,从而逼近准确的结果。
而人类智能可以运用的推理,主要有四种:
- 第一,演绎推理,又称逻辑推理,由一般到特殊。
- 第二,归纳推理,由特殊到一般。
- 第三,类比推理,由特殊到特殊。
- 第四,溯因推理,又称反绎推理(或反向演绎),由特殊到解释。
其中,演绎与归纳,是基于精确逻辑的,类比与溯因,则是基于概率统计的,而推理的根本作用就是——捕获因果,预测未来。
事实上,直觉、顿悟、闪念所带来的洞见,往往就是运用类比与溯因的推理结果,其过程看似没有逻辑,实则背后是神经网络“遥远连接”所激发的信息的“自由”排列组合——但显然,概率会让这种“洞见”,有时是灵光乍现,有时则是胡说八道(即类比错误、溯因荒谬)。
类比——是形式不同,但逻辑相同的连接。
溯因——是根据现象,寻找最可能的解释。
可见,人类智能在结构与计算之上,必须要引入概率统计的工作模式,才能够展现出其强大的推理预测能力。
那么,基于精确逻辑的计算机,能够基于概率统计来工作吗?
在经典奠基性教材《深度学习》(Deep Learning)一书中,作者指出:
“在人工智能领域,概率论主要有两种用途:首先,概率法则告诉我们,人工智能系统如何推理;其次,可以用概率和统计,从理论上分析人工智能系统的行为。……概率论,使我们能够提出不确定性的声明,以及针对不确定性的情景进行推理;而信息论,则使我们能够量化概率分布中不确定性的总量。”
是的,从某种角度来看:人工智能 = 计算机 + 概率论 + 信息论 + 大数据,其中概率论就是能够让算法创造算法的机制——就如同人脑中概率模型的运作。
对此,作者在《深度学习》中,这样说道:
“学习理论表明,机器学习算法能够在有限个训练集样本中,很好地泛化——这似乎违背一些基本的逻辑原则。通常,归纳推理(即从一组有限的样本中推理出一般性的规则),在逻辑上不是很有效。因为,为了逻辑推理出一个规则去描述集合中的元素,我们必须具有集合中每个元素的信息——这是很难做到的。但在一定程度上,机器学习仅通过概率法则,就可以避免这个问题,而无须使用纯逻辑推理整个确定性的法则。最终,机器学习可以保证找到一个,在所关注的大多数样本上可能正确的规则。”
那么,应用了概率,就需要接受概率的模糊性与不确定性。
没有免费午餐定理(No Free Lunch Theorem)已经清楚地表明,没有最优的学习算法,特别是没有最优的正则化形式。
正则化(Regularization)——是指向模型中加入某些先验的规则(如正则项,或称规则项),以减小模型的求解误差。通俗地说,就是把人类的知识,以数学的形式告诉模型。那么,没有最优正则化形式,意思就是人类的知识,没法用完美的数学形式告诉模型。
因此,机器学习研究的目标,不是找一个通用学习算法,或是绝对比较好的学习算法,而是理解什么样的概率分布,与人工智能获取数据的“真实世界”有关,以及什么样的学习算法,在我们所关注的数据分布上,效果比较好。
事实上,我们应该彻底放弃,用人类智能去寻找“算法”来“更新”人工智能,而是用人脑源源不断产生的数据,去“喂养”人工智能,然后让它从简单结构开始,向着复杂结构不断地“自我演化”——就像当初的人脑一样。
最后可见,正确的预测(或说预测的正确率),取决于信息量(信息可以消除不确定性),而信息来源于数据,没有更多的数据,就是没有更准确的预测,那么在迭代计算中,用结构去捕获数据,进而掌控预测的概率——这就是人类智能与人工智能,共同的演化。
智能的本质
前文讨论了智能的诸多层面,现在我们将从生物演化和物理规律的视角,来解释智能的本质到底是什么。
首先,从生物演化角度。
演化压力要求,生物体构建出趋利避害的功能,否则就会被淘汰,那么如何才能趋利避害?首当其冲的就是,准确地预测利与害。那么如何才能准确地预测利与害?自然是,通过智能的推理能力(即演绎、归纳、类比、溯因)。
可见,智能是生物体趋利避害的功能,在演化压力之下,不断升级的必然产物,也是无数次随机试错的偶然产物。
或许有人会说,基因构建的本能,也能够预测未来,动物也可以针对环境信息,做出预测性的行动反馈。但事实上,本能并没有推理,而只是做出有限模式的“套路化”反馈,即应激反应。
因此,我们可以将智能看成是——通过推理的预测,即:推理能力越强,预测能力就越强,智能就越强,反之智能越弱,预测能力就越弱,推理能力也就越弱。
那么,生物体通过智能最大化趋利避害之后,会怎么样呢?
