人工智慧之父明斯基晚年六大預言，揭示人類和宇宙的未來

知識 08-19

馬文·明斯基（Marvin Minsky，1927 年 8 月 9 日－2016 年 1 月 24 日）數學家與計算機學家，人工智慧之父。他是 MIT 東芝媒體藝術與科學教授，也是 MIT 人工智慧實驗室的奠基人之一。他著有八本書，包括The Society of Mind。2011 年明斯基參加 Edge 活動是做了一場名為《情感宇宙》（The Emotion Universe）的主題演講。在這篇演講中，明斯基對人類與宇宙的未來做了六個大膽而頗有說服力的預測。

1. 你無法存在於設定錯誤的宇宙中

我曾聽過一個關於多重宇宙的討論，我感覺，存在一種過於簡單而被人忽略的可能（下文的「我」皆為明斯基）。每種宗教都會問這樣的問題：

誰創造了宇宙？為什麼？為了什麼而造？

但這麼提問是有問題的！提問者們作了額外的毫無意義的假設。如果人們說 X 存在，其實是說 X 存在於宇宙中。說「這杯水存在」是沒問題的，因為這相當於說「這杯水存在於宇宙中」。但要說「宇宙存在著」就很蠢了：這就像在說「宇宙」是某種東西，能像其他萬事萬物一樣「存在」於宇宙中。所以，「是什麼造就了宇宙的存在」之類的提問，本身也是有問題的。

我認為唯一合理的答案是相信著名的「多重世界理論」，即存在著很多「可能的宇宙」，而我們身處其中的這一個，除了我們存在於此以外，並無其他特別之處。換句話說，不需認為我們的世界「存在著」；相反，就當這個宇宙是個電腦遊戲，然後考慮其理論的如下順序：

（1）想像一下，有台計算機模擬出了一個特定的世界，一些虛擬人於其中進化生長。最終，當他們變得足夠聰明時，其中一個虛擬人開始問其他人：「是什麼造就了我們這個世界呢，為什麼我們在這？」當然，這個世界並不「真實存在」，只是一個模擬景象而已。

（2）然後其中某個人突然想到，自己可能是虛擬的一部分。他大概要問：「誰寫了程序來模擬我們？又是誰造了運行這個程序的計算機呢？」

（3）當然會有人爭辯道：「根本沒有這樣的計算機，只需程序存在即可——程序寫好後，模擬中的一切即會順序發生。畢竟，只要這台計算機和程序，與其他初始條件一起被設定，世界，包括其內所有居民及任何發生的事，就都能解釋得通了。所以，唯一有意義的問題是：「這個程序是什麼？是誰編寫了它？為什麼？」

（4）最後另一個人說道：「這本無須編寫！它本就是眾多可能的計算指令之一！無須有人編寫，甚至無須思考。只要『原則上可能』，那個宇宙中的人們就會認為並相信他們存在。」

所以我才說，「世界為何存在」這種問題根本毫無意義。不過，圍繞這一特定宇宙的運作原理，還是有其他可以探究的好問題。舉例來說，我們對自身——尤其是對「我們是如何進化，如何發展的」這樣的問題，都有一定了解；而這一切的發生，這個創造我們的「程序」必然具備特定屬性：

例如，任何構造必然需要具備能夠自我複製和變異的屬性，才能實現達爾文進化；這就意味著，某些東西足夠穩定，能有一些持續的屬性——類似於那些能夠穩定存在很久的分子。

以此，我們理解的物理事實是：

能夠容有人類或說任何智能生命體存在的宇宙，必然符合某種定律；否則萬物轉瞬即逝，無法支撐進化的進程。

我們是無法存在於一個物質不斷消泯、膨脹或融合的宇宙中的。換句話說，我們無法存在於「設定錯誤」的宇宙中。

這裡還有另外一個惱人的疑問，關於無規則的世界，我們也只能用「人擇原理」來回答了：

物理學家能夠質疑何為創世主的世界只能是支持這些物理學家們存在的世界。

2. 萬物：萬物歸宗，道法自然

過去物理學家試圖向一般民眾解釋不確定性原則「量子理論」時，他們聲稱世界並非牛頓描述的那般確定，相反他們強調「不確定性」——萬物皆蓋然，不具確定命運。

然而，他們很少提及事實的另一面：正是由於量子化，我們才能有所依存。

就如經典牛頓力學所說，複雜系統不能持久存在。Jerry Sussman 和 John Wisdom 曾模擬太陽系，發現大的外行星能夠穩定億萬年。但他們沒有模擬內行星——因此我們無從得知我們的星球能否穩定存在。大行星的能量轉化後足以把地球甩出太陽系（他們的確發現冥王星的運行軌跡十分混亂）

