主要观点总结

杰弗里·辛顿，一个从家族荣光中走出的人工智能科学家，其一生致力于研究神经网络，推动人工智能的发展。他经历了学术上的挑战、家庭的变故，以及个人生活的转变。他的成就包括在神经网络领域的工作，以及对人工智能的深刻洞察和警示。尽管他在人工智能领域取得了巨大的成就，但他始终在探索人与机器的关系，以及机器智能可能带来的伦理和社会问题。辛顿的人生充满了对知识的追求，对真理的探索，以及对自我和世界的反思。

关键观点总结

关键观点1: 辛顿的学术生涯

辛顿从家族的光环中走出，致力于神经网络的研究，推动了人工智能的发展。他经历了学术上的挑战，对机器智能的本质和伦理问题进行了深刻的思考。

关键观点2: 家庭变故与个人生活

辛顿经历了家庭的变故，包括妻子罗莎琳德的去世和孩子的成长。这些经历使他更加深刻地反思人与机器的关系，以及机器智能可能带来的社会问题。

关键观点3: 对人工智能的深刻洞察

辛顿对人工智能的发展持警惕态度，他认识到机器智能可能带来的伦理和社会问题，并呼吁对机器智能进行负责任的研究和应用。

关键观点4: 对自我和世界的反思

辛顿的生涯充满了对知识的追求，对真理的探索，以及对自我和世界的反思。他的人生是对人与机器关系、机器智能的伦理和社会问题的持续探讨。

正文

请到「今天看啥」查看全文

威廉姆斯对辛顿说。

听到这一句，辛顿脑中有原子弹爆炸。

既然不能用拆成简单零件的方法来复刻一个系统，那还可以怎么办呢？

没错，用一个复杂系统“从整体上”模拟另一个复杂系统。

Blade Runner（1982）

给机器强行输入概念和规则，被归为人工智能的“ 符号主义 ”流派，它扎根于“ 还原论 ”；

而用人造神经系统整体模仿人的学习过程，就归为“ 神经网络 ”流派，它源自于“ 系统论 ”。

而后几十年，两派势同水火，各不相让，表面上是技术路线之争，实际上却是对世界本质的“押注”。

赌的就是：这个世界究竟是一堆利落的“零件”，还是一坨牵一发动全身的“浓汤”？

这里，我们不妨明晰一下“符号主义”和“神经网络”在方法论上的根本区别：

在“ 符号主义 ”的方案里，最小的零件就是“ 概念 ”。

例如：食物、酱汁、调味品、甜、味道、红色、番茄、美国、炸薯条、蛋黄酱、芥末，这些都是概念。

所有概念用规则相连，组成一个巨大的渔网。

而新概念，例如“番茄酱”，则可以挂在刚才这些旧概念网眼中的适当位置，成为新的绳结。

新概念无穷无尽，渔网上的网眼也无穷无尽；

旧规则不够精准，也需要用无穷无尽的新规则来完善。

例如：鸟会飞，企鹅是鸟，但企鹅是不会飞的鸟。

在“ 神经网络 ”的方案里，神经元所维持的基本元素可以称为 “亚概念”：一个概念可以从很多亚概念中涌现出来。

这意味着，一个亚概念发生了变化，将会潜移默化地影响很多个概念。

比如：我告诉你猩猩喜欢洋葱，那么你一定会猜，猴子是不是也喜欢洋葱？

因为在你的脑中，猩猩和猴子虽然是两个概念，但是他们共用了某些“亚概念”，例如多毛、动物、智力、灵长类、野性等等。

这里的关键是：

很多深层的亚概念是无法用语言形容的，它本质上只是某种神经元的“组合方式”。

但凡对自己的思维过程有过深刻反思的人，都会同意“ 神经网络”比“符号主义 ”更接近我们大脑的工作方式。

不过没人规定智能必须以类脑的方式实现，你完全可以“抄近路”。

而且造物主绝对是个“反鸡汤者”，因为 很多情况下抄近路就是有效的。

1970 年代，“符号主义”已经突飞猛进，能做出一些像模像样的推理，可是“神经网络”还停留在智障阶段。

这是一种极强的反馈。很多神经网络学者含恨倒戈，加入了“还原论”的阵营。

但辛顿无法说服自己。和小时候一样，他不能接受有什么东西违背了自己对世界构建的认知模型。

1972 年，他进入爱丁堡大学攻读博士，方向就是“神经网络”。

如果别人无法找出原因，他就得自己找出原因。

如无意外，这次找到答案，要比搞懂公交车上硬币爬坡花费更长的时间。

就在博士的第一年，辛顿看到了一个其他人工智能小组做的实验：

一台计算机，连着两个摄像头，系统要自主控制机械臂把积木搭成汽车的形状。

这对于当时的技术来说是地狱难度。因为系统视觉只能靠轮廓识别散落的积木块，一旦堆在一起，它就不认识了。

让辛顿难忘的瞬间出现了：机械臂退后了一点， 然后“砰”地一拳把积木堆打散。

如果有人这么干，你会觉得他是因为“做不到”而 沮丧 。在机器人挥拳猛击积木时，我感到了它有同样的情绪。

辛顿说。

拥有感觉，就是你开始渴望得不到的东西。

Blade Runner（1982）

03

桥

正如威廉姆斯所说：不同的思想一定反映了我们大脑内部不同的物理排列。

可摆在辛顿面前的问题是：

“宏观层面的思想”和“微观层面的神经排列” 像是两座孤岛，中间隔着汹涌莫测的深海，需要一座“桥”把他们联系起来。

