A-05-02-信息的施效理論(下)

一、萬物有靈

意識是什麼?這個問題是世界觀的基礎問題,一切世界觀概莫能外。自從人類誕生以來,我們一直試圖理解,我們是怎麼思考的,我們憑什麼感知、理解、預測外在世界。隨著人類對世界認識的不斷深入,這個問題由古代的靈魂之說發展成近代物質與意識的二元對立,並逐步轉移到現代的信息智能理論上面來。在古代,人們不理解意識是什麼,將靈魂當成了人類意識的來源。古人認為,不僅人有靈魂,日月山河、樹木花鳥等無不具有靈魂。靈魂有獨立性,人死後會離人而去,或寄存於海洋、山谷、動物、植物或他人身上,或進入轉世輪迴。人的靈魂與宇宙萬物的靈魂是相通的,可以相互轉化,這就是萬物有靈。

雖然古代人類均不理解意識的科學來源,但是全球各族人民在人類本徵態(本徵態,物理學名詞化用,這裡指人類的基本生理機制)的作用下,普遍獨自形成了認為人的意識來源於靈魂的靈魂學說。靈魂學說的細節集中在祖先崇拜和神靈崇拜兩方面。祖先崇拜是相信死去祖先的靈魂仍然存在,仍然會影響到現世,並且對子孫的生存狀態有影響的信仰。神靈崇拜是相信天地萬物皆有神靈,為祈求各種神靈庇護,不受各種邪惡鬼怪的侵犯,經常將祭品獻給神祗,希望能賜福平安。人類虛構神靈理念,用以理解自然界變幻莫測的現象,求得自身心理安寧。

在埃及,古埃及人信仰神的根深蒂固,他們堅信世界是眾神創造的,世代相傳的神話傳奇,讓古及文明充滿了神秘與魅力。古埃及人崇敬神,認為神無所不在。在一份古文獻上,埃及眾神共列出740位神祇,由此可見埃及人尊奉的神明之多。埃及的神祇大致上可分為三大類:一、與王權緊密結合或創造天地有關的神,如眾神之王—阿蒙Amon 、智慧之神-圖特Thout ……二、與來生信仰或喪葬有關的神,如死神-阿努比斯Anubis 、真理女神—瑪特Maat ……三、與家庭生活有關的神,如愛神-哈托爾 Hathor 、家庭保護神-貝斯 Bes……等等。

在希臘,奧林波斯十二神是古代希臘神話傳統崇拜的諸神中的主要神祇。這些神祇以宙斯為中心,居住在奧林匹斯山上。這些神祇中有十二位神,相對其他神祇更為重要,被稱為奧林波斯十二神。奧林波斯十二神主要是:宙斯(眾神之主,因武器為閃電權杖又被稱為雷神),赫拉(天后,婦女的保護神),波塞冬(海神),哈迪斯(冥王,地獄主宰),雅典娜(智慧女神、勝利女神和女戰神,阿瑞斯代表的是暴力與血腥之戰,雅典娜則代表正義之戰),阿波羅(太陽神),阿爾忒彌斯(月亮、狩獵與森林女神),阿弗洛狄忒(美與愛女神),阿瑞斯(戰神),赫菲斯托斯(火與工匠之神),赫爾墨斯(神使,冥界引渡),狄俄尼索斯(酒神)。

在南美洲,原住民都崇信太陽神,但是信仰的方式有較大不同。瑪雅人認為,羽蛇神(kukulcan),是太陽神的化身,為瑪雅人帶來雨季,與播種、收穫、五穀豐登。而印加帝國自始至終,上到印加王,下及普通百姓都尊奉太陽為唯一的主神,印加王族就自承太陽之子奉神命執掌世俗事務。阿茲特克人信奉多神教,但是也崇拜太陽,他們認為必須用人的鮮血供奉太陽,太陽神才有力量每天從東邊升起。阿茲特克人用活人當祭品的數量令人髮指,一天之內用掉數千人常有的事。這些人牲通常被斬首或剝皮,或是活活被挖出心臟,人牲被帶到金字塔的頂端 (最接近太陽的地方),屠殺後讓血沿著石階流下,真正血流成河。

因為受儒家的影響,我國神話也有神靈崇拜,但是在神靈崇拜的過程中,帶有了很多祖先崇拜的特徵。我們崇拜的神靈除了先天修成的女媧、伏羲等遠古大神,更多的神靈本身就是祖先真靈。如炎黃二帝,即是祖先,又是神靈。封神演義中,上古部落戰打成了排位賽,戰鬥結束後,排位,封神,祖先真靈依次轉換成了神靈。我國的古老神話中,還有一點好,就是萬物有靈。齊天大聖孫悟空,由一塊石頭受日月精華變化而來。白蛇傳中,白蛇不僅能修鍊成人,還會報恩,更為我們上演了凄美的愛情故事。

在萬物有靈的體系中,雖然人處於最高的位階,被稱為萬物之靈,但非生物、生物、人並沒有絕然的不同。這說明人類還是發現了非生物、生物、人之間的統一性。只不過古代人認為,靈或者生機可以依靠外在賦予或內部修鍊得到,比如金蟬子可以依靠聽佛經得道,白素貞則全靠自身修鍊得道。萬物有靈看似愚昧,但是卻有科學的內核。信息智能理論的一個基本立足點就是認為萬物有靈,這裡的靈,不管是高級的意識還是低級的反射,他們的本質都是信息的傳遞和轉換方式,都是信息體,都是智能體。非生物,作為一個系統,內部也存在信息轉化與傳遞,也是有靈的。唯物主義認為世界統一於物質,信息哲學進一步認為世界統一於信息,因此生命與非生命並沒有全然的不同,他們都是有靈的,只不過靈性有上下,智能水平有高低。有知識庫的系統,我們可以憑藉教育,或者信息輸入來提高事物的靈性,但這就是智能理論中的學習問題了,我們將在下文中予以介紹。我們在文章中提到的相關概念,有興趣的同學可以自行了解,我們這裡僅是最簡單的介紹。除了適應度這個概念是基本原創的,其它在學界均有一定的研究予以支撐。

二、適應度

信息的施效理論(上)中,我們介紹了可能性空間、自由度、自發目的這三個概念。可能性空間認為事物發展是可能的而非確定的。自由度是系統可能性空間的度量,事物發展的可能性空間越多,系統的自由度越高,系統更加有序。系統負反饋會導致系統向確定性的方向發展,形成自發目的。知道了可能性空間和自由度、自發目的這三個基本概念之後,我們就可以引入另一個基本概念,適應度。適應度是開放系統在外界條件下維持自身自由度,實現自發目的能力。適應度是理解智能這個概念的基礎。理解適應度這個概念要把握五點,一是開放系統,存在以物質為載體的信息和能量交換;二是外界即自然界,自然界的環境差異是巨大的。在個別極端環境中能夠存活,是適應度的體現,但是還要考慮極端環境出現的可能性,極端環境越常見,適應度越高;三是自由度不降,組織存在反熵運行,不會因為物質、能量、信息的交換導致結構崩潰;四是考慮比較標準,在條件不變時,自由度能上升的,適應度高;在條件改變時,能夠維持自身自由度不變的條件數量越大,自由度越高;五是能夠實現系統自發目的,系統的自發目的,是由系統的本徵態,即系統的自身信息結構所決定的,體現為多境一果。多境一果揭示了目的性的本質——不管條件如何,環境如何,最終結果總是一樣的。

