人工智能伦理

图5.40 数学天才拉马努金

对机器而言，任何一个快速计算π的近似算法都可以作为机器对π的良好理解。如果不计较计算复杂度，两个理解是等价的当且仅当相应的两个算法收敛至相同的结果。例如，例4.24从“连分数”的角度给出了两个理解。另外，还可以从“无穷级数”的角度理解π，例如，印度数学家斯里尼瓦瑟·拉马努金（Srinivasa Ramanujan, 1887—1920）于1910年发现的收敛速度非常快的无穷级数。

$$
\begin{array}{c} \begin{array} { r l } & { \lfloor \begin{array} { l } { \frac { \sqrt { 6 } } { 4 } \| \frac { \sqrt { 6 } } { 4 } \| \frac { \sqrt { 6 } } { 4 } \| \frac { \sqrt { 6 } } { 4 } \| \frac { \sqrt { 6 } } { 4 } \| _ { \infty } ^ { 2 } \| _ { \infty } ^ { 2 } \| _ { \infty } ^ { 4 } \| \frac { \sqrt { 6 } } { 4 } \| \frac { \sqrt { 6 } } { 4 } \| _ { \infty } ^ { 2 } } \\ { = } \\ { \lfloor \begin{array} { l } { \frac { \sqrt { 6 } } { 4 } \| \sqrt { 6 } \| _ { \infty } ^ { 4 } } \end{array} \| _ { \infty } ^ { 2 } \frac { \sqrt { 6 } } { \sqrt { 6 } \| \frac { \sqrt { 6 } } { 4 } \| \frac { \sqrt { 6 } } { 4 } \| _ { \infty } ^ { 2 } \| \frac { \sqrt { 6 } } { 4 } \| _ { \infty } ^ { 2 } } \end{array} \| _ { \infty } ^ { 2 } \frac { \sqrt { 6 } } { 4 } } \end{array} \| _ { \infty } ^ { 2 } } \\ & { \lfloor \begin{array} { l } { \frac { \sqrt { 6 } } { 4 } \| \frac { \sqrt { 6 } } { 4 } \| \frac { \sqrt { 6 } } { 4 } \| _ { \infty } ^ { 2 } \frac { \sqrt { 6 } } { 4 } \| \frac { \sqrt { 6 } } { 4 } \| _ { \infty } ^ { 2 } \| \frac { \sqrt { 6 } } { 4 } \| _ { \infty } ^ { 2 } \| \frac { \sqrt { 6 } } { 4 } \| _ { \infty } ^ { 2 } } \end{array} \| _ { \infty } ^ { 2 } } \end{array}
$$

机器对概念的理解是操作语义，相对明确且无歧义性，只需验证两个操作的结果便知是否一致，甚至可以比较取得相同的结果时哪个复杂度更低以判断哪个理解更优。当评判标准变得透明和可行时，智能体之间更容易形成共识。

例5.4 20世纪兴起的语言哲学，对意义的本质、语言的认知等进行了思考。其代表人物路德维希·维特根斯坦（LudwigWittgenstein, 1889—1951）的“意义即用法”对“意义”的定义是从操作的角度切入的，深刻地影响了语言学研究。例如，20世纪中期美国著名语言学家诺姆·乔姆斯基 提出的生成语法（也称“短语结构语法”），20世纪晚期诞生的认知语言学（cognitive linguistics）等。

生成语法让语言学走上了形式化发展的道路，达成了广泛的学术共识，而认知语言学试图为语言的习得、使用找到神经科学和心理学的解释，最终都可以落地到人工智能。遗憾的是，认知科学是一门崭新的学问，科学界对其诸多问题尚无定论，大的理论框架也未形成。如果一般性的语言认知原则（如概念隐喻）不能抽象为数学模型，它的价值就会大打折扣。

虽然数理语言学试图为语言建模，但形式与意义之间的鸿沟，始终阻挡着人们构建出能模拟自然语言交流的一般模型。或许，我们还没找到一种合适的数学理论用作语言的研究工具。

作为计算语言学的一个分支，语料库语言学（corpuslinguistics）是语言学与统计学结合的产物。它提供了“形式—意义”的统计分析，借助计算机让数据“说话”。语料库是语言学家的素材来源，比个体经验更客观（于是，利于人们达成共识）、更易操作（例如比较、查看分布等），从此语言学家的归纳推理不再死抠个例而放眼于“总体”。不过，从经验到理性的飞跃，说来说去还得依靠语言学家的新思想。就像第谷·布拉赫（Tycho Brahe, 1546—1601）的天文观测数据最终成就了他的助手约翰内斯·开普勒（Johannes Kepler，1571—1630）提出三大定律一样，语料库语言学的真正价值是催生和验证新理论。

图5.41 如果没有第谷的观测数据，开普勒不可能发现行星运动的三大定律

在模式识别、统计机器学习盛行时，诸如图1.125、图1.128之类的图像数据库如雨后春笋，它们的作用和语料库一样，大多停留在模型的训练和测试上，很少助力理论的升华。在经验主义被过度重视的今天，理性主义显得弥足珍贵。数据可以帮助我们对理论达成共识，却不可能替代理论。

共识就是彼此知道所共享的信息或认知，正所谓“相互理解”。就一些基本问题达成共识是非常重要的，这样每个个体就可以设身处地将心比心，使得整个群体表现出和谐，少了许多的分歧和猜忌。例5.2的“心照不宣”，构不成真正的共识，必须大声地说出来，让所有人都知道大家都这么想。

拜占庭将军问题

图5.42 兰泊特

分布式系统（例如区块链）有一个基本问题：如何在存在许多错误进程的情况下实现系统的可靠性？这通常需要多个进程（或代理）之间有一种达成共识的机制。考虑到某些进程（或代理）有可能失效或者不可靠，因此共识协议必须具有一定的容错性。1982年，美国计算机科学家、图灵奖得主（2013）莱斯利·兰泊特（Leslie Lamport, 1941— ）发表论文《拜占庭将军问题》^[94]，提出了分布式点对点网络的通信容错问题，以及拜占庭容错协议（Byzantine fault tolerant,BFT）。1990年，兰泊特提出了一种基于消息传递且具有高容错的共识算法Paxos。