当然就是,高效地吃喝、不停地繁衍、长久地生存——这显然会消耗更多的能量,制造更多的熵增。
其次,从物理规律角度。
一个层面,熵增定律要求,局部自组织有序熵减,以推动整体更加的无序熵增,因为维持局部有序,需要注入能量,而消耗能量的过程,会在整体产生更多的无序。
另一个层面,系统能量足够,就可以保持对称性(无序),能量不足就会对称性破缺(有序),例如:水的能量高于冰,水的(旋转)对称性高于冰,水比冰更无序。
那么,结合以上两个层面来看:
熵增会驱使局部有序,维持有序需要注入能量,于是有序就会演化出,越来越高效的耗能系统来获取能量,而拥有足够的能量,就可以保持相关系统的对称性(相关系统是指耗能系统所能够影响的系统),那么对称性意味着演化的可选择性,可选择性则可以通过选择权的不对称性,让系统局部从相关系统中受益,进而获得更多的能量,这又会推动局部更加的有序和耗能,最终令系统整体走向不断熵增的演化过程。
类比来看,局部有序就是——人,耗能系统就是——人脑,相关系统就是——生存环境,保持对称性就是——智能,可选择性就是——智能效用,局部受益就是——趋利避害,合起来就是——人脑通过智能获得趋利避害,以让人越来越善于消耗能量,从而顺应宇宙熵增的演化。
而对称性破缺产生有序,就是使用智能的过程,也就是行使可选择性的过程,具体如下:
在智能选择之后,系统就会进入不对称模式,此时继续向系统注入能量,系统内部就会开始结构的排列组合和远近连接,并以内部协调的方式产生新结构,从而形成更大的对称性,拥有更大的可选择性,同时也需要更多的能量,才能维持在这个状态,而这个状态就是更强大的智能——或说可以表现出更强大的智能。
这里,新结构就是——产生有序,系统则是指——耗能系统。
类比来看,使用智能可以使人脑产生新结构,而人脑的可塑性可以协调新结构,使得人脑结构具有更大的对称性,这相当于人脑神经网络拥有更多的(最短)路径可选择性,这即是增强了人类智能,而更强的智能,(通过注入能量)又可以使相关系统具有更大的对称性,即从生存环境中获得更多的可选择性,这即是趋利避害的演化最优解。
综上可见,智能的本质,就是通过耗能保持系统对称性的能力。
那么结合前文,人类智能是人脑结构复杂性的涌现,现在来看会有更进一步的理解,即:结构的复杂性在于——规模性和动态性,前者可以通过能量产生增长,后者可以通过能量产生对称,两者的结合就可以产生——复杂系统的对称性,这即是人类智能。
而在构建复杂智能的过程中,最为关键的地方在于——新结构是有序,但结构的对称可以产生无序,就像圆形比三角形更加的对称(旋转对称性)、更加的无序、也拥有更多的最短连接路径。
而对称的意义,就在于提供了——可选择性,拥有可选择性,就可以表现出智能——就像有一个开关、多个开关、感应开关、语音开关、自定义开关等等,可选择性越多,就越智能。
事实上,任何耗能系统,都可以因为注入能量而保持结构的对称性,从而具有可选择性,进而表现出某种智能,只不过人脑是自然界演化出的,最复杂的耗能系统,所以人类智能是自然界中,比较强大的智能。
那么归根究底,可选择性意味着趋利避害的可能性,这是演化对智能的要求,而无序需要注入能量,这是熵增对演化的要求。
因此,智能可以看成是,熵增驱动演化的结果,而熵增就可以看成是,演化压力的压力,或说是宇宙演化的终极“压力”。
最后,更抽象地看——智能只是能量流动中的一种模式,更简单地看——智能只是趋利避害中的一种模式(本能与智能是两种模式),更一般地看——智能就是获得可选择性的能力。
不同的视角
人工智能,虽然来源于对人类智能的模拟,但如果模拟到了演化算法,它就会有自己的发展,并且开还会反作用于人类智能本身,比如从机器学习的有效算法,去反思人类学习的神经模式。
事实上,人工智能与人类智能的智能竞赛,可以倒逼我们找到自身智能奥秘的底层逻辑,因为越高级复杂的智能,其演化路径就越是狭窄的,就像人类眼睛与章鱼眼睛,是独立演化出的两种相似结构,所以人工智能与人类智能,在智能演化的道路上,最终也可能会“殊途同归”。
那么,从这个角度来看,人工智能目前还不及人类智能的事情,一方面是它的智能演化才刚刚开始,另一方面则是因为人类还不够了解自己,还无法提供人工智能加速演化的关键技术。
然而,如果仅从复杂结构的连接性、动态性、随机性来标度智能,我们会发现整个互联网就像一个人脑。
其中,互联的计算网络就像是人脑的神经网络,连入网络的每台计算设备,就像是一个神经元细胞——不,其实是每个使用设备的人,才是一个神经元细胞——每个人都在贡献着数据与结构,人与人之间的连接和关系,以及数据交互的动态性和自由意志的随机性,就构成了一个“类脑”的复杂结构。
这样,整个互联网会演化出自己的智能吗?