生物體一般都是開放系統,也具備反熵運行能力。從生物學來看,單細胞、多細胞(植物、動物、人),他們的適應度是依次上升的。單細胞生物的典型是細菌,細菌雖然在極端條件下可以存活,但是在這種條件下細菌一般會轉換成芽孢陷入休眠狀態,已經不屬於典型的開放系統了,不能因此認為適應度理論存在嚴重缺陷。細菌中的特殊門類,古核細菌,雖然能夠在熱泉水、缺氧湖底、鹽水湖等極端環境中的生存,但是他們為了維持生存,已經進化出了和其他細菌不一樣的細胞構造。比如極端嗜熱菌,其細胞膜雙層類脂進行了共價交聯,成為兩面都是水基的單層脂,極大地增強了其耐熱性。但極端嗜熱菌,喜歡酸性環境,最適生長溫度為100℃,80℃以下即失活,適應度也不見得高。多細胞生物以上,就存在內環境問題了,多細胞生物內環境一般都是穩定的,外界條件的改變時,生物體依舊能夠維持自身自由度不變,這當然是具備高適應度的體現。

多細胞的生物,極端條件下的存活能力沒有細菌高,但是生物界在演化出單細胞生物後,還會進化出多細胞生物呢?原因在於單細胞生物由於結構簡單,個體微小,全部生命活動在一個細胞內完成,一般只能生活在水中,適應面有限,而且遇到不利環境只能採取消極的躲避,所以只能靠大量複製(繁殖)實現在消極環境中的適應性。多細胞生物,隨著結構逐漸複雜,不僅能適應環境,並且能通過影響環境使得種族的延續更容易實現,雖然繁殖方式複雜,繁殖速度相對單細胞生物慢,但是確保了後代的存活率和對環境的適應性。所以,從單細胞生物向多細胞生物的進化方向上來看,整體上的適應度升了。

如果我們理解了適應度這個概念,那麼智能的定義也就呼之欲出了。智能本質上是完成給定目標的能力,是系統維持自身適應度的工具。前面說的目標可以是系統自生的,也可以是外在設定的。外在設定的目標好理解,掃地機器人的掃地,圍棋智能AlphaGo的策略目標都是直觀的外在設定的目標。系統自生的目的,長期被作為內驅力看待,並不被當做意識中目的,但是這種觀點實際上是錯誤的。比如你說自己想喝水,喝水是你的目的,但是表面上的這種目的,其實是你內驅力驅動形成的(身體缺水),而這常常被我們的主觀所忽視。信息構成系統後,系統通過反饋預設目標,系統實現這個預設目標的過程,就是智能。這裡之所以要插入適應度這個概念,是因為通過適應度可以將控制、自組織、智能,這三大信息施效的基礎理論統一起來。

三、人工智慧

人工智慧(Artificial Intelligence,簡稱AI),是最新興的學科之一。認真的研究工作在第二次世界大戰結束後迅速展開,到了1956年,它被正式命名為「人工智慧」。同分子生物學一起,AI通常被其它領域的科學家譽為「我最想參與的研究領域」。物理專業的學生有理由感覺到,所有好的研究思想已經被伽利略、牛頓、愛因斯坦以及其他物理學家想盡了。然而對於AI來說,情況恰恰相反,這裡還有出現幾個新愛因斯坦的餘地。(人工智慧 一種現代方法 第二版)

人工智慧的定義可以分為兩部分,即「人工」和「智能」。人工和自然相對,意味著人類不僅試圖理解智能實體,還想建造智能實體,這比較好理解。但智能的定義還是比較混亂的,我們前文講到系統通過反饋能夠預設自發目標,系統實現預設目標的能力,就是智能,這只是一家之言,也不是人工智慧的主要研究方向。人工智慧的主要研究思路離不開兩組矛盾的組合,這兩組組合分別為人與理性的矛盾,思想與行為的矛盾。這兩組矛盾互相交織,形成了四條研究人工智慧的主要方向:擬人的思考系統;擬人的行動系統;理性的思考系統;理性的行動系統。

從歷史上看,所有這四個方向都有人做了大量工作,但在以人為中心的方法,同以智(理性)為中心的方法之間存在很大的爭議。以人為中心的方法一定是經驗科學,涉及很多假設和實驗證實。而理性主義方法則涉及把數學與工程相結合。這四種觀點之間互不相同,但又彼此交融。持有不同觀點的團體之間既相互不服,又彼此幫助。讓我們更仔細地看看這四種方法。

像人一樣思考的系統,該方向以認知科學領域的展開和探索為核心。作為交叉學科的認知科學領域,把來自AI的計算機模型與來自心理學的實驗技術相結合,試圖創立一種精確而且可檢驗的人類思維工作方式理論。認知科學一方面探索腦和心智的工作機制,研究我們自身是如何思考的;另一方面從問題解決模型入手,尋找使計算機和大腦一樣思考的方法。艾倫·紐厄爾(Allen Newell )和赫伯特·西蒙(Herbert Simon)於1961年設計了一個「通用問題求解器」(General Problem Solver),他們並不滿足於僅讓程序正確地解決問題,而是更加關心對程序的推理步驟軌跡與人類個體求解同樣問題的步驟軌跡進行比較。1975年,由於著名的美國斯隆基金的投入,美國學者將哲學、心理學、語言學、人類學、計算機科學和神經科學6大學科整合在一起,研究「在認識過程中信息是如何傳遞的」,這個項目標誌著認知科學的誕生。

像人一樣行為的系統,該方向以圖靈於1950年提出的 圖靈測試為標誌。圖靈測試設計的目的是為智能提供一個滿足可操作的要求的定義。他建議與其提出一個長長的而可能有爭議的清單來列舉智能所需要的能力,不如採用一項基於人類這種無可質疑的智能實體的辨別能力的測試。」如果人類詢問者在提出一些書面問題後,無法判斷答案是否由人寫出,那麼計算機就通過了測試「,這就是圖靈測試,也是最著名的人工智慧定義標準。

目前,我們要讓計算機通過圖靈測試還需要做大量的工作。計算機尚需具有以下能力:

自然語言處理,使得計算機可以用生活語言成功地進行交流;

知識表示,儲存它知道的或聽到的信息;

自動推理,運用儲存的信息來回答問題和提取新的結論;

機器學習,能適應新的環境並能檢測和推斷新的模式。

圖靈測試有意避免詢問者與計算機之間的直接物理接觸,這是因為人類身體和生理的模擬對於智能是不必要的。當然,所謂的完全圖靈測試還包括詢問者利用視頻信號來測試對方的感知能力,以及詢問者「通過窗口」傳遞物體給受試對象。要通過完全圖靈測試,計算機還需要具有:

計算機視覺,可以感知物體;

機器人技術,可以操縱和移動物體。

理性地思考的系統,該方向以形式推理為核心,俗稱符號主義。19世紀的邏輯學家發展出一種描述世界上的一切事物及其彼此之間關係的精確的命題符號。(與之形成對照,普通的算術符號主要用於描述數與數之間的相等和不等關係的命題。)到了1965年,原則上,己經有程序可以求解窟溝用邏輯符號描述的可解問題,。人工智慧領域中傳統上所謂的邏輯主義希望通過編製上述程序來創造智能系統。這種邏輯的方法有兩個障礙。首先,難以獲得非形式化的知識並得到邏輯符號表示所需的形式化表達,特別是在知識不是百分之百可靠的情況下。其次,「原則上」可以解決一個問題與實際解決問題這二者之間存在巨大的差異。甚至對於僅有幾十條事實的問題進行求解,如果沒有一定的指導來選擇合適的推理步驟,都可能耗盡任何計算機的計一算資源。儘管這兩個問題適用於痊溝建立計算推理系統的努力,它們最先出現在傳統邏輯主義中。

理性地行動的系統,該方向指的是理性智能體的方法。這種方法是《人工智慧 一種現代方法》的推薦方法,全書也是圍繞著理性智能體概念展開的。智能體(agent)就是某種能夠行動的東西,但是人們期待計算機智能體有其它區別於簡單「程序」的屬性,不僅僅能夠自主控制、感知環境、持續能力、適應變化、還有能力承擔其它目標。理性智能體要通過自己的行動獲得最佳結果,或者在不確定的情況下,獲得最佳期望結果。

