杂论五随笔-卌二

2020.3.27 中午 深度学习的人工神经网络虽然采用了笨拙的计算方法，但是由于高度的复杂性，也可以针对所求的特定问题产生极其强大的求解能力。在博弈，游戏等简单环境和封闭环境下，尤其地展现出了其强大的运算优势，在求解某些特定的模型问题，微积分等时也具有强大的算力，这种现象下的环境都是有高度相似的，也因此充分展现深度学习AI的优势。 现在人工智能的一部分研究者转向于研究如何在现实世界实现人类智能，推出强化学习，拓扑视觉，因果推理，常识等方法，实则在不断地往现实的需要靠近真正的“人类智能”。深度学习缺点已不言而喻，许多人工智能研究者已提出其不足，现在需要的是反思。 按照我的新的系统观，智能是具体的，不存在所谓的通用智能，智能是一种表现，是主体对环境不断适应的过程。人们可能强调智能是人类独有的，强调了人的认识能力和改造能力，但是，许多人所具有的深度学习未具有的智能，在许多自然界生物上也可以找得到，比如说乌鸦。乌鸦便是典型的小个体小系统小数据量的大智慧。乌鸦充分利用了它的各种感官进行协调，可能利用了来自遗传的本能智慧行为。乌鸦也可以表现出人类的推理行为和主动利用工具的意识。其实，拓扑视觉存在的需要，便是对应我们所生活的三维世界；常识，不讨论可能由基因遗传的本能行为导致的常识，只讨论后天形成的，生物体中可能便有一种这样的机制：对那些显而易见成立的或应用很快就成功的(通常是在大脑中确定的)，马上就将其确定并记录下来，而不需要什么“自然选择”通过基因来淘汰(事实上，这也可能是一种更高水平的自然选择，自然选择不是选择出某个特定的习惯或性状而是选择出来某种模式，这种模式就是生物体自己来选择适应外界事物)，至于因果推理，先看早期生物，其具有非常简单的感官甚至没有，而感官从来都是因为运动需求或生存需求而得以发展出来的，对应这些感官的是比较简单的反应链条(必须点明的是，这是仅就单个生物体来讨论)，其反应往往本身由生化反应网络来实现，来表达。这时的生物体很大程度上都是由底层的生化反应构建起来的一个巨大整体，可能很少有生物体自己构建自己的整体的情况出现。后来，生物体越来越庞大和精密，富有大量的感知方法，同时，为了管理这些感知和提升利用效率，出现了专门处理感知的工具：思维，思维便是存在于感知之上的。一开始的思维应该只是在协调各种感知，逐渐地，思维开始主动控制感知，调节感知，也就是思维开始独立起来。另外，生物体的越发庞大驱使其在更高水平上来对自己进行管理，这很少是为了满足基因变化的需要，而主要是为了基因产生出的这个新型主体：生物体的需要，因此其操纵的工具也多基于这一层次的调动，其对世界的感知也主要是大块整体的生物体对世界的感知。在这一宏观层次，以牛顿力学为主的物理规则，显示出了一种基本的对生物体运动的支配。