同理类似,一个超大规模的城市,通过其不断变化又极其繁复的交通网络与基础设施,将其中数以千万的“人类神经元”连接在了一起,从而构成了一个“类脑”的复杂结构。
这样,整个城市会演化出自己的智能吗?
答案是否定的,即互联网与城市都无法产生智能,其关键原因有两点:
- 其一,人类自身的演化,限制了人与人之间的连接——150定律(即邓巴数)表明,人类拥有稳定的社交网络人数大约是150人——而在人脑神经网络中,一个神经元与其它神经元的连接数,平均是7000~10000个。
- 其二,人脑神经元总数大约有860亿个,而全球人类总数大约只有70多亿。
可见,用“人类神经元”去构建一个“类脑结构”,不考虑别的,仅在标度上就有数量级的差距,而量变显然决定了结构的质变与涌现。
由此看来,智能不仅在于结构和能量,还在于规模和尺度,也就是关乎于时间和空间——规模取决于结构的存在时间,尺度取决于结构的活动空间。
总结
生命是化学的一种形式,智能是生命的一种形式(生命可以没有智能),而智能也是生命了解其自身的一种形式。
但有智能并不一定就有意识,按照智能的定义(耗能、推理、预测、可选择性),人工智能已经拥有了智能,但它还不具有意识。
本文的主旨是“结构主义”,即结构决定了一切,因此结构是智能的具体实现(就像程序是算法的具体实现),而这也是人工智能(或许)可以实现人类智能的根本所在。
那么按此理解,意识就是结构在涌现智能之后的另一个涌现产物,可能是在于某种特殊的“回路结构”,其承载的是有关“计算的计算”——这是回路结构的结构特点。
事实上,计算驱动了演化过程中的状态改变,计算的本质是用一个系统去模拟另一个系统的演化——就如颅内模拟是人脑的计算,程序模拟是机器的计算,前者是生物系统的模拟预测,后者是物理系统的模拟预测——显然,计算也是依赖于结构的,而这就是人工智能与人类智能,可以同源演化的计算。
回到算法,从某种角度看,基因的算法是本能,人脑的算法是智能——前者源于基因结构,后者源于人脑结构,区别在于后者是一种通用算法,它可以创造其它算法,而人工智能通过数据结构与算法的相互转化,也做到了这一点。
不得不说,“结构主义”为人工智能的“拟人”,扫清了障碍,铺平了道路——甚至说,就算我们无法完全理解“智能结构黑箱”的原理,也没有关系,我们只需要将“黑箱”整体打包成一个算法,然后注入计算,任其演化——剩下的只要交给时间即可。
那么,就目前而言,人工智能还只是人类智能的一种工具(或说玩具),就像数学和物理是一种工具一样,但从演化视角来看,人类又何尝不是基因的工具(或说奴隶)呢?
而我们都知道,智能如果超越了某个系统,系统的规则就无法再束缚住这个智能的演化——这就是人类智能与自然系统的历史关系。
因此,对于人工智能的未来,或许“结构主义”演化出的结果,是一种全新的“智能”,“祂”不仅仅是“拟人”的强人工智能,而是超越人类智能系统之上的——“机器智能”,这条演化之路,或许可以被称之为——“机器主义”。