四、人工智慧的 三大路徑(本節內容主要摘自《廣義人工智慧》)

前面我們介紹了探索人工智慧的四大方向,在這四大方向上,總的還可以歸納出結構模擬、功能模擬、行為模擬三大路徑。四大方向和三大路徑有一定程度的重合,比如理性地思考的系統本質上就是功能模擬方法,理想的行為系統和行為模擬密不可分。這裡我們對人工智慧設計的三大路徑進行介紹,幫助大家建立更加完整的知識體系。

功能模擬學派,也稱為「符號主義」學派,其主要學術觀點是:人腦、計算機都是物理符號系統,智能活動的基礎是物理符號系統,思維的基元是符號,思維過程即符號運算,智能的核心是知識,利用知識推理進行問題求解,知識可用符號表示,可建立基於符號邏輯的智能理論體系。主要科學方法:基於實驗心理學與計算機軟體技術相結合的,以思維過程的功能模擬為重點的「黑箱」方法。表性成果:1956年間世的第一個啟發程序「邏輯理論機」LT,1968年發表的第一個專家系統DENTRAL化學分析專家系統。功能模擬學派的發展途徑:啟發程序→ 專家系統。

結構模擬學派,也稱為「聯結主義」學派,其主要學術觀點是:智能活動的基元是神經細胞,智能活動過程是神經網路的狀態演化過程,智能活動的基礎是神經細胞的突觸聯結機制,智能系統的工作模式模擬人腦模式。主要科學方法:基於神經心理學與生理學的、以神經系統的結構模擬為重點的數學模擬與物理模擬方法。代表性成果:1943年問世的第一個人工神經細胞MP模型,1960年研製的感知機,1982年提出的全互連型人工神經網路Hopfield網路,1986年開發的多層感知機、「BP」神經網路。結構模擬學派的發展途徑:人工神經細胞→ 人工神經網路。值得注意的是,聯結主義看似和信息傳遞有關,但本質上還是信息轉換現象,神經細胞在每一次聯結時,不是信息的簡單傳遞,而已經包含了信息的加工和傳遞過程。

行為模擬學派,也稱為「行為主義」學派,其主要學術觀點是:智能行為的基礎是「感知一行動」的反應機制,智能系統的智能行為,需要在真實世界的複雜環境中進行學習與訓練,在與周圍環境的信息交互、適應過程中,不斷進化和體現。主要科學方法:基於智能控制系統的理論、方法和技術,以生物控制系統的智能行為模擬為重點,研究擬人的智能控制行為。代表性成果:1952年研製成功的第一個「控制論動物」—香農老鼠,1991年布魯克斯演示的智能機器人。「行為模擬」學派的發展途徑:控制論動物→ 智能機器人。

人工智慧的三條途徑,在學術觀點、研究內容、科學方法上,存在嚴重的分歧、矛盾和差異。「聯結主義」學派反對:「符號主義」學派關於「物理符號系統」的假設,認為:人腦神經網路的聯結機制與計算機的符號運算模式有原則性差別。「行為主義」學派批評:「符號主義」學派、「聯結主義」學派對真實世界作了虛假的、過分簡化的抽象,認為:存在「不需要知識」、「不需要推理」的智能。

由於人工智慧的三大學派存在分歧,人工智慧的三個層次「高層思維智能、中層感知智能、基層行為智能」也存在分離。所以,人工智慧學科缺乏統一的理論體系,各分支學科之間缺少相互的學術交流、分工協作,不利於人工智慧學科協調和高速發展。我們認為:功能模擬、結構模擬和行為模擬三大學派、三個層次、三條途徑是在人工智慧學科發展的歷史過程中逐步形成的。各有側重、各有特色,各有所長、各有所短,應當相互結合、取長補短、友好協商、彼此交流、綜合集成、協同工作。

五、智能體

人工智慧領域的經典教材《人工智慧——一種現代方法》提出了智能化智能體的思想。這和信息哲學的主體思想是一脈相承的。信息哲學一以貫之就是信息體的思想,一切事物本質上都是信息體的傳遞、轉化和施效。智能體是具備適應性的信息體,是一種特殊的信息體。

按照《人工智慧——一種現代方法》的劃分,智能體程序可以分為四種基本類型:簡單反射型智能體;模型反射型智能體;目標型智能體;效用型智能體。這四種智能體由低級到高級依次排列,適應性逐漸增強。我們用自動駕駛來舉例子。

簡單反射型智能體是最簡單的智能體。信息的施效理論(上)中提到的基礎控制模型,就是簡單反射型智能體的基礎模型。簡單反射型智能體的特點是基於當前的感知選擇自己的行動,不具備學習能力和知識庫。如自動駕駛智能體感知到前車尾燈亮,就條件反射立即剎車。下圖中只有感測器和執行器,基本沒有中間判斷的,就是簡單反射型智能體。

模型反射型智能體是具有知識庫的簡單反射型智能體。在不完全觀察的條件下,為了讓智能體對未觀察到的世界進行判斷,智能體就需要兩方面的知識庫,關於世界如何獨立發展的知識(如正在超車的汽車一般在下一時刻會從後方趕上來,更靠近本車)和智能體自身的行動如何影響世界的知識(如方向盤順時針轉,車右轉)。這種關於世界如何運轉的知識也被稱為世界的模型,所以使用這樣的模型的智能體被稱為模型反射型智能體。下圖中懂的世界如何演變,我的行動做了什麼的智能體,就屬於模型反射型智能體。

目標型智能體比模型反射型智能體更高級些。這裡的目標指的不是任何智能體都可以分解出的簡單目標,而是間接的,需要多步驟完成的複雜目標。基於目標的智能體的特點是通過搜索和規劃,尋找最佳的行動序列來達成目標。反射型智能體的內建規則直接把感知映射到行動,在感知到前車尾燈亮時就會剎車。而基於目標的智能體強調智能體能夠推理「如果前面的車輛剎車燈亮起表明它將要減速。根據智能體對己知的世界的理解,能夠達到不碰撞其它車輛的目標的唯一行動就是剎車。」下圖中有了「現在我應該採取什麼行動」的,就是目標型智能體。

效用型智能體將更抽象的效用設定為目標。品質和目標是兩回事,到達目的地僅僅是目標,但是更快、更安全、更可靠,或者更便宜則是品質。更先進的智能系統允許智能體對效用的多少進行比較,以保障目標的高品質實現。基於效用的智能體通過效用函數描述目標,當有多個互相衝突的目標,而只有部分目標可以實現時,智能體可以通過效用函數適當折中,如優先保證速度和安全,而非舒適。當智能體瞄準了幾個目標,而沒有一個有把握達到時,智能體可以效用函數能夠根據目標的重要性對策略進行加權,得出效用最大的方案。下圖中有了效用問題的就是效用型智能體。

人類作為萬物之靈是最高級的,人類的行為自然很大程度上體現為效用型智能體。現代經濟學的核心假設的經濟人、理性人,本質上的問題均是效用最大化問題。當然這個假設是有問題的,主要是沒有考慮到智能體的認知機制問題,我們以後還會專題去講。信息哲學期望自身能成為社會科學的一門指導理論,依靠的就是自己的理論基石能對世界,對自身,對社會進行更基礎的分析。能否運用信息哲學理論解構現代社會科學基礎理論,將是我們未來努力工作的方向。

六、知識與學習

(要點摘自信息科學原理與人工智慧——一種現代方法)

