让“人脑”走下神坛

韩锋

智能是什么？

我曾问一位世界级的人工智能专家，他说没有的定义。后来，我又尝试与一位来清华大学访问的美国专家讨论智能的定义，他也没有直接回答。但他的一番话值得人深思，他说：“要等30年，等到人类把大脑研究清楚才可以回答什么是智能。”我终于明白了他们不敢回答智能的关键：人类有一个天然的假设：只有人的大脑才可能有真正的智能。就像几百年前我们相信地球是宇宙的中心一样，我们把“人脑”放到了智能领域的中心位置，某个至高无上的位置。但可惜的是，在生物学领域，人在大脑的研究上进展甚微，我们至今也不清楚大脑运转的机制，所以现在专家们都不敢回答“智能是什么”。

但本书的作者，伊莱恩 迪瓦，以其记者的敏锐、求真的渴望、智者的良知，用大量的采访事实试图告诉我们：认为“人脑”的智能至高无上，主要是由于人对于其他物种的无知，对于宇宙规律理解得肤浅，以及难以避免的偏见。其实智能大量存在于和人脑不同的事物中。因此，她想当“哥白尼第二”！

在研究区块链是否具有分布式智能的时候，我查了许多文献，发现在20世纪30年代，阿兰 图灵就石破天惊地提出：机器也可以(像人那样)思考吗？这也是他的一篇著名论文的标题。

众所周知，阿兰 图灵是计算机之父，计算机界的图灵奖可以与诺贝尔奖并驾齐驱。跨越一个世纪，我们再回到阿兰 图灵的问题，重新思考智能究竟如何产生，就会发现不光是生物大脑才可以产生智能，物理的图灵机也可以产生智能，甚至已经做到了通过图灵测试让人无法识别机器和人脑的差别既然符合物理规律的机器也可以产生“智能”，那让我们鼓足勇气，用物理定律去探寻智能是什么吧:

及时，智能一定是一个低熵系统。熵代表系统的混乱和无知程度。产生智能的前提是要想办法降低系统的熵，这样才能产生确定的信息，这正是计算机现今在做的事情。

第二，智能要能够产生信息的结构和秩序，没有结构的信息没法表达意义(比如语法)。

第三，目前人工智能较大的突破——产生概念和意识，也就是智能的整体收敛性。

接下来让我们一步步分析。让“人脑”走下神坛

韩 锋

智能是什么？

我曾问一位世界级的人工智能专家，他说没有的定义。后来，我又尝试与一位来清华大学访问的美国专家讨论智能的定义，他也没有直接回答。但他的一番话值得人深思，他说：“要等30年，等到人类把大脑研究清楚才可以回答什么是智能。”我终于明白了他们不敢回答智能的关键：人类有一个天然的假设：只有人的大脑才可能有真正的智能。就像几百年前我们相信地球是宇宙的中心一样，我们把“人脑”放到了智能领域的中心位置，某个至高无上的位置。但可惜的是，在生物学领域，人在大脑的研究上进展甚微，我们至今也不清楚大脑运转的机制，所以现在专家们都不敢回答“智能是什么”。

但本书的作者，伊莱恩 迪瓦，以其记者的敏锐、求真的渴望、智者的良知，用大量的采访事实试图告诉我们：认为“人脑”的智能至高无上，主要是由于人对于其他物种的无知，对于宇宙规律理解得肤浅，以及难以避免的偏见。其实智能大量存在于和人脑不同的事物中。因此，她想当“哥白尼第二”！

在研究区块链是否具有分布式智能的时候，我查了许多文献，发现在20世纪30年代，阿兰 图灵就石破天惊地提出：机器也可以(像人那样)思考吗？这也是他的一篇著名论文的标题。

众所周知，阿兰 图灵是计算机之父，计算机界的图灵奖可以与诺贝尔奖并驾齐驱。跨越一个世纪，我们再回到阿兰 图灵的问题，重新思考智能究竟如何产生，就会发现不光是生物大脑才可以产生智能，物理的图灵机也可以产生智能，甚至已经做到了通过图灵测试让人无法识别机器和人脑的差别既然符合物理规律的机器也可以产生“智能”，那让我们鼓足勇气，用物理定律去探寻智能是什么吧:

