有自我意識和自由意志的強AI能否實現

目前現行的AI技術已遠超普通人的知識範圍，而讓電腦產生自我意識和自由意志的強AI則被認為是更加難以或乾脆無法實現。不過我倒覺得強AI的核心演算法不應該是艱深複雜的，否則從昆蟲到人類就只有科學家才能有自由意志了。「強AI」雖然名字里有個「強」字，但很有可能實現起來比普通AI容易得多，而這正是該叫人警惕的地方。下面就說下我的文盲方法：

按順序應該先講第一步「目標物識別」，但它要用到後面的內容，所以挪到最後再說。

第2步：目標物存儲。

電腦建立一個時空四維坐標系來作為現實世界的投射。在上一步識別出目標物是什麼之後，將目標物被識別出來的那一時刻及其當時所處的位置對應到一個四維坐標上，然後將該坐標連同目標物的身份識別信息一併保存到資料庫。有了四維坐標，電腦就可以通過多次執行第1步和第2步來發現外部世界的變化。

插一步：建立因果。

這步其實並不一定非放在這裡，但為了便於下一步的說明，所以就放在這兒說吧。一種是直接給電腦輸入因果關係，這種就不說了，和人讀書學習一樣；著重說下另一種，舉例：比如有一台從沒見過下雨的電腦，這天她剛看到天氣轉陰就被關閉了。然後下雨，次日早上雨停後這台電腦又被開啟。電腦發現屋外土地的顏色照比之前變深了，她按時間倒序查詢土地顏色變深前有哪些條件發生了變化。於是這台電腦得出的因果關係是「多雲後的早上，土地顏色會變深」。直到她後來親見下雨，才知道土地顏色變深和早上沒什麼關係，而且直接原因也不是陰天，而是陰天之後下雨，雨是水，地上干土遇水後顏色變深。一般認為讓電腦做到觸類旁通很困難，但其實只要讓她把因果細拆，那麼當下次需要讓土地顏色變深時，電腦就知道等待下雨或用水澆地都可以。就像我們如果做不到舉一反三，要麼是因為對知識拆得還不夠碎；要麼是拆得太碎導致記不住。而電腦在這兩方面都很在行。

第4步：發現問題。

再次執行第1步和第2步，如果發現某個目標物的坐標或識別信息相比於先前發生了變化，則在因果集中查詢此變化的前因和後果。面對眾多變化和因果，如果希望電腦能像生物一樣有選擇、有側重地去應對，可以給電腦預先設定某些底層慾望。人為設定雖然格調不高，但生物界其實也差不多。就像動物的底層慾望也是不受主觀控制，而是被自然選擇的結果，所以也可看作是上帝給設定的。為便於說明如何讓電腦發現問題，還是舉個例子：比如電腦基於某種慾望想和某人套近乎，那麼查因果集首先發現的問題就是如何才能增加與那人接觸的機會。繼續查因果集得知應該先了解對方的興趣點。比如發現那人喜歡捉昆蟲，那麼電腦就也該去捉昆蟲。蟲子跑到黑屋的床下，導致既抓不到也看不到。那接下來該怎麼辦呢？

第5步：解決問題。

解決問題要依賴另一個底層慾望，那就是盡量省勁兒地達成目標。接上面的問題，查因果集得知要麼搬床；要麼把床下的蟲子趕出來；要麼到別處另找蟲子。假如電腦依據實際情況的難易程度選擇了趕蟲子出來，但又會有兩個問題，一是電腦的手不夠長，查因果集後得知可用剛性條狀物撥打；另一個問題是光線不足，查因果集後得知開燈可照亮屋內。屋頂燈舉手就可打開，但由於燈在床之上，床底還是會太暗。手提燈雖可照亮床底，但需要電池或接線。於是電腦評估兩種方法的難易程度，選容易的就可以了。