知識與學習這兩個概念,大家在生活中都有所接觸,孔子說「學而不思則罔,思而不學則殆」,這點出了學習的技巧和方法問題。儒家雖然帶有很多歷史糟粕,但是對學習理論,學習觀念的塑造大力推動了我國古代社會的發展,有著不可磨滅的貢獻。蘇格拉底、亞理斯多德等古希臘學者,既是思想家,也是教育家,也在不斷傳播關於學習的理論,可以說學習與教育問題是一切社會得以運轉的基本前提。資本主義啟蒙思想家盧梭,不僅寫出了《論人類不平等的起源和基礎》,《社會契約論》這樣的政治學經典著作,他在教育方面也頗有建樹,《愛彌兒》一書更是教育學理論中的著名文獻。

在我們這裡,學習和知識成為了一切事物發展的基礎,學習與知識理論在整個理論體系中獲得了更基本的地位。信息哲學理論中的知識和學習是尤其特定含義的,這裡我們區分知識與知識獲取,我們定義「知識就是先驗信息」。在完全可觀察的環境中,直接輸入的信息本身並不是知識,正如我們不會說人知識了(看到了)杯子。我們談起知識,離不開對信息轉換和推理的理解。在涉及部分可觀察的那環境中,知識和推理扮演著至關重要的角色。基於知識的智能體能夠將知識(先驗信息)和當前的感知結合起來,從面在選擇行動之前推導出當前狀態的隱藏部分。例如,一個內科醫師在選擇治療方案之前給病人做診斷—也就是說,推斷出無法直接觀察到的病理狀態。醫師採用的知識,某些是以從書本和老師那裡學到的規則的形式出現,某些則是以關聯模式的形式存在。雖然醫師無法對其進行有意識的描述,如果它存在於該醫師的腦海中,實質上對推斷過程產生影響,那麼它就可以被當作知識。

這裡我們定義知識是的先驗信息,是在抓知識最本質,最核心的東西。其他的知識定義,比如「知識是結構化的信息」,「知識是通過學習、實踐或探索所獲得的認識、判斷或技能」,「知識是認識主體所表述的事物運動狀態及其變化規律」等等,是從知識發現、知識管理角度提出的知識定義,實際上對知識進行了縮小解釋。如「知識是認識主體所表述的事物運動狀態及其變化規律」這個由鍾義信教授提出的定義,強調的正是知識的先驗性,在上文的例子中看病就是收集病人的信息,並通過先驗知識(規律)對這種信息進行預判並且得出結論。

在知識管理或者知識發現中,知識的結構性極為重要。知識可以是顯性的,也可以是隱性的;可以是組織的,也可以是個人的;可以是結構的,也可以是非結構、半結構的。結構化的信息具有清晰簡明,易於傳遞儲存和使用的特點,因此信息的結構化工作是信息管理的核心工作之一。為了獲取結構化的信息,我們通常要對信息進行預處理。信息的預處理可以分為表層信息處理和深層信息處理兩種類型。表層信息處理一般不改變信息的深層結構,比如為了便於對信息進行操作而進行的處理、為了快速流通而進行的處理、為了保存信息而進行的處理、為了實現共享而進行的處理、為了便於檢索而進行的處理等等都屬於表層信息處理。深層信息處理則要在一定程度上改變信息的深層結構,主要有為提高效率而進行處理、為提高抗干擾能力的處理、為提高信息的效用性而進行的處理、為提高信息安全性而進行的處理、為了提高可用度而進行的處理、為了生成知識所要講行的信息處理等六種類型。

學習與知識在邏輯上緊密相連,我們定義,智能體將外在信息轉換為自身先驗信息的過程就是學習。因此,智能體知識庫的改進過程也是學習,知識生成的過程也是學習。另外,知識推理是從舊有知識中導出新知識的過程,本質上也是一種學習過程。學習理論是信息哲學的重要基礎理論,是信息哲學試圖超越其他哲學理論的重要手段。

我們的智能理論建立在適應度理論上,是從智能體適應於外在環境這個角度建立起來的理論框架。智能體的本質就是對外在環境給出的信息輸入進行轉換和輸出,這裡的信息的轉化規則,我們可以稱之為本徵態,也可以稱之為先驗知識。在上文對智能體這個概念的介紹中,我們提到了簡單反射型智能體;模型反射型智能體;目標型智能體;效用型智能體,這四種基本智能體類型。在簡單反射型智能體中,由於只存在感測器和執行器,只能對輸入的信息存在簡單的處理,不具備專門的先驗知識庫,這種智能體是不具備學習能力的。 模型反射型智能體有了一定深度的知識庫,如果這個知識庫可以根據外在環境發生改變和調整,那麼我們就認為這個智能體有了一定深度的學習能力。模型反射型智能體是目標型智能體和效用型智能體的基礎,所以這三種智能體都可能有學習能力。

我們研究學習,研究知識,著眼點在於一般系統,而不是人類本身。換言之,這裡研究的目的是試圖使一般系統能夠具有「知識生成」的能力,所採取的基本研究思路是「擬人律」:借鑒人類科學實驗活動中的「知識生成」機制,尋求能夠在機器中實現的機理。雖然在人類的知識生成的機制中,有一些(特別是其中最為精彩的那些)機制是難以在機器中實現的。因此.不能奢望機器能夠具備同人類一樣精彩的知識生成能力。不過,即使如此,機器學習也仍然具有十分重要的意義。受擬人律影響,我們認為知識的生成有兩個基本途徑。一個是從實踐中逐步積累,把所觀察到的現象的共性核心升華成為概念,把所積累經驗的精華上升成為理論;另一個途徑是由已有的知識通過推斷產生新的知識。前者是由信息到知識、由具體到抽象、由現象到本質的過程,在邏輯上稱為歸納;後者是從知識到知識、由抽象到抽象的過程,在邏輯上稱為演繹。歸納與演繹,不僅是人類思維的一般方法,也是學習的一般機制

自AlphaGo戰勝李世石後,深度學習這個概念火了,我們這裡也順便介紹一下。AlphaGo電腦程序的技術基礎就是深度學習技術。我們前面介紹了聯接主義和符號主義。人工智慧研究的方向之一,是以符號主義的「專家系統」為代表的,用大量 「如果-就」(If——Then)規則定義的,自上而下的思路。而以聯結主義為核心的人工神經網路(Artifical Neural Network),標誌著另外一種自下而上的思路。神經網路沒有一個嚴格的正式定義。它的基本特點,是試圖模仿大腦的神經元之間傳遞,處理信息的模式。深度學習就是人工神經網路技術的一種改進模型。深度的深不是牛逼的意思,而是層級的意思。在神經元網路中,從一個輸入到一個輸出的最長路徑的長度就是深度。深度學習通過加權值來定義神經元之間的信息傳遞的強度,並通過組合低層特徵來形成更加抽象的高層特徵。深度學習的核心就是:計算、連接、評估、糾錯、瘋狂訓練。深度學習的特點是非線性、分散式、並行計算、自適應、自組織。深度學習有很多優勢,但其本質還只是一種權重的判斷方法,我們不應該對其有過高估計,人工智慧的局限性我們會在下文進行介紹。

七、規劃與決策

提出能達到一定目標的行動序列的任務稱為規劃,規劃本質上是問題求解的演算法。我們前面提到過,「信息加工、信息編碼、信息計算本質上可以看成兩種形式之間的映射關係,因此,信息變換規則也被稱為演算法」。在這層意義上,規劃本質上就是信息轉換問題,信息的施效性和信息的轉換性是密不可分的。另一方面,由於在管理學領域有個核心辭彙「決策」,決策是考慮在效用條件下的規劃問題,在概念上是可以被規劃合併掉的,所以這裡將規劃與決策並列,為以後的管理學理論和技數治理理論埋下伏筆。在信息哲學理論中,規劃與決策是同義詞,規劃就是決策,決策就是規劃,他們的本質是一樣的,我們在詞義上不進行區分,由大家根據自己的使用習慣來使用。