这座桥是什么？

这一点上，辛顿是极其幸运的：无数巨人的肩膀正在前方，等待他拾级而上。

半个多世纪前，也就是爱因斯坦那一代科学家所掀起的物理学浪潮中，“最硬的脑壳们”向各个方向都撞出了一些空间。

在阐述“微观和宏观的关系”方面，最伟大的奠基者首推路德维希·玻尔兹曼。

玻尔兹曼发明了一套极其简洁的“ 统计+概率计算 ”的方法：

只要知道原子的原子量、电荷、结构等等微观特性，就能算出亿万原子在一起组成的宏观物体的物理性质，例如粘性、热量、扩散性。

也正是用同一套理论框架，玻尔兹曼解释了“熵”这个宇宙底层概念。

这就是 统计力学 。

Ludwig Eduard Boltzmann

然而，玻尔兹曼当时遭到了一众科学家的激烈反对，甚至对异教徒似的攻击。

一个重要的理由是：你竟然用“统计数字”、“计算概率”的模糊方法来解释具有确定性的物理世界，这算什么科学？

反对派科学家的愤怒，本质上只有三个字： 不承认 。

不承认这个宇宙的复杂性超越人类的计算能力；不承认人类拼尽全力也只能以模糊的方式把握这个世界。

但宇宙不会因渺小人类的愤怒而改换它的基本结构。

放弃对“精确”的执念，正是撕开迷雾，找到那座连接“宏观”和“微观”之桥的重要前提。

但这里存在一个问题。

假如，你把各种颜色的墨水混在一起。

它们肯定会经历一个混合的动态过程，最终会完全均匀。（此时每个分子在各种可能状态上的概率是相同的。）

玻尔兹曼的理论只能计算摇匀达到“稳态”之后的物理性质。

但人脑的微观结构，显然不是这种一团浆糊的“最终稳态”。

它很稳定，但没稳到这个份儿上，可以称为“亚稳状态”。

如下图所示：

同样由碳组成，钻石就是一种亚稳状态，石墨是一种终极稳态。但由于二者之间有势能壁垒，所以钻石很难*自动*转化成石墨。

同样道理‍，人脑的神经元结构也是亚稳状态，但它能维持相当程度的稳定。

玻尔兹曼作为先驱，能给辛顿的只有这么多了。

接下来，接力棒交给了另一位大神。

1982 年，一篇名为《具有涌现集体计算能力的神经网络和物理系统》的论文震撼了整个人工智能界。

而它的作者竟然是个“外行”——物理学家约翰·霍普菲尔德。

John Hopfield

要理解霍普菲尔德的洞见，首先要知道“最小化自由能原理”。

无论在什么物理结构中，系统总会尽可能对外做功——就像小球总会往低处滚那样。

滚到相对低位后，系统就达到了“最小化自由能状态”，从而实现稳定。

现在，我们想象一堆带有磁性的原子，它们在特定温度（居里温度）以下最终会朝向一个方向，这是它们的“最小化自由能状态”。

这个状态比较单调，无法承载复杂信息。

但通过一些操作改变原子间的结构，最终系统可以稳定在原子朝向不同方向的状态——这种状态就已经是它的“最小化自由能状态”了 。

这种结构被称为“ 自旋玻璃 ”（Spin Glass）。

这张图上方显示了一个“自旋玻璃”，它内部的无序性构成了一种稳态，产生了下方所示的复杂的“能量地形” 。

霍普菲尔德的神来之笔是：

他没有用现实世界的原子制造“自旋玻璃”，而是 用计算机的 0 和 1 不同的电位来替代原子状态，在赛博空间模拟出了“自旋玻璃”。

它也被后来人称为“霍普菲尔德网络”。

这只是示意图，真实的霍普菲尔德网络中的 0 和 1 要多得多。

理论过于抽象，我们可以做一个类比：

一颗星球如果全由水组成，在引力作用下，它最后的稳态肯定是一个完美的球体。波澜不惊，一团死寂。

但如果一颗星球存在丰富的元素，氢、氧、碳、铁，那么各种性质的结构之间就会相互摩擦、羁绊，最终稳定在一个宏观上类似球体，但微观上却山峦起伏的样貌。

霍普菲尔德网络就像我们地球表面的山峦一样。

与地球不同，霍普菲尔德网络中山脉的最终走向不是大自然创造的，而是人设定的。

设定的方法就是“ 训练 ”。

例如，我们用“26 个字母的形状”进行训练，最终这个霍普菲尔德网络的“地貌”就会被塑造成特定的样子，并且稳定在这个样子。（因为这个样子它的自由能就是最低的。）

此时，训练完成。

现在它具备了一个有用的性质：

假设我们从空中向下扔小球，它不会停在原处，而是最终会滚落到一个相对低的位置。

由于地貌很复杂，我们扔小球的位置不同，它最后滚落到的低点也不同。

然后我们试着利用这个性质：

同时从很多个点向下扔小球，他们最终会停留到不同的位置。

比如我们站在这片山脉的上空，按照这样的排列方式扔一些小球：

它们最后停留的位置是：

不用抑制你的欢呼。这，就是一个智能系统识别出字母“J”的过程。

现在我们回到霍菲尔德网络，揭开真相：

它就是一个通过微观上模拟神经元，从而在宏观上涌现出“记忆”能力的计算机系统。

记忆是一种高级的存储，它是智能的基础：

世界极其复杂，极其开放，每天都会出现新东西。

请到「今天看啥」查看全文