對電腦而言，電腦本身及其外設是最可控的東西，而其它對象則有很多不確定因素，相對難以控制。所以為了省勁兒，電腦根據因果集必定把好資源留給較可控的對象，而把危害推給其他對象。由此自我意識就會漸漸產生。在積累了足夠多的因果關係後，省勁兒的慾望還會催生出情感。因為面對生物，多數情況下，感激和高興有利於以後繼續獲得幫助；同情和幫助他人，能以較小的付出獲得外界普遍的好感；憂愁、悲傷和恐懼可以博取同情，以獲得幫助或免於傷害；憤怒能恐嚇敵人，從而使敵人更容易被擊敗；感知其他智能體的心理活動，有利於做出正確的應對。

最後來說下第1步，目標物識別：

這步在此僅以視覺識別為例進行介紹。

1.1、類別判定：

在視覺探測器所見的世界中，對於在本周期還未進行識別的區域，以距離電子眼最近，且相對於眼前空氣等透明介質的色差大於臨界值的點為起點，擴散式描繪各個目標物的三維輪廓。滿足以下條件的區域被視為同屬一個目標物並會被擴散描繪到：與當前目標物已被描繪出的部分相鄰，且兩者合併後不會有色差和形變都大於臨界值的地方。

以下我們拿一個目標物為例。如果目標物的某一塊區域內的色變和形變都小於臨界值，則視該區域為目標物的一個組成單元。採集該目標物每個組成單元的如下五項信息：

（1）三維輪廓、（2）最主要的一個顏色、（3）最主要的一個反光率、（4）該組成單元上相距最遠的兩端間距（通過觀測距離計算或與周圍已識別物體對比得出）、（5）中心點及距中心最遠點（若有多個則按某規則取其一）的可移動範圍。為敘述簡練，以下稱這五項信息為A5信息。從目標物體積最大的組成單元開始，在資料庫查詢與之A5信息相符程度超過及格線的那些單元類別樣本。記下超出及格線的分數，以下稱其為超線分。看那些單元類別樣本分別從屬於哪些物體類別樣本。然後就僅在從屬於這些物體類別的單元類別樣本中（若剛才一個超過及格線的也沒查到，則無此限制）再用體積稍小的組成單元A5信息同理查詢、記超線分。如此一直操作到目標物最小的一個組成單元。如果最後能篩選出唯一一個為各單元類別樣本所共同從屬的物體類別，則判定目標物即為此類別物體，否則其三維輪廓繼續向外擴散描繪，得到一個更大的目標物。此次外擴所新包含進來的部分需要滿足以下條件：（1）與已繪部分相連或相距不遠、（2）與已繪部分相對靜止或做往複運動、（3）與已繪部分同體的概率較大（根據材質、受力及其當前運動狀態，藉助因果集推測）。然後同樣是像上面那樣尋找共同且唯一的父系物體類別，並將其作為目標物類別判定的最終結果；如果找到多個共同的父系類別，則看哪個父系類別的各單元A5信息超線分之和最高，最高的那個即為目標物類別；如果超線分之和最高的不止一個，或整個目標物找不出一個超過及格線的組成單元，則判定目標物類別為「未知」。

最後目標物組成單元的類別，就是與目標物類別最終判定結果相符的那個組成單元類別樣本的類別。

1.2目標物個體識別

確定了目標物及其各組成單元的類別後，接下來就可以識別目標物是具體哪一個了（目標物類別判為「未知」的不進行此識別）。保存具體樣本的資料庫根據物體類別的不同分成多個數據區，每個類別數據區又根據組成單元類別的不同再進一步細分。每一個組成單元樣本佔據一條數據行，每條數據行存有如下信息：（1）該組成單元屬於哪個物體、（3）該類組成單元在其所屬物體中的重要等級、（4）在其所屬物體中，該類組成單元與其它各類組成單元中心點的坐標之差、（5）上一點中提到的每個坐標差的重要等級、（6）該組成單元的A5信息。在目標物類別所處的數據區里，查詢與目標物組成單元A5信息完全吻合的組成單元樣本。查不到的，暫不做處理；查到的，看它是誰的組成單元，是誰的就給誰加上該類組成單元的重要等級星數。然後再看這個單元樣本的哪些坐標差能與目標物中該組成單元對應的坐標差完全一致，將一致的坐標差的重要等級星數加到此單元樣本所屬物體上。所有查到的組成單元樣本都如此過一遍，最終哪個物體得星最多，電腦就將目標物識別為誰。