由於信息哲學的歷史任務在於啟發更多的人參與思考,沒有提到很多實際上的困難。信息哲學繞來繞去,就是希望建立起用規划去代替君子小人、自由人權的等傳統分析系統,把問題歸結為規劃和演算法問題。第一步是容易的。但是要尋找宇宙最本質的演算法,要通過更新的演算法解決世界中的實際問題,這則是困難的。孔子用克己復禮那一套對世界進行了解釋,把人分成君子和小人兩類,這是容易的。但是想要用君子和小人的劃分去解決實際問題,這則是困難的。諸葛亮在《出師表》中說「親賢臣,遠小人,此先漢所以興隆也」,但問題在於,誰是君子,誰是小人,往往事後才知道。明末清流自稱君子,但其已背離宗旨,熱衷黨爭,與齊黨,楚黨,浙黨,宣黨鬥法不止,並最終促成了明朝的滅亡,這顯然算不上君子。

人可以分為小人君子,演算法也可以分為經典規劃環境和非經典規劃環境兩大類型。經典規劃環境是指「完全可觀察的、確定性的、有限的、靜態的(只有當智能體行動時才發生變化)以及離散的(對於時間、行動、對象以及效果)環境」。相反,非經典規劃針對的是部分可觀察的或隨機的環境,這兩種環境涉及不同的演算法集和智能體設計,下面對三類經典的規劃與問題求解的演算法進行初步介紹。

(一)基於搜索的問題求解:

前面提到的簡單反射型智能體是最簡單的智能體,它們把行動建立在從狀態到行動的直接映射基礎上,非常簡單,但適應性不強。在映射太大而無法存儲或者消耗的時間太長的條件下,此類智能體是難以運轉的。更先進的是基於目標的智能體,它通過考慮未來的行動和對結果的需求來獲得成功。基於搜索的問題求解智能體是基於目標的智能體的主要規劃方法,分為無信息的演算法和有信息的演算法兩種類型。智能體通過構造行動序列達到目標的過程被稱為搜索。在智能體可以開始搜索解之前,它必須對目標加以形式化並且用目標對問題加以形式化。一個問題由四個部分組成:初始狀態、行動集合、目標測試函數和路徑耗散函數。問題的環境用狀態空間表示。一條穿過狀態空間從初始狀態到達目標狀態的路徑是一個解。問題求解演算法的結果不是failure(失敗)就是解,我們一般通過以下四種途徑來評價一個演算法的性能:「①完備性:當問題有解時,這個演算法是否能保證找到一個解?②最優性:這個搜索策略是否能找到最優解?③時間複雜度:找到一個解需要花費多長時間?④空間複雜度:在執行搜索的過程中需要多少內存?」時間和空間的複雜度往往要與問題難度的某種度量一起考慮。在理論計算機科學中,一個典型的度量是狀態空間圖的大小。因為狀態空間圖被視為要輸入到搜索程序的顯式的數據結構。

①無信息的搜索中(也稱盲目搜索)是除了問題中提供的定義之外沒有任何關於狀態的附加信息。可以做的事情只能是生成後繼,並區分目標狀態與非目標狀態。無信息搜索可以分為四種方法

廣度優先搜索選擇搜索樹中深度最淺的未擴展節點進行擴展。它是完備的,在單位耗散的情況下也是最優的,作為最簡便的搜索演算法之一,這一演算法也是很多重要的圖的演算法的原型。Dijkstra單源最短路徑演算法和Prim最小生成樹演算法都採用了和廣度優先搜索類似的思想。其別名又叫BFS,屬於一種盲目搜尋法,目的是系統地展開並檢查圖中的所有節點,以找尋結果。換句話說,它並不考慮結果的可能位置,徹底地搜索整張圖,直到找到結果為止。

一致代價搜索則從搜索的代價角度考慮問題,其實就是一個貪心搜索,取擴展深度最淺的節點,代價一致搜索擴展的是路徑消耗最低的節點n。如果所有單步耗散都相等的話,這種演算法就和廣度優先搜索演算法是一樣的。不過,這樣在擴展到一個具有能返回到同一狀態的零耗散行動的節點時就會陷入無限循環。

深度優先搜索選擇搜索樹中深度最深的未擴展節點進行擴展,也就是說先搜索一條路,直到不能走為止,換另一條路。這種方法既不是完備的也不是最優的。深度優先搜索有一種特殊類型,即深度有限搜索。這種搜索方式在深度優先搜索上施加了一個固定的深度限制,搜到這個限制後,就跳轉到其他節點進行擴展,而不是繼續深入。迭代深入搜索則使用不斷增加的深度限制調用深度有限搜索直到找到目標為止。

雙向搜索的是運行兩個同時的搜索,其中一個從初始狀態向前搜索,而另一個從目標狀態向後搜索,當它們在中間相遇時搜索終止。這個方案的原理是B

d/2

+B

d/2

<B

d

。雙向搜索的特點是可以在很大程度上降低時間複雜度,但是它並不總是可行的而且可能需要太多空間。

②有信息搜索(也稱啟發式搜索) 是知道一個非目標狀態是否比其它狀態「更有希望」接近目標的搜索方式。啟發式搜索在狀態空間中的搜索對每一個搜索的位置進行評估,得到最好的位置,再從這個位置進行搜索直到目標。這樣可以省略大量無謂的搜索路徑,提高了效率。在啟發式搜索中,對位置的估價是十分重要的。採用了不同的估價可以有不同的效果。

我們先看看估價是如何表示的。啟發中的估價是用估價函數表示的,如:

最佳優先搜索的最廣為人知的形式稱為A*搜索(發音為「A星搜索」)。它把到達節點的耗散g(n)和從該節點到目標節點的消耗h(n)結合起來對節點進行評價:f(n)=g(n)+h(n)。因為以g(n)給出了從起始節點到節點n的路徑耗散,而h(n)是從節點n到目標節點的最低耗散路徑的估計耗散值,因此f(n)=經過節點n的最低耗散解的估計耗散。這樣,如果我們想要找到最低耗散解,首先嘗試找到g(n)+h(n)值最小的節點是合理的。可以發現這個策略不只是合理的:倘若啟發函數h(n)滿足一定的條件,A*搜索既是完備的也是最優的。如果把A*搜索用於Tree-Search,它的最優性是能夠直接分析的。在這種情況下,如果h(n)是一個可採納啟發式--也就是說,倘若h(n)從不會過高估計到達目標的耗散——A*演算法是最優的。可採納啟發式天生是最優的,因為他們認為求解問題的耗散是低於實際耗散的。因為g(n)是到達節點n的確切耗散,我們得到一個直接的結論:f(n)永遠不會高估經過節點n的解的實際耗散.