確實，量子理論揭示了事物的不確定性：就說人人都有的 DNA 吧，DNA 大分子團中的一個碳原子的確有可能突然脫離並出現在大角星（α Boo / 牧夫座 α）中。然而，在室溫下，一個 DNA 大分子結構幾乎一定會老實地待上億萬年——因為量子力學作用——這也是進化得以發生的最重要原因之一。量子力學作用使得大部分物質穩定存在。

譯者註：量子力學、人擇原理與多重世界，三個概念相互糾結在一起，構成了理論物理學迷人的一面。感興趣讀者可以閱讀相關科普讀物，如《量子之謎》（Quantum enigma: physics encounters consciousness）。

所以我們該認真思考人擇原理，並做出正確提問：

在可能的宇宙中，哪些存在持續穩定的環境，能夠支持我們這種進化發生？

顯然，第一個細胞出現在地球足夠冷卻之後，很快，我聽說估算的時間是一億年以內。接著又過了 3 萬億年，才出現後來分化成動物和植物的那種細胞群。這一切都只能在其自然法則支持穩定性的世界發生。這也是為什麼在我們的世界裡需要像量子力學這樣的玩意兒——萬物歸宗，道法自然。（我在Feynman and Computation這本書裡面也討論了確定性原則。A.J.G. Hey, editor, Perseus Books, 1999.）

3. 計算機科學開啟複雜系統研究之門發展落後的心理學

為何到現在，我們還沒有關於大腦及其工作機制的完備理論？在我看來，這是因為我們現在才開始有相關概念與技術。大腦是多麼精妙的機器啊，如今的電腦只能望之興嘆。可是，直到 20 世紀 50 年代，我們才開始關注到譬如記憶這樣簡單的腦功能概念——像數據結構、高速緩存存儲器、優先順序判斷系統，和「語義網路」等等。計算機科學裡這類概念已經數以百計，這在 20 世紀 60 年代之前根本無從想像。

心理學本身也是到了二十世紀才有了較大發展。亞里士多德等思想家對心理學有較好的構想，但隨後的進展卻非常緩慢；在我看來，亞里士多德在《修辭學》（Rhetoric）一書中的構想，水平已經接近 1870 年左右的思想家的著作。然後，高爾頓，馮特，威廉·詹姆斯，弗洛伊德等人，開始有了大腦工作原理相關的初步想法。但，在我看來，隨後再無進展。直到 40 年代控制論學說出現，然後是 50~60 年代的人工智慧論和 70~80 年代崛起的認知心理學。

為什麼心理學遠遠落後於其他科學？20 世紀 30 年代末，瑞士植物學家 Jean Piaget（讓·皮亞傑）開始觀察他孩子的行為。

譯者註：皮亞傑以心理學家聞名於世，但他在開始觀察孩子的時候，還不是後世人們所知的心理學家，而是一名植物學家（原文所用）。第一次看到皮亞傑被稱為植物學家，挺有趣，一般都認為他原本是生物學家，因為他本科到博士都是生物和哲學專業的，且從十幾歲發表的論文到博士論文都一直研究軟體動物，專門論述植物學方面的研究成果倒是沒聽聞過，只知道他把移植植物（其實更大量是移動軟體動物的養殖點）作為興趣。

接下來的十年間，他仔細觀察三個孩子的成長，並據此寫下了數以百計關於孩子大腦發育的理論，出了 20 本書。儘管一些學者對他的結論非常挑剔，這一學說的基本框架卻已粗具雛形，他描述的那些發育過程在世界各地、各種文化間都能在相同的年齡段同步觀察到。

