通用人工智能是否能实现？如何实现？

Q: 通用人工智能是否能实现？如何实现？ A: 我把“通用智能的理解及其实现”看作是问题“大型复杂系统的理解及其涌现的理解”的一个子集。现有的表现出一定智能行为的对象，无一不是大型复杂系统，例如意识，至少从还原论的角度看，就是大量各异神经元及一些化学物质组织起来的一个大型复杂系统。 对实现这个复杂系统，还原论的方法的确受到了阻碍，比如用符号组成的原子按照语法搭建成的知识库，并不能让这个人工智能非常具有robustness，也不够general。 这个问题下“通用人工智能”过于遥远的看法还是过于悲观了，“基本的方向就错了”之类的言辞，依我个人看，科学理论的探索并非是积累式的而是找方向式的，找方向所要付出的时间成本本就是必要的，现有的一切成功也好，挫折也罢，潜心思考、不拘于名利地应对，就自得其正了。认为科学理论发展方向不如预期而认为是科学走错路可能是一种现代人的行为艺术。 我谈一点我的不成熟想法，Algorithm are not enough的作者，曾谈到为什么现有的深度学习一类算法不够通用的原因在于，虽然模型设计者让AI自发地随机优化出哪一组网络超参数是最优的，但是模型设计者仍先验性地选择了问题以及部分地决定了问题的表示。 这个由人类选择问题及其表示的过程，实际上就是把世界压缩成一些简单的有语义的符号串，所有这些符号串是从属于人类思维的，是任意定义的，人类再发明一套同样只有符号串的模型，摆弄“输入”的符号串，作为结果再回到世界中，也需要由人类理解“输出”的意义并执行，或是由象征人类思维的机器这么做。 实际上，AI始终处在无因无果的世界中，AI和实际上身为大型复杂系统的我们是不一样的，我们并非某个通常意义上的遵循图灵机或者冯诺依曼架构的程序，但我们却大概率是图灵可实现的。 这里要谈到一个小问题是助记符缺陷，简单来说对一个词能有多种理解，人类思维的懒惰可能把其中某些理解给混淆。我认为我们不符合通常意义上的图灵机，但又的确图灵可实现。 原因在于通常意义上的图灵机，都是算法意义明确的。比如说一个把X转化到X+1的图灵机。但这个问题在于我们按照通常的理解认为用图灵机实现通用智能一定是步骤意义比较明确的，比如其中每一步一定有个要把X变成F(X)的变换这样子，但问题就在于这里。 传统意义上图灵可实现是证明了图灵机可构造任意算法模型，但这个意义是限于语义明确情况下的，算法设计者不会想到要把"X"变换成"&^GJH*"这样没意义的东西，一切都必须以模型设计者的预设为主导，我个人认为这就是关键。 实际上推广这个例子到一些为了实现通用人工智能的更多尝试上，比如用“因果推断+常识库”的法子，因果及其衍生的就是一个助记符，让人启发性的想到了我们的世界观和AI的世界观不一定一样，所以设计这样一套工具来解决这个世界观差异，就可以让AI呈现出通用性了。 但问题在于，“因果”这些概念及其附加的工具库、常识库，只不过是人类自己发明的一套更加清晰的解释世界中广泛存在的大型复杂系统的路子而已，AI只不过是run一下我们的命令而已。 为了弥补助记符缺陷，对这个例子进行一些反思，假设是人类模型设计师设计的“因果+神经网络”Model，让人类书记员来一行行算，本质不也是一样吗？这个例子替换执行者AI为人类，发现结果仍然一样，这就是某种意义上的一种“对称性”，即替换任何执行者为任何具有通用处理能力的对象，结果都是一样的，那么智能实际上就跟作为通用命令的执行者无关，而跟模型设计者有关。 模型设计主要就在于建立问题及其表示，用随机优化神经网络的能力，这些一旦确定下来找答案就是至少不算难的事情。 这其中再谈谈表示的问题，同样类比上面那个例子，如果是一个散漫、自由空间大的一套程序，AI就需要将其精确和固定到一套行动方案并严格执行，人类则有的严格执行，有的随意“表达”这套程序。严格的人和严格的AI是“对称的”，行为类似，所以“严格”是一个划分人性与AI性的形容词等价符，粗暴地来说，不那么严格的是人，严格的是AI，人类身体但“严格”执行的也是AI。 