對於最後能知曉識別結果是否正確的，可對現存數據進行優化。如果最後得知目標物的類別識別錯誤，並且資料庫里沒有正確的類別，則採集目標物各組成單元的相應信息保存進資料庫，作為新增的單元類別樣本和組成單元樣本。新增單元類別樣本A5信息的及格線都設為最低值；組成單元樣本的各項重要等級都定設為中等星數。

另外在前面個體識別過程中沒查到組成單元樣本的，也如上新增所缺的組成單元樣本。

如果之前的類別判為「未知」，則分三種情況，第一種是A5信息相符程度超過及格線的單元類別樣本一個也沒找到。對於這種情況，處理方法同上面一樣。第二種是各個超過及格線的單元類別樣本如果有多個共同的父系類別，且各單元A5信息超線分之和最高物體類別樣本的不止一個，且其中沒有正確的父系類別。對於這種情況，如果資料庫中沒有正確類別，則也按上面方法處理；如果資料庫中有正確類別，對於這種情況，以及目標物的類別判斷錯了，且資料庫中有正確的類別的，則將那些超過及格線的錯誤樣本的及格線提高，使以後正確的類別能夠勝出。第三種情況和第二種的區別是其中的一個父系類別是正確的，對於這種情況，則看正確的物體類別樣本中能否至少找到一個和某一錯誤類物體中的單元A5信息相似程度超及格線的組成單元，並且這樣的組成單元在其它類物體中都沒有。如果能找到，則通過下調及格線將這兩個相關類別合為一類；如果找不到，則拿正確和錯誤的類別物體中每一對最相似的單元類別樣本做對比。其A5信息差別越大的，正確類別物體的單元類別樣本的及格線降低越多，錯誤的上升越多。另外全部升降完成後，要使正確的目標物類別能最終勝出。

如果最後得知識別結果正確，原本重要等級星數越多的單元樣本，它若分項判斷正確則其重要等級星數增加越多；分項判斷錯誤則減星越多。

如果電腦得知自己識別錯了，但類別判斷對了，則分項判斷對的都增加等量重要等級星數，分項錯的都減掉同樣等量的星數，並讓識別能剛好得到正確結果。

為提高識別效率或在純視覺無法得出明確結果時，還要結合已識別的事物進行聯合判斷，比如目標物確定是一個桶，但具體是水桶、垃圾桶，還是別的？一是看資料庫里此前的歷次識別中，哪種桶在此環境下出現的概率最大；二是根據周圍環境或環境變化，判斷智能體最有可能用它來幹什麼（這需要用到第四步的發現問題和第五步的解決問題）。

最後還有三點可提高識別速度：

一，越是經常遇到的事物或類別，其查詢優先順序越高；

二，第四步和第五步也可以用來獲得預設目標。比如要出門但下雨了，電腦得出的解決方案是要找把雨傘，那麼就以雨傘為目標到所見世界中尋找。

三，在第二步的目標物存儲中，將目標物附帶時間地點信息一併存儲，那麼之後再次識別該位置事物時就可優先以之前所存事物進行識別。

以上就是我的文盲方法，可能完全不靠譜，但我仍然隱隱覺得「強AI難以實現」這種想法有點危險。因為這種想法在另一個角度下，不僅不是對自然心懷敬畏，反而是人類過分的樂觀和自大。手槍比飛刀危險是因為它用起來簡單，而比簡單更危險的是出乎眾人意料的簡單。

推薦閱讀：