生命3.0：人工智能时代，人类的进化与重生

我和我的学生亨利·林一起愉快地讨论了这些奇妙的事情。我非常高兴能和许多了不起的学生合作，亨利就是其中之一。当他第一次踏进我的办公室，询问我是否有兴趣与他合作时，我心想，应该由我问他是否有兴趣与我合作会更合适。这个谦逊、友善、眼睛会发亮的孩子来自路易斯安那州的什里夫波特市，当时他已经写过8篇科学论文，入选了《福布斯》30位30岁以下的精英榜；他还曾在TED发表过演讲，有超过100万人收看，而他却只有20岁！

与亨利合作了一年之后，我们一起写了一篇论文，道出了我们研究出的一个惊人的结论：神经网络之所以如此有效，不能仅用数学来回答，因为答案的一部分取决于物理学。我们发现，在物理定律带来的函数中，很少有让我们对计算充满兴趣的，这是因为，由于一些尚不为人所知的理由，物理定律是非常简单的。此外，神经网络能计算的那一小撮函数，与物理学中吸引我们兴趣的那一小撮函数竟然非常相似！我们还对早先的研究进行了扩展，证明了在许多我们感兴趣的函数上，深度⁽²⁷⁾学习型神经网络比那些较浅的神经网络更加有效。举个例子，我和另外一位了不起的麻省理工学院的学生戴维·罗尔尼克（DavidRolnick）一起证明了，如果神经网络只有一层，那么计算n个数字的乘法就需要2ⁿ个神经元；但是，如果神经网络的层数很多，那么只需要4ⁿ个神经元就足够。这不仅解释了为什么神经网络在人工智能研究者中十分受欢迎，还解释了我们的大脑中为什么也进化出了神经网络：如果大脑的进化是为了预测未来，那么，我们进化出的计算结构正好擅长计算那些在物理世界中十分重要的问题，也就不足为奇了。

我们已经探索了神经网络是如何工作和计算的，现在，让我们回到“它们是如何学习的”这个问题上。具体而言，神经网络是如何通过更新自己的突触来提升计算能力的呢？

1949年，加拿大心理学家唐纳德·赫布（Donald Hebb）写了一本影响深远的书。在书中，他提出了著名的赫布定律：如果两个邻近的神经元被同时激活（放电），它们之间的突触连接就会被强化，这样，它们就学会了触发彼此。这个思想可以被总结为一句流行语“一起放电，一起连接”（fire together, wire together）。虽然我们还不了解大脑学习的具体细节，并有研究表明答案可能非常复杂，但我们已经证明了，即便是简单的赫布学习规则（Hebbian learning rule），也能允许神经网络学习有趣的事情。约翰·霍普菲尔德证明，在赫布学习规则之下，用极其简单的神经网络也能存储许多复杂的记忆，只需要一次又一次地在神经网络上“暴露”相关信息即可。对人工神经网络或者学习技能的动物或人类来说，这种“暴露”信息的情形，通常被称为“训练”（training），有时也被称为“学习”（study）、“教育”（education）或“体验”（experience）。

如今，人工神经网络能使人工智能系统用一些更加复杂、精巧的学习规则来替代赫布学习规则，比如反向传播算法（backpropagation）和随机梯度下降算法（stochastic gradient descent）。不过，它们的基本思想是相同的，那就是：存在一些与物理定律十分类似的简单的决定性规则，通过这些规则，突触可以随着时间的变化不断更新。只要用大量数据进行训练，神经网络就可以用这个简单的规则学习到许多惊人而复杂的计算过程，就像魔法一般。我们还不知道人脑运用的是什么样的学习规则，但是，无论答案是什么，都没有任何迹象表明，它们会违反物理定律。

大多数电子计算机会将任务分解成多个步骤，并重复使用相同的计算模块来提高效率，许多人工神经网络和生物形态的神经网络也同样如此。在大脑中，有部分神经网络是计算机科学家所谓的递归神经网络（recurrent neural network），而不是前馈神经网络。在递归神经网络中，信息可以流向各个方向，而不像前馈神经网络一样只局限在一个方向，因此，前一步的输出是可以作为下一步的输入的。从这个意义上来说，笔记本电脑微处理器中的逻辑门电路⁽²⁸⁾也是递归的：它始终在使用过去的信息，并让来自键盘、触控板、摄像头等的输入信息影响它正在进行的计算过程，而这个计算过程又决定了传输到显示屏、扬声器、打印机和无线网络的输出信息。同样地，你脑中的神经网络也是递归的，来自你眼睛和耳朵等的输入信息影响它正在进行的计算过程，而这个计算过程又决定了输出到你肌肉的信息。

