从辩证逻辑到人工智能三

从辩证逻辑到人工智能（3）孙二林从辩证逻辑到人工智能-32/26目录目录..................................................................................................................................................2第三章巨脑...............................................................................................................................31.5种巨脑............................................................................................................................42.新时代背景.......................................................................................................................83.第6种巨脑.....................................................................................................................144.它会出现吗？.................................................................................................................25从辩证逻辑到人工智能-33/26第三章巨脑雅道尔刚好醉得肯接受这打赌，却也刚好清醒得可以进行所需的操作。他用符号和一大堆运作指示，把问题重新草拟。按照日常的用语，那问题大概是这样：“人类可否在太阳老死之后，无需净耗一丝一毫的能量，而终有一天把太阳恢复年轻时的旺盛？”整个问题又或者可以更简单地读成：“怎样才能使整个宇宙的净熵大幅度地减低？”“茂的模”突然变得死寂静谧。那徐徐闪动的亮光熄灭了，远处电讯传送的卡嗒声也停止了。就在两个吓得半死的技师，感到再也按捺不住之际，附属于“茂的模”某处的电讯机忽然恢复了生气，在吐出的纸带上，打了八个大字：“资料不足，无可奉告。”——阿西莫夫《最后的问题》从辩证逻辑到人工智能-34/261.5种巨脑阿西莫夫是一位众所周知的科幻作家，他也是一位职业科学家（生物化学教授）。《最后的问题》是他最满意的短篇小说，发表于1956年，是与图灵的《计算机器与智能》同时代的作品。在这篇小说中，阿西莫夫把超级计算机（或者说巨脑）与热力学第二定律（或者说宇宙的命运）联系在一起，认为：巨脑要解决的，其实就是宇宙命运的问题。这一深邃观点足以证明，阿西莫夫对科学和机器的某些理解要超过图灵。机器像不像人，有没有人的智能，这个问题在很大程度上取决于机器的定义。如果机器定义为可以有生物遗传，那么人本身就是机器的一种，所以至少有一部分机器可以有人的全部智能。如果机器定义为不可以有生物遗传，那么人至少会一件机器不会的事情即生物遗传，所以机器就不可能有人的全部智能。由此可见，“人工智能”是一个模棱两可的概念，纠缠于这个概念本身是没有意义的。把“制造像人一样的机器”或者“实现人工智能”做为目标也是没有意义的，因为这个目标早就实现了，在人生人的第一天起就实现了，毕竟没有什么其他东西比人更像人了。人工智能只是一种技术手段而非最终目标，说白了就是仿生技术的一种。莱特兄弟研究飞鸟不是为了造一只鸟，而是实现人类腾飞的梦想。