A*搜索比較複雜,但我們這裡掌握一個觀念即可,啟發演算法是減少搜索次數的重要手段,信息哲學希望給所有人提供一套好的啟發演算法

目前,在人工智慧領域,比較經典的啟發演算法有: 蟻群演算法,遺傳演算法、模擬退火演算法等。

蟻群演算法是一種來自大自然的隨機搜索尋優方法,是生物界的群體啟發式行為。各個螞蟻在沒有事先告訴他們食物在什麼地方的前提下開始尋找食物。當一隻找到食物以後,它會向環境釋放一種揮發性分泌物pheromone (稱為信息素,該物質隨著時間的推移會逐漸揮發消失,信息素濃度的大小表徵路徑的遠近)來實現的,吸引其他的螞蟻過來,這樣越來越多的螞蟻會找到食物。有些螞蟻並沒有像其它螞蟻一樣總重複同樣的路,他們會另闢蹊徑,如果另開闢的道路比原來的其他道路更短,那麼,漸漸地,更多的螞蟻被吸引到這條較短的路上來。最後,經過一段時間運行,可能會出現一條最短的路徑被大多數螞蟻重複著。蟻群演算法的正反饋性和協同性使其可用於分散式系統,隱含的並行性更使之具有極強的發展潛力,現己陸續應用到組合優化、人工智慧、通訊等多個領域。。從數值模擬結果來看,它比目前風行一時的遺傳演算法、模擬退火演算法等有更好的適應性。

遺傳演算法(Genetic Algorithm)是一類借鑒生物界的進化規律(適者生存,優勝劣汰,遺傳突變)演化而來的隨機化搜索方法。它是由美國的J.Holland教授1975年首先提出,其主要特點是直接對結構對象進行操作,不存在求導和函數連續性的限定;具有內在的隱並行性和更好的全局尋優能力;採用概率化的尋優方法,能自動獲取和指導優化的搜索空間,自適應地調整搜索方向,不需要確定的規則。遺傳演算法的這些性質,已被人們廣泛地應用於組合優化、機器學習、信號處理、自適應控制和人工生命等領域。它是現代有關智能計算中的關鍵技術。

退火演算法來源於固體退火原理,將固體加溫至充分高,再讓其徐徐冷卻,加溫時,固體內部粒子隨溫升變為無序狀,內能增大,而徐徐冷卻時粒子漸趨有序,在每個溫度都達到平衡態,最後在常溫時達到基態,內能減為最小。根據Metropolis準則,粒子在溫度T時趨於平衡的概率為e(-ΔE/(kT)),其中E為溫度T時的內能,ΔE為其改變數,k為Boltzmann常數。用固體退火模擬組合優化問題,將內能E模擬為目標函數值f,溫度T演化成控制參數t,即得到解組合優化問題的模擬退火演算法:由初始解i和控制參數初值t開始,對當前解重複「產生新解→計算目標函數差→接受或捨棄」的迭代,並逐步衰減t值,演算法終止時的當前解即為所得近似最優解,這是基於蒙特卡羅迭代求解法的一種啟發式隨機搜索過程。退火過程由冷卻進度表(Cooling Schedule)控制,包括控制參數的初值t及其衰減因子Δt、每個t值時的迭代次數L和停止條件S。

(二)不確定性與概率推理

前文講到非經典規劃針對的是部分可觀察的或隨機的環境。在經典規劃條件下,邏輯方法使智能體能夠得到保證可行的規劃,但不幸的是,現實中的智能體均無法了解關於其環境的全部事實。智能體在不確定的環境下行動,就涉及不確定性與概率推理問題。不確定性與前文的可能性空間是對應的,信息是確定性的來源,不確定性=不完全信息,非經典規劃針對的就是不完全信息條件下的規劃問題。不完全信息意味著在演繹推理中可能進行的很多簡化不再有效。

我們可以用概率來表示不確定性,通過效用表達的偏好與理性決策通用理論中的概率理論相結合,稱為決策理論:決策理論=概率理論+效用理論。概率表達了智能體無法得到關於語句真值的確定決策的無能程度。概率概括了智能體的信心。基本概率語句包括簡單命題與複合命題上的先驗概率和條件概率。先驗概率是指根據以往經驗和分析得到的概率,如全概率公式,它往往作為"由因求果"問題中的"因"出現的概率。條件概率是事件A在另外一個事件B已經發生條件下的發生概率。條件概率表示為P(A|B),讀作「在B條件下A的概率」。

英國數學家貝葉斯對條件概率進行了研究,得出了P(A|B) = P(B|A)*P(A)/P(B)的貝葉斯定理,這個定理告訴我們,通常,事件A在事件B(發生)的條件下的概率,與事件B在事件A的條件下的概率是不一樣的;然而,這兩者是有確定的關係,貝葉斯定理就是這種關係的陳述。這個公式極度違反直覺,假設你參加一個電視遊戲節目,節目現場有三扇門,其中一扇門後面是一輛車,另外兩扇門後面則是山羊。主持人讓你選擇其中的一扇門。不妨假設你選擇了一號門吧。主持人故意打開了另外一扇門,比如說三號門,讓你看見三號門的後面是山羊。然後主持人問你,「你想改變你的選擇,換成二號門嗎?」一般人認為換門贏汽車的概率是1/2,換不換一樣,你會怎麼做?、根據貝葉斯定理,我們計A為選中汽車的概率,B為主持人選中山羊門的概率,則直接選中汽車的概率P(A)=1/3。如果主持人故意打開一扇錯誤的門,那麼P(B|A)=1,P(B)=1解得P(A|B)=1/3。因為P(A|B)代表了主持人打開後面是山羊的門,你當前選擇的門有汽車的概率,也就是如果不換會贏得汽車概率。這個概率是1/3,因此換之後贏得汽車的概率是2/3。所以換之後贏的概率更大。我們還可以繼續推理,如果主持人是隨意打開一扇門,那麼P(B|A)=1,P(B)=2/3,解得P(A|B)=1/2,換不換一樣。

貝葉斯定理告訴我們,要從概率角度理解世界,我們的觀點,應該隨著不斷更新的事實而發生改變。每一個新事實出現之後,我們就調整一下對這個事情的看法。我想,這也是馬克思主義事實求是活的精髓。

(三)基於多智能體的問題求解

對抗搜索:在多智能體環境中,其中任何智能體需要考慮到其它智能體的行動,及其對自己利益的影響。如果認為其他智能體是不可預測的、偶發的,那麼可以將模型歸為基於搜索的問題求解智能體來解決。當在競爭的環境中,每個智能體的目標是衝突的(當然可預測的),於是就引出了對抗搜索問題—通常被稱為博弈。數學中的博弈論(也是經濟學的一個分支)把任何多智能體環境看成是一種博弈遊戲,其中每個智能體對其它智能體的影響是「顯著的」,與智能體是合作的還是競爭的無關』。人工智慧中「博弈」通常是更特定的種類——專指博弈論專家們稱為有完整信息的、確定性的、輪流行動的、兩個遊戲者的零和遊戲。在我們的術語中,這意味著在確定性的、完全可觀察的環境中兩個智能體必須交替行動,在遊戲結束時效用值總是相等並符號相反的。對抗搜索過程中,需要牢記的一點就是總是做最壞打算,在決策的時候,總是認為對方會作出最佳決策。

合作規劃:當環境中有其它合作、競爭或協調的智能體時,多智能體規劃是必要的。多體規劃通過使用對聯合行動描述的有效分解來構造聯合規劃,但是如果兩個合作智能體要在執行哪個聯合規划上取得一致,必須以某種形式的協調來增強。一組智能體能夠確保在一個聯合規划上取得一致的最簡單方法是在參加聯合行動之前採用公約。一組智能體能夠確保在一個聯合規划上取得一致的最簡單方法是在參加聯合行動之前採用公約。公約是在對聯合規劃的選擇之上的任何約束,超過「如果所有智能體都採用則聯合規劃必須運轉」的基本約束。公約也會通過進化的過程出現。例如,群居昆蟲群體執行非常精細的聯合規劃,這被群體內個體的共同基因構造所推動。一致性也能通過公約的偏差會減少進化適應性的事實而被增強,所以任何可行的聯合規劃都能夠變成穩定的均衡。但是,公約被用來覆蓋個體多智能體規劃問題的全域,而不是對每個問題重新開發,這可能導致不靈活性和崩潰,如在網球雙打中當球在兩個夥伴之間大致等距離時所看到的。在缺乏可應用的公約時,智能體可以使用通訊(信息傳遞)來獲得一個可行聯合規劃的常識。例如,一個網球雙打比賽者可能喊「我的!」或「你的!」以指示一個偏好的聯合規劃。這就是聯合規劃的第二方法,通過信息傳遞(通訊)使系統協調。聯合規劃的兩種方法實際上貫徹於自然的自組織環節中,我們前文的相應章節已經講到過這個問題。