学习的历史至少与生命的历史一样漫长，因为所有自我复制的生物都展现出了两种能力，即通过某种学习获得的信息复制能力和信息处理能力。这十分有趣。然而，在生命1.0时代，生物并不是从个体一生的经验中学习的，因为它们处理信息和做出反应的规则是由天生的DNA决定的，所以，唯一的学习过程只会发生在物种层面上，通过达尔文的进化论，代代相传。

大约10亿年前，地球上的一个基因系（gene line）发现了一种方法，能让动物产生神经网络，让它们能从自己一生的经验中学习。于是，生命2.0降临了。由于生命2.0学习的速度加快了许多，在竞争中占有优势，所以便像野火一样席卷全球。正如我们在第1章所说，生命通过学习变得越来越好，其进步的速度也变得越来越快。一种像猿猴一样的动物进化出的大脑特别擅长获取关于工具、生火、语言和创造复杂的全球社会的知识。这个社会自身也可以被看作一个能记忆、计算和学习的系统，并且这些过程正在不断加速，因为我们有了一些能催生更多新创造的发明，比如书写、印刷出版、现代科学、计算机、互联网等。未来的历史学家还会在这个“赋能式发明”表中加上什么呢？我猜，是人

工智能。

我们都知道，计算机的存储能力和计算能力的爆炸式发展（如图2-4和图2-8所示）推动了人工智能的大踏步前进。但是，机器学习花了很长时间才逐渐变得成熟。当IBM的深蓝计算机在1997年战胜国际象棋冠军加里·卡斯帕罗夫时，它最大的优势是记忆能力和计算能力，而不是学习能力。它的计算智能是由人类创造出来的，而深蓝计算机之所以能战胜创造它的人类，是因为它的计算速度更快，因此在同一时间内能够分析更多的走棋招数。当IBM的沃森计算机在益智电视节目《益智问答》（Jeopardy）上抢过人类头上的桂冠时，它依靠的也并不是学习能力，而是为其专门编程的技巧、超人类的存储能力和速度。机器人学早期的大多数突破，从步行机器人到无人驾驶汽车和自动着陆火箭，也都同样如此。

相比之下，近期，人工智能方面的许多突破的推动力都是机器学习。比如，请看图2-11。你很容易就能说出这张照片描绘的是什么场景，但是，想要写一个程序，让它仅凭图像的像素色彩信息就输出“一些年轻人在玩飞盘游戏”这样精确的描述，却让全世界的人工智能研究者头疼了几十年。然而，2014年，谷歌公司的伊利娅·苏特斯科娃（Ilya Sutskever）带领团队完成了这项任务。当他们给所写的程序输入一张图片的像素色彩信息后，它说“一群大象在干燥的草地上行走”，又一次回答正确。这个团队是如何做到的呢？是不是像深蓝计算机那样，依靠手工编写的算法来检测飞盘、人脸等物体？不是的。这个团队创造了一个比较简单的神经网络，它没有关于物理世界的任何知识。然后，他们将这个神经网络暴露在海量的数据之下，让它学习。人工智能预言家杰夫·霍金斯（Jeff Hawkins）在2004年写道：“没有一台计算机能够达到老鼠的视觉水平。”这句话已经远远过时了。

我们还没完全理解儿童是如何学习的。同样地，我们依然还没完全理解神经网络是如何学习的，以及为什么它们几乎不会失败。但是，一个明显的事实是，它们非常有用，越来越受青睐，并掀起了一波针对深度学习的投资风潮。从手写文本识别到无人驾驶汽车的实时视频分析，深度学习已经改变了计算机视觉的方方面面。同样地，它也极大地提高了计算机识别语音并翻译成另一种语言的能力，有时甚至可以实现实时翻译，这就是为什么我们现在可以与个人数字助理比如Siri、GoogleNow和Cortana进行口头对话的原因。

恼人的验证码是我们向网站证明“我是人”的必要步骤。为了避免被日益提升的机器学习破解，验证码正变得越来越复杂。2015年，DeepMind公司发布了一个人工智能系统，让人工智能深度学习系统像儿童一样在无人指导的情况下学习了几十种计算机游戏的玩法。唯一不同的是，学着学着，人工智能深度学习系统玩游戏的水平就超过了人类。2016年，DeepMind公司创建了AlphaGo，这是一个会下围棋的人工智能，它通过深度学习的原理评估不同棋子赢棋的概率，并击败了全世界顶尖的围棋冠军柯洁。这个过程点燃了一个良性循环，将越来越多的投资和人才吸引到了对人工智能的研究中，进一步推动了该领域的巨大进步。