同样，研究人工智能也一定不是为了造一个人，而是参考人的一些生物结构和思维方式，制造更强大的机器，帮助人类解决更多的问题。人类需要解决什么问题呢？用阿西莫夫的话，就是实现熵的反转。用产生论的语言，就是获取不确定性排放确定性。说到底，人类根本不关心机器像不像人，也不关心机器的智能有多高，人类关心的是，机器能不能为自己解决这个问题。需要注意的是：目标比手段更重要。为了达到目标，可以采取一切所能采取的手段。为了制造最强大的机器，我们可以采取过去的成熟技术和现在的流行技术，同时也要敢于创造新的技术，甚至是新的思路、新的逻辑理念。那么，现有的巨脑们距离目标还有多远呢？现有的巨脑大致可分5种类型：超算型、百科全书型、认证平台型、人工智能型、人机智能型。所谓超算型巨脑，指的是包括IBM在内的传统超级计算机。这些超级计算机无论软硬件还是计算能力都很强大，从单机的角度来讲要超过其它计算机。它们用于国防、研究所、天气预报、金融交易等预算充足、计算密集的部门和企业。但它们的研制和维护成本太高，用户数又太少，效益有限。它们虽然来自于阿西莫夫时代，但却不是阿西莫夫所指的为全人类服务的“茂的模”。深蓝战胜了人类棋王，虽具有划时代的里程碑意义，却也是一个“为了人工智能而人工智能”的鸡肋。它证明了这样一件事：机器即便在某方面超越了人类，也成为不了人，更取代不了人。所谓百科全书型巨脑，指的是维基百科这样的在线百科全书。维基把百科全书从线下搬到线上，还组织了许多态度严谨的专家学者定时更新，让包括本文作者在内的许多人可以免费查阅高质量的专业知识，这是一件有益于人类的善举。但是，维基上的知识是死的知识，它们本身不能运算不能应用。只能人工编写、人工查阅，理解以后再人工运用。当然知识的自动积累和自动应用是非常有挑战的事情，但这也应该是未来的突破点和发展方向。所谓认证平台型巨脑，指的是包括腾讯和阿里巴巴在内的大型网络认证平台。它们的共同特点，就是基于互联网和移动网，为数亿人提供认证、社交、电商、支付等服务。由于所从辩证逻辑到人工智能-35/26提供的服务全都基于个人信息，因此必须首先进行身份认证，也就是登录。这些巨脑的优势是积累了海量的个人信息，劣势是在公开数据（如维基）和尖端技术（如人工智能）方面比较欠缺。所谓人工智能型巨脑，指的是谷百这样的搜索引擎巨头。它们都靠互联网搜索引擎起家，目前都在投巨资开发深度学习、神经网络这样的人工智能技术。与IBM不同的是，它们不是为个别有钱单位、而是准备为全人类提供人工智能服务。从这个角度来说，它们比较接近于“茂的模”。而且它们也在投资其它新技术和新能源，这就更像孜孜不倦解决宇宙命运问题的“茂的模”了。但是，它们所走的人工智能道路是唯一正确的道路吗？如果这条道路是正确的，为什么不能解决新技术和新能源问题，却要另起炉灶分散投资？谷歌把人工智能和新能源当成两件事来做，正好说明人工智能不能解决能源问题。所谓人机智能型巨脑，指的是苹果、小米、微软这样的软硬件一体、终端加应用商店的系统解决方案。软硬件一体本不新鲜，传统的超算都是这样。但苹果把它的用户规模、人机交互界面、在线应用都做到了极致，往人机合一的人机智能方向迈了一大步，由此成为最成功的企业，并招来一大批追随者。但它们服务端的技术和知识体系还有所欠缺。下表是5种巨脑的主要区别：巨脑类型超算型百科全书型认证平台型人工智能型人机智能型典型厂商IBM维基百科腾讯、阿里巴巴谷百苹果、小米、微软数据类型专业数据知识个人数据知识、公开数据个人数据人机比例较均衡偏人工较均衡偏机器较均衡软硬比例软硬一体偏软件偏软件偏软件软硬一体用户群少数高端用户大众用户大众用户大众用户大众用户主要优点单机实力强知识质量高用户黏性高技术高利润高主要缺点用户数太少过于依赖人工公开数据薄弱过于依赖机器公开数据薄弱下面再从知识、人机、产业3个角度，分析5种巨脑的主要局限。一、知识的角度。知识（即上一章所说的信息）大致可以分为抽象知识和具体知识两大类，抽象知识主要指各个学科，它们可以看成是群体层的知识。