皮亞傑的結論正確與否不是問題關鍵，關鍵在於：

為何 2000 年前沒有像他一樣的觀察者？為何此前的所有文明中，竟沒有人觀察並試圖推測出孩子們是如何成長的？

科技落後顯然並非答案：Piaget 可沒用到回旋加速器，他僅僅給了孩子一些水和糖果。

或許心理學發展滯後是因為人們試圖借鑒其他成功的學科。舉例來說：20 世紀早期，心理學家試圖用數學理論來構建心理學科——值得注意的學習過程與模式識別。但數學有個致命的缺陷：它對複雜系統無可奈何。

數學確實可以很好地解釋物理現象，我想這是因為：

基礎物理定律極為有限，而計算機出現之前的數學正好擅長描述建立在少數有限法則上的系統（4 到 5 條，最多 6 條基本法則）。

像牛頓和麥克斯韋這樣的物理學家們就找到了一些方法來闡釋簡單系統（基本定律也就 3~4 條）內的大量經典現象；然而對建立在20個假設之上的系統，數學便不切實際了。像群論這樣始於 5 個假設的優美理論，系統之複雜已經讓人們窮其畢生精力去研究。同樣，你可以寫個僅包含幾句代碼、沒人真正明白的程序，不過我們至少可以在計算機上運行看看能夠得出什麼，有時也能得到足夠的觀察結果，得到一個還不錯的理論。

值得學習的計算機科學

然而，計算機科學的內涵可不止於此。很多人認為計算機科學就是研究計算機能做什麼的，但我不敢苟同：我認為：

計算機科學為描述和認識複雜系統開啟了一扇全新的大門。隨之而來的還有大量與心理過程有關的新鮮且實用的概念。

比如，過去的記憶理論認為，知識就是堆砌在一個「盒子」中的許多事實；之後的理論則開始區分出譬如短時程記憶和長時記憶這樣的概念，同時人們也意識到人的具體能力牽涉到更廣泛的腦區功能，並非只是存儲於一個「盒子」中那麼簡單。

不過，計算機科學所暗示的有可能成立的記憶方式有很多種：

可能像資料庫里的項；

或是像幾套「如果-那麼」的設定；

或是像以語義網路的形式（在語義網路中，具有內在關聯的信息碎片可以得以整合成為一體）；

又或者像計算機程序一樣的過程式腳本；

或像神經網路，等等。

你確實可以在神經網路中存儲信息。神經網路能非常有效地學習某種指定類型的知識，但對其他類型信息的處理能力仍幾乎為零：因為只有極少數高階程序可以「審視」特定神經網路裡面的信息；而這就意味著，大腦的其他部分完全無法理解習得的內容，即它們在特定方式下學會的究竟是什麼。

發展人工智慧的過程中，我們學會了很多使程序加速的小技巧，但長久來看卻註定會走到終結，因為模擬神經網路的學習模式對於其他的程序來說簡直猶如天書一般無法理解。

譯者註：明斯基在上文中使用的神經網路似乎同時既指「大腦自身的【生物性】的神經網路」，又指「現在計算機科學裡面【模擬】的神經網路」。雖然兩者不一樣。基本法則相通，計算神經科學現在多用從動物身上採集的數據，經過篩選、建模，得出一個類似的有功能的大程序（計算神經科學裡的神經網路）。

甚至到了今天，腦科學家們對大腦的了解也是非常有限的，腦科學家們竟還沒有找到大腦的高速緩存存儲器。如今你要是買了台電腦，你會知道它有個大容量但比較慢的硬碟；不過它還有個高速緩存：它只存儲最近用到且需要重複使用的極少數內容，這樣在需要再次調用時，就不必到其他方去找了，速度極快。

如今的機器都會用到高速緩存，但我還沒聽科學家們這樣討論海馬（人類及哺乳類動物用於存儲短期記憶並形成長期記憶的腦區）。這說明腦科學家們還太保守了，他們還沒有作出足夠充分的假設——也就是說他們還只是在實驗中不停的試錯而已。

譯者註：明斯基這裡有點氣人，原文意思是腦科學家們還沒有找到大腦的高速緩存存儲器。但並非如此。人類的大腦也是具有類似高速緩存的存儲功能的，稱為工作記憶。而實現這個功能的腦區是前額葉，屬於高級皮層區域，不是海馬。工作記憶的功能和高速緩存存儲器的功能類似，但存儲量極小，與其說是存儲用，不如說是進行信息比對的地方，然後選擇性的把信息傳遞給下一級腦區，最終形成記憶。