在第1章，我们探索了智能的本质以及它目前的发展情况。机器到什么时候才能在所有认知任务上都超过我们人类？我们显然不知道答案。此外，我们还需要做好“机器可能永远无法超过人类”的思想准备。但是，本章还传递了一个我们必须考虑的可能性，那就是它可能会发生，甚至就可能会发生在我们的有生之年。因为，物质在遵守物理定律的前提下，也可以组合出能够记忆、计算和学习的形态，而这种物质并不一定是生物体。人工智能研究者常被诟病过于乐观，总难实现自己承诺的目标。但平心而论，某些批评家也并不总是正确的。有些人总在转移重点，用计算机还无法做到的事情或者用哗众取宠的事情来定义智能。现在，机器在计算、下象棋、证明数学公理、挑选股票、描述图像、驾驶、玩电子游戏、下围棋、合成语音、转录语音、翻译和诊断癌症等众多任务上，成绩显著。不过，一些批评家还是会轻蔑地嘲笑说：“说得没错，但那不是真正的智能！”接下来，他们可能会声称，真正的智能只存在于汉斯·莫拉维克提出的“人类能力地形图”中尚未被淹没的山巅上（见图2-2）。曾有些人声称，会描述图像和下围棋的智能是真正的智能，但随着水位的不断上涨，这二者都已经被淹没。

既然我们假设“水平面”还会一直上升，那人工智能对社会的影响也会随之变大。在人工智能在所有技能上达到人类水平之前，它会带来许多迷人的机遇和挑战，涉及其带来的突破和故障，以及法律、武器和就业等领域的变化。这些机遇和挑战究竟是什么？我们如何才能未雨绸缪？下一章，让我们一起来探讨这些问题。

本章要点

当智能被定义为“完成复杂目标的能力”时，它不能仅用单一的“IQ”指标来衡量，而应该用一个覆盖所有目标的能力谱来衡量。

◦ 今天的人工智能还是比较“狭义”的，也就是说，只能完成非常特定的目标，而人类智能却相当“广义”。

记忆、计算、学习和智能之所以给人一种抽象、虚无缥缈的感觉，是因为它们都是独立于物质层面的。它们仿佛具有自己的生命，而不需要依赖和反映它们所栖息的物质层面的细节。

◦ 任何一团物质，只要它拥有许多不同的稳定状态，就可以作为记忆的基础。

◦ 任何物质，只要它包含某种组合起来能运行任何函数的通用基本构件，那它就可以作为计算质，也就是计算的物质基础。

◦ 神经网络是一个强大的学习基础，因为只要遵守物理定律，它就能对自己进行重新排列组合，执行计算的能力也会随之变得越来越好。

由于人类知道的物理定律极其简单，所以在能想象到的所有计算问题中，人类关心的非常少，而神经网络总能游刃有余地解决这些问题。

当某项技术的能力翻倍时，它通常又可以被用来设计和建造强大两倍的技术，引发不断的能力翻倍，这正是摩尔定律的精髓。信息技术的成本大约每两年就会减半，这个过程已经持续了约一个世纪，催生了今天的信息时代。

◦ 如果人工智能方面的进步持续下去，那么，早在人工智能在所有技能上都达到人类水平之前，它会给我们带来迷人的机遇和挑战，涉及其带来的突破和故障，以及法律、武器和就业等领域的变化，我们将在下一章探讨这些问题。

当今时代，身为人类，到底意味着什么？比如，哪些备受珍视的自我价值决定了我们与其他生命形态和机器是截然不同的？在我们身上，哪些备受珍视的价值让我们获得了工作机会？无论我们作何回答，这些答案一定会随着技术的进步而逐渐发生改变。

以我自己为例。作为一位科学家，我很自豪，因为我可以设定自己的目标，可以使用创造力和直觉来解决许多尚未解决的问题，还可以用语言来分享我的发现。很幸运的是，社会愿意为我所做的事情付钱，我可以拥有一份工作。如果出生在几百年前，那我很可能会和其他许多人一样，成为一个农民或手工业者，但技术进步早已极大地降低了这些职业在就业市场中所占的比例。这意味着在当今社会，不太可能所有人都从事农耕和手工业。

对我个人来说，虽然今天的机器在农耕和编织这些手工艺上胜过了我，但这并不会对我产生一丝一毫的困扰，因为这些既不是我的兴趣所在，也不是我的收入或个人价值的来源。实际上，就算我真的曾在这些领域产生过幻想，但这些幻想早已在我8岁时就破灭了。那时候，学校逼着我上编织课，害我差点儿不及格。不过最后，我还是完成了作业，因为有个五年级的同学看我十分可怜，愿意帮助我。

但是，随着科技的不断进步，人工智能的崛起会不会侵蚀我现在的自我价值和就业价值所根植的那些能力呢？斯图尔特·罗素告诉我，他和许多研究人工智能的同僚最近经常被人工智能惊讶到，因为他们看见人工智能完成了许多他们期盼多年的事情。怀着同样的心情，请允许我向你介绍我自己的惊讶时刻，以及我为什么把它们视为人类能力即将被赶超的预兆。

科技大突破，深度学习带来的创造力惊喜