及时，智能一定是一个低熵系统。熵代表系统的混乱和无知程度。产生智能的前提是要想办法降低系统的熵，这样才能产生确定的信息，这正是计算机现今在做的事情。

第二，智能要能够产生信息的结构和秩序，没有结构的信息没法表达意义(比如语法)。

第三，目前人工智能较大的突破——产生概念和意识，也就是智能的整体收敛性。

接下来让我们一步步分析。

及时，一个系统要想降低熵，就一定要有麦克斯韦妖。在麦克斯韦时代(100多年前，麦克斯韦刚刚为电磁学奠定基础)，熵较大原理处于统治地位。熵增原理能统治着几乎所有的热力学现象。但麦克斯韦设想系统中存在一种“妖”，它能把一个封闭盒子里的本来热平衡的分子从一边赶到另一边，从而让一个热力学系统自动熵减，违反熵较大的原理。100多年来，这一设想让世界物理学家迷惑不解。

直到1961年，IBM实验室提出的Landauer原理，以及1982年C.Bennett才逐渐解释了麦克斯韦妖的现象，但解释得依旧不彻底。我认为，麦克斯韦妖必须要用量子不确定性来解答：① 它为什么存在；② 它为什么不违反熵较大原理。

事实上，这并不违反熵增原理，由于系统中麦克斯韦妖的存在，熵才会减少。这个过程中，系统里的麦克斯韦妖把自己的信息给了系统，自己的熵增大了。所以整个过程并不违反熵较大原理。

……

先大概说一下重整化群，重整化群究竟是一个什么样的方法？为什么它可以收敛到低熵？比如说这个自旋系统，它是可以自相似的，就是这个三角形可以无限小，就是每个格子还可以产生更小的三角形。你再看更小的三角形，就跟那个树叶一样，它还可以无限的小，就是这么一个结构。本来描述这样一个自相似的分形结构需要的信息熵是无穷大！

那重整化群怎么处理呢？

既然它是自相似的，三个三角形又可以构成一个更大的三角形，它某种程度上自相似，而且规律是一样的。这些所谓的三角形，这三个又能构成跟大的三角形，它是一个不同地层次，但是规律是一样的。我让这些无穷多的小积分积到一块儿，做一个常数加进来，然后我只关注大的三角形就行了，可以几次迭代下去，这样我们就可以得到一个低熵有限的收敛结果，这是量子场论最早产生的重整化群，最早没意识到它的意义，只不过当时就是为了回避所谓积分无穷大。

所谓深度学习网络DNN的办法，类似(如下图所示)：这个图右上角那个就表示DNN的重整化群过程，本来最下面一层可视神经元收到的信息熵可以很大，然后第二层神经元和他们有一个相互作用J，但是只用了及时层三分之一的神经元(这对应于自相似结构的尺度放大三角形)，但是只有这第二层的作用，基本无法做到让DNN“学习差距”最小，所以还得多设这样的神经网络层，但每层的神经元数都递减，都符合重整化群的变换规则，达到DNN“学习差距”最小的目的，也就是一个低熵收敛的结果。人工智能网络的“概念”，诞生了！

重整化群的特点，我们总结一下，就是不断通过信息的自相似来降低我们每层神经网络的节点数，让我们处理的信息熵越来越少，但又不失去信息的整体特征(概念)。

人工智能其实最难以突破的就是所谓模式识别。蔡维德教授说我们的计算都是快速地笨蛋，它是不能形成概念的，你要让他识别猫，你把天下所有猫的照片给它了，它也不知道什么叫猫。它只能是暴力计算。

所以人工智能曾经停滞很多年，就是因为它只能用穷举法。我就说了，你会发现，这些所谓的概念是一种自相似的概念，那个猫，那天下所有猫，你为什么能有猫的概念，你是忽略了每个个体的不同，它的毛不同、爪子不同、眼睛的颜色不同，你全忽略了，收敛到一个猫的感觉，一个跟重整化群类似的一个智能过程，它把大量地不同信息“卷积”重整掉，但是它找到了内在联系和相似性，把细节都忽略掉。Google的神经网络首先做到了这一点，2012年，它终于从千万张猫的照片中形成了猫的概念(见下图)：

最近互联网金融有个特火的概念，叫“区块链”

区块链目前还是一种很初级的人工智能，只是利用分布式节点记账(麦克斯韦妖)来构建一个低熵的信用系统。即使以太坊区块链的智能合约，也只是希望实现“自动执行”。但是以太坊实现了区块链上的图灵完备编程，未来可以设想区块链的网络可以向重整化群和深度学习方向发展。如此，多层次的区块链将真正可能实现全球大脑的功能。

总而言之，人类终于到达了一个认知临界点：我们可以以宇宙的普遍规律来理解智能，人脑只是宇宙万物中智能现象的一部分，但它不是宇宙的，也不是智能的中心！

让我们和本书作者一起，开启人类的第二次启蒙运动之旅吧！