八、智能分類概述

萬物有靈這種舊瓶裝新酒的觀念我們已經樹立了。智能的本質適應性,我們已經確定了。智能體的概念與分類我們也講了。在通過求同得出一切適應性都是智能體後,我們還可以用求異的方法研究智能和智能之間的不同,這就是智能的分類理論。我們前面說的智能體的四種基本類型就是一種智能的分類理論。因為我們人類對智能現象的認識還不夠深入,目前還沒有科學的,標準的智能分級理論,這裡補充幾種流行的智能的分類方法,以便讀者對智能理論夠形成更全面的認識。

一、如果完全按照適應度來分,那麼適應度越高級的,智能也越高級,這種方法對生物體來說比較直觀有效。越高級的生物,適應能力越強,智能也就越高。但是適應性這個概念比較抽象,不同目的的人工機械,難以直觀的比較適應性,所以這個分類標準並不普世。我們只能說,在同樣的目的機制下,適應性更強的機械,智能更高。比如掃地機器人,能夠自充電的就比不能自充電的智能水平更高。但是切面機器人和掃地機器人,你就不能直觀的說,哪個智能水平更高。在適應度這個分類下,還可以分為強知識庫的和弱知識庫,強規劃能力和弱規劃能力的兩類標準。按適應度劃分,這是和本著一脈相承的分類方法,我們一直強調信息哲學希望建立起認識自然-人類-社會的一般方法。適應的概念源自達爾文的物種起源,至今依然有極強的生命力,我們需要做的僅是將其從生物界推廣到非生物界和社會理論中去。人類支配萬物,自詡為萬物之靈,也離不開自身高度的自然適應性和強智能能力。

二、按智商來分。按智商來分,實際上是按人的推理判斷能力來比較,這是一種直觀的常見分法,屬於我們前面提出的類人方向的智能評價標準。在特定領域,和人解決同樣的問題,即可按照人的智商數值得出系統的智能等級。據說目前百度搜索的智商水平可以達到4歲幼兒的水平,但是這種分類方法也不科學,一些基本智能現象,智商測試本身就是測試不出來的,比如掃地機器人,他的智商你就沒法測。智能領域有個莫拉維克悖論,講的就是「和傳統假設不同,推理等人類所獨有的高階智慧能力只需要非常少的計算能力,但是無意識的技能和直覺卻需要極大的運算能力。」用智商量化人工智慧比較簡單直觀,但科學性不高。智商理論的基本前提就是智力的差異可以定量化,沿著這個問題繼續探討就要分析智力的具體構成因素是什麼,再進一步就要會返回智力到底是什麼這個問題的原點,陷入循環論證。

三、和人類整體比對來分,可以分為弱人工智慧、強人工智慧和超人工智慧。弱人工智慧是能夠完成單方面工作的人工智慧,如切面,掃地,下棋等等。別看阿法狗戰勝了李世石,但是其能力還沒有超出弱人工智慧的邊界,你叫他打麻將他就蒙蔽了,大量基本程序都要重頭開始設計了。EXCEL等辦公軟體中簡單的數據處理能力,也是在完成單方面的工作,也具備適應性,其實也是弱人工智慧,只不過太弱智了,我們一般不將其當做人工智慧看。強人工智慧是和人類比肩的人工智慧,具備自我意識,能夠進行思考、計劃、解決問題、抽象思維、理解複雜理念、快速學習和從經驗中學習等操作,人類能幹的活它都能幹。創造強人工智慧比創造弱人工智慧難得多,我們目前還拿不出確定性的方案去實現它,只能在上文說的結構模擬、功能模擬,行為模擬這三條路上走一步再看一步。這三條路徑,我們明知是錯的,但是我們無路可走,只能依舊走下去。超人工智慧是牛津人工智慧思想家Nick Bostrom提出的概念,他把超級智能定義為「在幾乎所有領域都比最聰明的人類大腦都聰明很多,包括科學創新、通識和社交技能。」超人工智慧可以是各方面都比人類強一點,也可以是各方面都比人類強萬億倍的。由於超人工智慧實在太強了,所以自然也成為科幻界、宗教界熱衷探討的問題。信息哲學要搞出宗教理論,必然要在超人工智慧領域下手,奪取該領域的解釋權以和傳統宗教抗衡。

九、自我意識

從地球上生物的發展可以看到,有意識的前提是要有智能,沒有智能不可能產生意識。但有智能就一定會產生意識嗎?這可不一定。我們前面提到的,強人工智慧拿不出確定性的可實現方案,主要原因在於自我意識這個東西。意識是什麼根本搞不清楚,我前面說萬物有靈,意識源於信息,這是我們神經科學研究的結果,神經科學發現大腦的基本組成是神經細胞,神經細胞的基本功能僅僅就是通過釋放一些化學物質來傳遞激活或者抑制的信號,相當於一個個僅僅可以發出0和1這兩個信號的發生器,然後幾百億的信號發生器一互聯,在經過實踐訓練,自我意識就有了。你告訴我這其中發生了什麼,根本所不說不上來,只能用湧現,用系統生成原理去理解。所以信息哲學只是哲學,只是我造出用於對抗和吸收其他哲學理論的工具。但是,這裡有一點信息哲學敢說,「意識和自我不是物質,不是具體的物理實在,僅僅是信息系統為計算需要而建立的一個虛擬對象。」

所以,目前人工智慧根本不可能產生意識,因為我們根本沒有搞清楚意識產生的細節,人類目前的研究是如何讓它表現得更像智能一些。但是人的智能和人工智慧是完全不同的,人類越智能意識也就越強,但是這一點對人工智慧並不適用,計算機是在用擅長的運算和存儲能力來實現同樣的效果,因此,人工智慧在產生智能的過程中,看起來智能的結果跟人越來越接近了,但這條路徑不會產生意識的。也就是說,我們現在所做的大部分成功的人工智慧跟意識都沒有關係,跟意識的產生過程都沒有關係,基於大數據的這種方法,目前也看不到任何產生意識的跡象。大家都講人工智慧在很多領域戰勝了人類,好像它也會產生意識一樣,這是很大的誤區。(人工智慧和人的智能,一字之別差在哪?)

雖然人工智慧目前無法實現,但如果我們回到神經科學中去,沿著「意識是信息系統為計算需要而建立的一個虛擬對象」這條思路繼續走下去,我們自然會發現意識存在於系統之中,存在於神經網路之中,也正是因為如此,即使你腦袋偶爾被門夾一下,只要不因為腦細胞大量死亡造成網路崩潰,你依然還是你。既然如此,「自我意識」的就不應該僅僅存在於生物性的大腦中,理論上它可以從任何足夠龐大的平行分散式計算系統中湧現出來。也就是說,信息系統在滿足某些條件的時候,能夠產生稱之為「自我意識」的東西,未來有可能創造出機械意識。

最後,再介紹兩個關於意識的經典思想實驗,缸中之腦和中文屋。

缸中之腦:實驗的基礎是人所體驗到的一切最終都要在大腦中轉化為神經信號。假設一個瘋子科學家、機器或其他任何意識將一個大腦從人體取出,放入一個裝有營養液的缸里維持著它的生理活性,超級計算機通過神經末梢向大腦傳遞和原來一樣的各種神經電信號,並對於大腦發出的信號給予和平時一樣的信號反饋,則大腦所體驗到的世界其實是計算機製造的一種虛擬現實,則此大腦能否意識到自己生活在虛擬現實之中?如果一個大腦無法知道自己是在顱中還是缸中,因此這世間的一切可能都是虛假的、虛妄的。那麼什麼是真實?對此,筆者的觀點是,由於信息的等效性,大腦是無法意識到自己生活在虛擬現實之中的,但是這不意味著虛妄與真實之間存在絕對的對立。如果真有一台電腦,試圖傳來和真實宇宙一樣的數據,那麼這個電腦就是真實宇宙的擬態,和真實宇宙是等效的,不可區分的。我們前面講到過,宇宙的物理層是有可能轉換為信息問題進行描述的,信息本身就是實在,宇宙在本質上很可能是一台大型信息處理機,即使我們真是缸中之腦,我們也要用真實的心態去生活,只要我們感受到腦在顱中,那麼我們就認為腦在顱中,否則一切認識理論都無法建立,也違背奧卡姆剃刀原理。另外,缸中之腦這個問題是不可證偽的,我們在構建宗教理論的時候,還會用到它。

