反思人工智能革命.docx

?

?

反思“人工智能革命”

?

?

金观涛

柯洁和AlphaGo的对决，再次掀起人工智能的讨论。伴随大数据时代的来临，互联网、人工智能、虚拟现实互相融合进而有可能重塑社会;特别是人工智能的蓬勃发展，似乎正在颠覆人类社会现有的组织、生产和生活形态。

本文力图从人类智能和社会长时段发展的视角，审视当下这场人工智能革命的实质，及其对现代社会的冲击。进一步来说，今天有必要在认识论层面上，理解“什么是人类智能”，重新界定人类智能的进步与社会形成、演变的关系。当前对这些问题的认识空前混乱，恰恰反映出科学被技术异化和人文精神的丧失。

一场退回到原点的革命

深度学习的基础是神经网络研究

当前正在发生的这场人工智能革命，实质是一场“退回到原点的运动”，由此所引发的讨论，在某种意义上也是对人类“智能”认识的大倒退。所有这一切都和人文精神的沦丧有关，特别是对人工智能的发展历史的忽略。

其实，早在“人工智能”这一观念出现以前，AlphaGo的工作原理已经被数学家和生理学家发现了。1948年，美国应用数学家诺伯特·维纳提出了“控制论”，促使智能研究的行为主义大转向。与今日人工智能研究直接相关的，是当时的自动机理论，麦克卡洛和匹茨的神经网络模型就是这类自动机之一，其被视作人工智能研究的连接主义学派（其对智能的认识也是行为主义的）的开创者。神经网络模型的基本思想极为简单——大脑神经元的工作原理和电脑工程师所说的逻辑门一样，一个CPU就是一个逻辑门的集合体。[1]在此基础上可以得到神经元的计算模型：系统的输入为I1，I2，…，IN，接受这些输入的神经元输出用如下法则规定：将这些信号经过加权（W1，W2，…，WN），如果其强度超过了一定的阈值（T），则该神经元就会发放一个信号y给其他神经元或者直接输出到外界。[2]这样，阈值的改变意味着输入和输出关系的变化。当阈值的改变由输出引起时，我们可以说这部自动机在“学习”。

简言之，复杂的智能行为被简化成机器对外界刺激的反应和反馈。低层次的反馈是达到目的的行动;高层次的反馈，因存在代表网络连接方式之参数随输出结果变化而不断地调整，其可以解释神经网络结构和相应行为模式的变化，也就是学习机制。

作为神经网络自动机的AlphaGo，其工作原理早已一清二楚，在今天没有新的内容。20世纪40?50年代，因电脑刚刚出现，加上数据量的限制，AlphaGo不可能被制造出来。近年来，伴随计算机硬件的发展，以及海量数据的积累，使得神经网络自动机的研究和制造突破了物质和技术條件的限制，这就是今天的人工智能“革命”。

仿生学和AlphaGo

既然早在20世纪40?50年代，AlphaGo的工作原理已得到清晰认知，为什么当时神经网络自动机的功能没有被冠以人工智能之名呢？因为神经网络模型对应的是生物本能，而不是人类智能。

举个例子。1959年，麦克卡洛、匹茨与美国认知心理学家杰罗姆·莱特文等合作完成了一篇论文——《蛙眼告诉蛙脑什么》。他们发现，蛙眼能看到的是相对于背景运动着并具有特定形态的物体，而对背景视而不见。如一只昆虫或者天敌的“影子”只要从眼前掠过，青蛙会立即做出反应：扑向食物或者逃进水中。麦克卡洛等人用一个神经网络的数学模型来解释青蛙看到了什么。蛙眼神经网络的功能是青蛙的本能，不能被视为智能。但是从神经网络来讲，它和AlphaGo没有区别。正因如此，当时神经网络自动机的研究对应的是仿生学。

生物神经网络的本能源于遗传，而AlphaGo的能力是通过学习获得的，两者似乎不可同日而语。青蛙对运动物体的反应快过人，狗的嗅觉是人不可能有的。这都是自古就广为人知的事实，从来没有人会认为它们能超过人类，因为人具有智能，生物本能不是智能。智能是一种学习能力，这正是AlphaGo引起广泛注意的原因。其实，上述疑问之所以产生，是出于对智能和学习关系的混淆。生物的本能亦是通过“学习”获得的，只是不被称为学习罢了。

什么是深度学习？其本质是神经网络结构（规定神经元联接之阈值）因网络功能而改变，它与生物本能因自然选择而形成的过程相同。AlphaGo通过人喂给它的大数据或下棋的胜负来修改网络结构，青蛙则通过适者生存进化出对运动物体做出迅速反应的神经网络，从结果规定网络结构这一点上看，两者一模一样。换言之，今日所谓系统的深度学习，其理论基础是行为主义和连接主义。学习机制为“自下而上”的选择路径，这只是生物学意义上“自然选择”导致物种形成的过程。只是生物界不需要某一物种以下围棋来生存，故自然选择这一“深度学习机制”没有创造出人所不能匹敌的围棋高手。

任何一种达到目的的过程和学习都需要不同层次的反馈，但这些高层次的反馈绝不等同于智能。其实，神经网络自动机在60年前并未被视作有智能的，人工智能研究的出现正是立足于对智能和本能的区分。

人类进化示意图