正文
![]()
《盲视》
奇点理论现在已经大有泛滥之势——凡是提到人工智能，凯文·凯利、雷·库兹韦尔、奇点理论，硅谷的陈年八卦都会拿出来翻炒一下。打开任意一本现在关于人工智能的畅销书，都是这个路数。但是真正的计算机科学家大多对这些炒作不以为然：强人工智能是不是真的能从目前火热的机器学习领域生发出来，谁也不知道。毕竟我们连人类如何思考都搞不清楚，更别说让机器模拟人类思考了：这有点像我们在空气动力学之前模仿鸟类扇翅膀来造飞机。
所以，想要真正理解人工智能，或许要从「思考」和「智能」到底是什么开始。从这个角度而言，举世奇书《哥德尔、埃舍尔、巴赫：集异璧之大成》（GEB）要比任何一本目前的人工智能畅销科普更加能够让你深刻地理解人工智能——当然，这本书也要求你有一定的逻辑思考能力。这本书也告诉你，上世纪六七十年代，刚刚发展出来的计算机科学和计算机科学家们是怎样看待人工智能的：正如同六十年代的任何科学家一样，他们很乐观地认为人工智能是 10 年之内能够做到的事情——后来我们也都知道了，这与可控核聚变的发展十分相似。
![]()
![]()
Godel Escher Bach, 来源：cs.brown.edu
虽然我们都说，计算机擅长计算，将很多数字加起来，或者乘起来，而不擅长识别人脸或者从一堆狗里分辨出一只猫。但是计算机并不真的「擅长」数学。这可能要从 20 世纪初希尔伯特的梦想开始说起。他和那时代的一批数学家的梦想就是将数学交给机器：既然证明本身是一个严格的逻辑过程，我们有没有可能，将这个逻辑过程用一套机械结构表达出来，以后任意一个命题，我们塞进这个机器就可以得到「真」或者「假」的答案？图灵对这个问题的回答就是计算机的基本原理。但是，哥德尔最终证明了我们没有办法使用机器来回答所有的问题，证明这件事情计算机始终做得很不好，数学的推导过程仍然需要人类的灵感和逻辑的超然飞跃才能完成。灵感和逻辑的超然飞跃如何从神经元的放电和集体行动中生发出来，这之中隐含了智能的关键因素。
也有可能，这些都是错的。我们将一个深度神经网络的塑造过程称之为「训练」，因为从实际角度来说，它是训练——我们给神经网络展示一些东西，告诉它，什么是对的，什么是错的。在《西部世界》中工作人员训练游乐园里的人工智能，也并没有用很高科技的手段、数据接口等等；而是跟对待真的人类一样，与他们对话。真正的人工智能出生之时，大概也会像一个刚来到人世的婴儿一样无知无识，直到我们告诉他们何为对何为错。我曾经与国内某 AI 公司的科学家聊过，他感叹：人类出生在世界上，每分每秒都接受了巨量的数据来训练他脑袋里的那个神经元网络；而目前的人工神经网络训练数据集，连那样的数据量的零头的零头都达不到。史上最出色的科幻作家（之一）特德·姜的小说《软件体的生命周期》就是讲的这样的故事：这些人工智能（或者可以称之为数字生命）与真正的生命一样，需要一段漫长的学习时间。这也可能是真的人工智能诞生的历程：不是奇点或者超人巨变那样惊天动地的变化，只是平凡的努力和不断地改进，就像现在 Google 或者 IBM 所做的那样。