这里就回到原题，通用人工智能能否实现可以理解为用符号构建出人能否实现的问题，这个问题采用的等价符是“能否用符号表示”，我的观点是，“能否用符号表示”和“程序严格语义明确”在通常意义上是对应的，但我们必须在这两个等价符不对称的情况（即不是同一事物，必须划分为两个独立的维度）下讨论实现通用人工智能的方案。 回到开头，我认为，通用人工智能的实现问题，类似于能否用符号表示一个大型复杂系统的问题，这实际上是个更加有意义且困难的问题，把人体的、经济的、社会的大型复杂系统一起考虑进来，会发现这个世界是一个近乎无穷维的复杂系统，其中即使是看一些图片也涉及到大量的重整化变换、神经网络刺激、酶信号反应等，以及能看到图片本身也涉及到支持这一行为的技术文化基础、商业营销展示等等。 既然题目问了如何实现通用人工智能，那这里也就复杂系统路径来理解通用人工智能的实现方案。 这个例子属于把问题扯开来讲，我其实这里想陈述的是学科划分不利于处理大型复杂系统，即使是一个很日常的行为，也涉及到“无数基本因素”，我对此的一个反讽是，这么复杂就不因该发生啊，人类就不应该出现啊，宇宙也是的，为什么出现了这些？ 为什么会出现无数分析面本来就是学科精细划分的渐成的结果，而非原因。一个例子是，上世纪91年钱学森先生提出的系统集成研讨厅方法，就是出于无数分析面处理大型复杂系统的一个办法。这个方法要求集合广泛的专家，经过科学的论证和一些合理的程序来决定行动方案。 这算是早期的“专家系统”和现在的“因果工具+常识库”的在工程领域的“共轭”兄弟，并且是这个方向上的一个终极体方法，既然涉及到了无数分析面，就真的把大部分分析面一一给出。 不过我还是对这类方法有所保留。这类方法并非是一个纯粹符号表示的理论，其中的相当大一部分是由人类表示的。真正有效的，应当从第一性原理出发构造纯粹的符号理论而非大工程方法，后者只适用于在前者充分发展前的补救。 接下来我就放飞自我了~ 构建大型复杂系统不能从一个个分析面及其关系出手开始建模（无非走了上述的老路），依我看，所有大型复杂系统都是世界的截面而已，几乎都是在某些大型结构的相互作用中的“临界区现象”。那么出手就要建模整个世界，然后再从无穷的世界中寻找某些有意义的上述的截面。 世界的存在应该独立于其他世界，比如现在写下一堆符号或者一些有意义的变换，没法同样只用符号证明或证伪它们是或不是世界，或者说：“证明它是世界也是没有意义的行为，它也许就是的，当然它也可以不是的，又或两者兼有。”你可能认为我在胡说八道，但我实际上确实如此，我主观上想要胡说八道，因为有意思的东西就在这胡说八道之中。 胡说八道的原因在于：不胡说八道是没有意义的，胡说八道也是没有意义的，两者在有无意义的问题上具有对称性，无论设计些什么变换想要去construct such a world，那个world是自在的，跟我们模型设计者是无关的，智能在于那个world，我们则是对称的。这样就通过对称性的转换，重新理解了“通用智能如何具有智能”的问题。 “胡说八道”是可以构造的而且很简单，比如用C语言写了个模型，怎么胡说八道呢？做一个动作：将模型里用到的编程关键字或者变量名替换为某些其他的符号。 一旦进行了这样的动作，极大概率就会出现语法错误或者运行时错误的胡说八道，还有很小概率出现逻辑错误的胡说八道，以及一丁点的概率没有胡说八道输出正确。这里面的概率多少的问题，有一个蔡廷常数就讨论了这个问题，是不可用图灵机计算的，但仍有一个极低的近似值。 进一步就是如何用胡说八道构造法来构建大型复杂系统的问题了，这方面我可以说只是开了个头，没有一个完备的行动方案。但我认为仍是有意义的，在于它的声明可以破除某些根深蒂固的习惯。 哥德尔曾谈到过，他认为心灵等于大脑（大脑—计算机等价）是时代的偏见，人工智能也许可以存在，但无法找到和证明（证明是一个形式主义方法，依赖于证明的搜索也是的）。他认为心灵（人）的力量是无穷的，但形式主义的方法是有内在局限的。作为一个哥德尔信徒，我仿佛也看到了一种隐喻，人的力量是无穷的不在于人的双手勾勒的思维符号模型有多么强大和通用，而在于人是世界的一部分，世界本身就是无穷的！ 唠嗑完毕