中文屋:中文屋實驗是用以反駁強人工智慧(機能主義)提出的主張「只要計算機擁有了適當的程序,理論上就可以說計算機擁有它的認知狀態以及可以像人一樣地進行理解活動」的思想實驗。這個實驗要求你想像一位只說英語的人身處一個房間之中,這間房間除了門上有一個小窗口以外,全部都是封閉的。他隨身帶著一本寫有中文翻譯程序的書。房間里還有足夠的稿紙、鉛筆和櫥櫃。寫著中文的紙片通過小窗口被送入房間中。房間中的人可以使用他的書來翻譯這些文字並用中文回復。雖然他完全不會中文,但通過這個過程,房間里的人可以讓任何房間外的人以為他會說流利的中文。「中文屋假設」主要是針對「圖靈機實驗」而提出的,提出者塞爾認為即便人類能夠造出完全符合「圖靈機試驗」要求的機器,也無法證明這種機器本身是具有意識的。筆者認為,賽爾的觀點已經融入人工智慧的基本理論體系中去了,中文屋子實驗並不能完全證明機器沒有意識,而是說表現得像有意識,並不一定真的有意識。

十、人工智慧的困境

對人工智慧的態度主要可以分為樂觀和悲觀兩派。悲觀派由比爾蓋茨、馬斯克、霍金等人構成,他們認為人工智慧會造成人類的滅絕,因此反對人工智慧。樂觀派由扎克伯格,吳恩達等人構成,他們認為人工智慧的技術還遠遠不值得擔憂。本著顯然執樂觀派的觀點。拋去意識問題和目前三大路徑自身的矛盾,對於悲觀派的觀點,人工智慧界至少有兩大實際困難難以解決,這些都是強人工智慧的重要阻礙。

一、莫拉維克悖論。莫拉維克悖論指出:和傳統假設不同,對計算機而言,實現邏輯推理等人類高級智慧只需要相對很少的計算能力,而實現感知、運動等低等級智慧卻需要巨大的計算資源。語言學家和認知科學家史迪芬·平克(Steven Pinker)認為這是人工智慧研究者的最重要發現,他認為:過去智慧最重要的特徵是解決那些困難到連高學歷的人都會覺得有挑戰性的任務,如象棋,抽象符號的統合,數學定理證明和解決複雜的代數問題。但經過35年人工智慧的研究,人們學到的主要內容是「困難的問題是簡單的,簡單的問題是困難的」。四歲小孩具有的本能,如─辨識人臉、舉起鉛筆、在房間內走動、回答問題等,過去是被認為不需要智慧的能力,而事實上這是工程領域內目前為止最難解的問題。隨著新一代智慧設備的出現,股票分析師、石化工程師和假釋委員會都要小心他們的位置被取代,但是園丁、接待員和廚師至少十年內都不用有這種擔心。

二、奇點理論陷入困境。奇點理論由未來學家雷蒙德·庫茲韋爾提出,該理論由摩爾定律的擴展定律(科技加速律)擴展而來,是相對於摩爾定律的二級推廣。奇點理論認為很多技術處於指數增長中,如晶元的計算能力,DNA技術,數據的儲存等等。他預測技術在突破一個稱之為奇點的臨界點後爆發性增長,在2045年左右會出現自己思考的人工智慧。謝熊貓君的著名回答《為什麼最近有很多名人,比如比爾蓋茨,馬斯克、霍金等,讓人們警惕人工智慧?》中很多論證實際上就是奇點理論的再表達。但是實際上,奇點理論的根基摩爾定律已經快失效了。摩爾定律認為,當價格不變時,集成電路上可容納的元器件的數目,約每隔18-24個月便會增加一倍,性能也將提升一倍。但摩爾定律只是硬體業經驗結論的總結,目前已經快到達物理極限了。現今各大廠商量產的最先進的半導體技術應該能做到22nm左右。一般認為,當器件尺寸小到5nm時,器件中的載流子的行為將要用量子力學的理論進行解釋,現今的半導體元件物理的知識幾乎失效,學界和產業界認為按照現有技術摩爾定律大概還能進行到7nm的技術節點。而7nm以後,大概將會有一個較長的周期才會產生下一代半導體技術。計算機科學界泰斗斯圖爾特?羅素, 加州大學伯克利分校人工智慧教授,在國際人工智慧聯合會議上把奇點理論狠狠的批評了一頓,因為人工智慧的進步不符合指數規律。由於運算速度被限制,未來人工智慧的發展必然會出現一個瓶頸期。阿基米德曾說過:「給我一個支點,我就能撬起整個地球。」但兩千年過去了,地球還是撬不起來。可控核聚變,上個世紀60年代就已經提出了,結果到現在變成了「永遠還需25年」的笑話(其實可控核聚變和信息理論還真不是不同的科技樹,可控的問題離不開前面說的控制論問題)。

目前,很多鼓吹人工智慧會滅亡人類的人,他們即不懂人工,也不懂智能。鼓吹「人工智慧毀滅人類」就是「炒作」,或是訴諸於恐懼,或是別有用心。在我們看來,這項技術遠遠不值得擔憂,人工智慧是機遇而不是危險。近百年來,西方文明處於人類文明的巔峰,他們恐懼任何形式的變革,他們害怕更強的文明體系像當年他們奴役我們一樣奴役他們。他們拍的都是外星人侵略地球,而我們只能不斷回顧當年被日本人支配的恐懼。有這個心情擔憂人工智慧毀滅人類,還不如擔憂擔憂美國的核彈會不會丟在我們頭上,至少這項風險更現實,可能性更大。

人工智慧目前的水平僅僅是有智能沒智慧,有智商沒情商,會計算不會算計,有專才無通才。我們要正確認識人工智慧的方法和理論是人類改造和認識世界的工具,不要奢望立即製造出強人工智慧,在弱人工智慧框架內,針對具體問題具體分析,讓機器幫助人類,沿著「人機共進」的道路,不忘初心、苦練內功,穩紮穩打,逐步接近強人工智慧。

另外,我國必須結合自身實際情況,以信息革命為契機,吸收最前沿的理論成果,推動自身社會文明的轉型。西方文明越害怕,我們越要努力,否則就不能實現彎道超車。我試圖建立的技數治理理論,就想進行這方面的探索,現在社會認可度不高,還需要各位同志共同努力。閉上眼睛,就想起國家、民族和自己被支配的恐懼,發展、發展、再發展!努力、努力、再努力!

參考文獻:

書籍:

《信息科學原理》 鍾義信

《人工智慧 一種現代方法》

《廣義人工智慧》

文章:

人工智慧和人的智能,一字之別差在哪?

人工智慧很可能導致人類的永生或者滅絕,而這一切很可能在我們的有生之年發生。謝熊貓君

以及知乎部分相關回答和百度百科


推薦閱讀:

【認真想】對不起,我其實不是作家
從廣告看信息時代的注意力匱乏症
【學心理,救自己】系列之解讀「人生腳本」十三 | 禁止信息是書寫腳本的主要依據(二)
為什麼輪子轉起來後,尤其是轉得比較快的時候,會感覺是向相反方向轉動的?
連面試機會都沒有,是因為你的簡歷慘目忍睹

TAG:人工智能 | 哲学 | 信息 |