人工智能伦理

图4.88 强调“做”的数学关注算法设计与构造实现，一切努力只为做出结果

强调“在”的数学和强调“做”的数学都是重要的，前者是“人类的数学”，后者是“机器的数学”。当人工智能和构造性数学相遇时，不啻一场认知革命，对数学和AI的改变都将是天翻地覆的。哪怕有理论证明机器无法达到人类的智能，找出机器智能的极限也是一件伟大的工作。很可惜，对此我们目前几乎一无所知。然而，我们仍坚信年轻的一代里，会出现伽罗瓦、阿贝尔，为“机器的数学”带来曙光。

耗散结构

图4.89 耗散结构之父普里高津

1977年，比利时化学家、物理学家伊利亚·普里高津（Ilya Prigogine, 1917—2003）因“耗散结构理论”获得诺贝尔化学奖，该理论研究耗散系统（dissipative system），一个远离热力学平衡状态并且与外界有能量和物质交换的开放系统。

直观上，知识系统是一个逐渐远离无序的耗散系统，它不停地与外界进行信息交换以产生负熵流并维持系统的无矛盾性。知识的增长具有连续性，总是在已有的基础上向外延伸，如同一棵不断生长的树。每个人的知识之树⁽⁷⁾都是不一样的，当两人观点有分歧时，要说服对方非常的不容易。原因就是知识之树牵一发而动全身，常常需要大量的信息交流才能有所变化。特别当知识之树的根不同时，话不投机就见怪不怪了。如果主观上不愿意耗费能量通过学习而改变知识之树的状态，自然就不会接受别人的观点了。

顿悟是一种突变，是瞬间的理解。我们都有这样的经验，一个百思不得其解的问题突然间就想明白了——可能是知识网络中一个不起眼的连接一下子打通了思路。正可谓“众里寻他千百度，蓦然回首，那人却在，灯火阑珊处”（辛弃疾《青玉案·元夕》）。一旦真正地理解了，便很难忘记，横竖怎么表达都可以。而死记硬背下来的东西正相反，它们缺乏关联性，遗忘了也不影响其余部分，所以持续不了多久。

什么是“理解”一个新的知识点K？就是在语义上，知识点K被已有的知识点 $K _ { I } , K _ { 2 } , \bullet \bullet \bullet , K _ { n }$ 清晰地描述（或者严格地定义），于是它们关联了起来。这个“理解”可能是不正确的或者有偏颇，但主体并不知晓，在他心里是自洽的，即按照他的逻辑和知识是无矛盾的。

图4.90 知识在大脑里是如何存储、管理和运用的？有可能往大脑里植入知识吗？

学如逆水行舟，不进则退。要对抗知识熵的增加，必须不断地学习和思考，紧跟时代的步伐。尤其在信息爆炸的时代，人们更需要擦亮双眼明辨真伪，有选择地接受碎片化的知识快餐。因为信息时代知识更新的速度加快，人们必须不断地学习避免被时代淘汰，保持一颗对新鲜事物的好奇心和持续学习的进取心。若学习能力不足或者不够努力，人们对未知的东西就会产生一种莫名的恐惧感而抵触新鲜事物，进而墨守成规、冥顽不化。

图4.91 熵减是要付出努力的，好学之人把这个过程当作一种乐趣。征服的困难越多，满足感就越多。如何让机器也能有主动学习的意愿呢？

按照现代教育之父、美国哲学家、心理学家约翰·杜威（John Dewey, 1859—1952）的观点，自学能力应该是学习者有待培养的，一旦具备就可以“走遍天下都不怕”。所谓“自学能力”，首先，学习者要有主动学习的意愿和动力，从诸多渠道以各种方式获取知识。其次，学习者在没有老师指导的情况下能够把头脑中的知识融合消化，达到心领神会、触类旁通、化为己用的境界。我国南宋哲学家朱熹（1130—1200）是这样理解自学能力的，“举一而反三，闻一而知十，乃学者用功之深，穷理之熟，然后能融会贯通，以至于此”（《朱子全书·学三》）。