4. 智能：需要強化計劃而非行為本身

科學家們嘗試過很多次，想要製造出能夠自我學習並進化的「機器寶寶」，期望某天它們自己變得足夠智能。不過這些計劃都進展得不太順利，儘管也有能「發展」到一定程度的智能，最後也都變弱或者退化了。其中：

一大問題是如何充分地展示他們所習得的知識。

另一問題是沒有好的方案來完成「信度分配」。也就是說，我們是怎麼通過知識或技能的內在聯繫進行學習的，我們是怎樣學到那些核心要素的，而非僅僅是碰巧學到了而已？

舉例來說吧，假設你學了一種新的使用扳手的方法，可以讓螺絲釘穩住，不掉出來。這過程中什麼才是你真正學到的？肯定不只是這一組操作的動作順序而已吧（因為下一組螺絲釘的位置關係就不一樣了），所以你一定是學到了一些能夠重現的「高級技術」。

你怎麼確定哪些是要領呢？

一組實驗結果很好，但導致實驗成功的因素多達十餘種，其中哪些因素是你得記住的？

你該怎麼展現這些因素？

又怎樣確定哪些對結果至關重要呢？

早期心理學理論提出用即時行為的「強化」來回答這些問題。但這也沒多大用處，因為手頭的問題越發複雜了。

顯而易見，需要強化的該是計劃而不是行為本身，也就是說想要把信度分配做好，就要能思考做過的事——問題是，目前還沒有人設計出能完成這一功能的框架。

5. 編程：我們需要更好的編程語言

很奇怪的是我幾乎沒見過誰能設計出「問題解決」程序——哪怕只是能夠描述「問題解決」的語言或能夠運行這種語言的機器。

第一個試圖用程序模擬人類解決問題過程的實驗發生在 20 世紀 50 年代早期，就在計算機普及大眾之前。Newell，Simon 和 Shaw 試圖用 John von Neumann 等人設計的機器，來設計出「問題解決」程序。他們先設計出表處理語言 IPL；

1960 年左右，John McCarthy 又設計出一種更高階的語言 LISP 以便更容易地完成此事；

如今，人們已經設計出能夠實時自我修正的程序。

譯者註：LISP 是一種通用高級計算機程序語言，長期以來壟斷人工智慧領域的應用。LISP 作為因應人工智慧而設計的語言，是第一個聲明式系內函數式程序設計語言，有別於命令式系內過程式的 C、Fortran 和面向對象的 Java、C# 等結構化程序設計語言。LISP 的祖先是 1950 年代 Carnegie-Mellon 大學的 Newell、Shaw、Simon 開發的 IPL 語言。

悲哀的是，程序員社區的其他人並沒有認識到其重要性，世界還被像 Fortran，C 語言和它們的後繼者這樣無法自我調整的傻瓜語言掌控著。現代操作系統也依舊僵腐，因為其競爭對手儘是些沒法理解自身並自我修正的玩意兒，商用機仍然要用 35 年前的那個老古董 UNIX。所以我們其實是從頭再來，重蹈覆轍在所難免。計算界到底怎麼了？

6. 人工智慧：關注常識而非僅關注專家

人工智慧發展的早期，我們寫過功能非常超前的程序。其中有一個能夠證明歐幾里得幾何學定理。這也不難，畢竟幾何只基於幾點假設：

兩點連成一線；

兩條線或是平行，或是相交於一點；

兩個三角形的兩邊及其夾角相等，則兩個三角形全等。

像這種僅基於簡單幾點假設的體系最適合編程了，內在邏輯清晰，不複雜。程序極其優美。

人工智慧其實解決不了孩子能解決的問題？

回首往事，不禁感慨，也許當初不該在這種「超前」的問題上付諸這麼多精力，導致直到今日也沒有人去留意那些小孩子就能應付的問題。那個歐幾里得定理程序的運算能力抵得上一個優秀的高中生了。

我們曾有個研究生寫出過能解決微積分中的符號問題的程序，這段程序在 MIT 大一微積分課程中都能得個 A 呢（當然，它只能解決符號問題，用語言表達的問題，它是應付不來的）。

最終，這段程序的「子孫後代」們終於突破了人類對數學的認知，成為商用數學模型 MACSYMA 和 Mathematica 的前身。多麼激動人心啊，只是可惜這些程序仍然無法處理「語句問題」。