具体知识主要指各种数据，它们可以看成是个体层的知识。在各个学科中，有少数几个最基础或者说最顶尖的学科，例如哲学及逻辑学。再往下大致可分为数学、自然科学、社会科学3大类。数学中又分统计学、几何学、代数等，自然科学中又分物理学、化学、生物学等，社会科学中又分经济学、心理学、历史学等。数据包括公开数据和个人数据两大类，公开数据又包括地理数据、大气数据、物理数据、化学数据、经济数据等。个人数据又包括通话数据、交易数据、轨迹数据、关系数据、健康数据等。一般来说，“数据”指的是具体知识，而“知识”指的是抽象知识。数据的量比知识要大得多，价值却低得多。个人数据肯定是有价值的，但由于涉及到隐私和法律问题，所以不能轻易使用。目前各种巨脑，除了百科全书型巨脑以外，一般都在存储和处理数量庞大、价值又很低的公开数据和个人数据，这就是它们为什么动辄使用“XX万台服务器”的原因。而百科全书型巨脑中的知识虽然价值很高，但基本是静态的，只能手工编辑、手工查看，其中的知识没有运转起来，价值也就没有发挥出来。因此，5种巨脑都没有把知识充分利用起来，这不能不说是一个遗憾。知识不仅仅是一本本枯燥无味的教科书，它们是人类几千年文明的结晶，它们的产生成本是非常高昂的，它们的价值只能用无价来形容。当然，知识的利用也是非常困难的，目前从辩证逻辑到人工智能-36/26还只能采用人工理解、人工编程的方法来一门一门学科地加以利用。比如，大气科学家利用大气知识，编制大气环流模拟软件，用以预报天气。心理学家利用心理学知识，编制心理分析软件，用以分析心理。假如能打开知识的宝库，用知识“自上而下”地统领庞大笨拙的数据，就像空军支援陆军一样，那就能极大地提高数据处理效率、减少数据存储空间、降低成本。还有最重要的：真正解决人类所关心的问题。别忘了，现有最好的搜索引擎所返回的结果中，也包含着许多垃圾。二、人机的角度。上一章有一个重要结论：人工智能（即机器的智能）是非常有限的，只有人机高度结合的人机智能才能达到较高的智能水平。再看5种巨脑就会发现，包括谷百、腾讯、阿里巴巴等在内的各种巨脑，它们无论是人力、机器还是资金投入，都是维基百科的成百上千倍，但它们的流量排名与人工编辑为主的维基差不多甚至还不如维基。维基是非营利组织，而别的巨脑都是上市公司。从市值的角度来看，苹果、阿里巴巴、腾讯等侧重于人机交互和人人交互的巨脑的市值，高于谷百等侧重于机器运算的巨脑。当然，人工智能技术是一个相对较新（如果从图灵的论文算起，其实也不新了）的技术。如果再经过十几年的发展，以谷百为代表的人工智能型巨脑肯定还会取得进步。但是，谷百所走的道路，主要问题还不在于技术比较新，而在于技术比较窄。前面说过，知识分很多学科，目前的人工智能技术（深度学习、神经网络等）主要是基于统计学的，统计学是数学的一个分支，数学又是基于逻辑学和集合论的。这就意味着，人工智能技术发展得再好，也只能解决诸多学科中一个学科所能解决的问题。它解决不了几何、物理、化学、经济、心理、历史等等大多数学科中的问题，当然它可以对各个学科起到辅助作用，但也仅此而已。比如，人工智能能形成猫的概念，但它能形成欧氏几何五大公设、牛顿力学三大定律吗？具体知识（个体层，数据）公开数据个人数据抽象知识（群体层，学科）哲学及逻辑学数据、知识、逻辑之间的关系自然科学数学社会科学化学数据物理学化学统计学几何学经济学心理学通话数据交易数据轨迹数据经济数据物理数据大气数据地理数据关系数据健康数据从辩证逻辑到人工智能-37/26如果不能，它又如何解决几何和力学问题呢？如果能，如何判断它形成的知识对不对呢？岂不还是要用现有的知识来判断？这就好比一个新生的幼儿，他也能形成猫的概念，但他形成不了几何和力学，即便能形成，这个概率也太低太低了，时间成本高得令人无法忍受。一个人如果只认识阿猫阿狗，所能产生的价值是非常有限的。这就是为什么，尽管人比动物聪明得多，也必须要对新人进行教育，因为灌输知识是一条不可避免的捷径。对于机器来说也是一样，与其让机器自己形成各种知识，然后再用现有知