人工智慧與量子計算，通向黑暗世界的地獄之門？（上）

最新 08-29

人工智慧與量子計算，通向黑暗世界的地獄之門？還是通向隨機世界的上帝伊甸園？

---------從量子退火計算機與深度學習的原理看黑暗世界

大熱的人工智慧，重新讓量子計算這個神秘的超級算力設備相關的話題熱了起來。熟悉這兩個領域的專家，應該都知道，無論是目前谷歌alpha go人工智慧背後的深度計算，還是量子計算機里第一個做到實用的Dwave 128位量子計算機，其所依賴的都是大自然的「神秘」力量：

人們無法理解深度學習學出來的模型、更無從更改和準確控制這個模型的輸出，量子退火也是依靠「大自然」來模擬大自然，並不是在人類演算法控制下的精確計算。

為什麼有那麼多超級人類擔憂甚至地址人工智慧，這或許就是原因之一，甚至是根本原因。下面將通過介紹人工智慧（特別是深度學習）、量子計算（以目前接近可用的量子退火計算機為例）的基本管理，解釋上面這個論斷的原理。

因為這兩個話題實在有些專業，所以，我盡量不引用教科書，尤其是那些充滿了奇怪符號的公式（其實數學公式不過是換了一種語言來表達同一個意思，如果不能用人類語言描述清楚的，公式也肯定描述不清楚）。

讓alpha go屹立江湖的深度計算，並不是什麼新技術，她是仿生模擬人腦的神經元計算的升級版本，在60多年的AI人工智慧發展史上，是眾多的研究工具中的一個，其他的方法還有（不必在意這些專有名詞，你可以直接跳過去）：

1 Search and optimization 搜索及優化

2 Logic 邏輯和推理

3 Probabilistic methods for uncertain reasoning 不確定推理的概率方法

4 Classifiers and statistical learning methods分類和統計學習方法

5 Control theory 智能控制

6 GOFAI and languages 符號與語言

其中，模擬人腦神經元結構是最容易想到的方法，神經元的構造高中的時候我們都學過：

神經元可以抽象成連著輸入與輸出的黑盒子，給定一個輸入（刺激），經過黑盒子後得到一個輸出（反應）：

用數學描述黑盒子的功能（function，咱們課本上是一個很玄的專用翻譯：函數），就是仿生人工智慧要乾的事：

實際的神經元模型比這個稍微複雜一點，如下：

上面的圖中，a1、a2、……、an是輸入， t是輸出，需要計算（機器學習）的參數有w1、w2……wn、b，以及需要選擇的函數類型f。

所謂機器學習，就是在已知輸入 a 的情況下，找到一個能夠映射到已知輸出 t 的辦法（f和w）。

舉個栗子，把一張貓的圖片輸入進去，計算出來如果不是貓，就繼續迭代修改參數，直到計算出來是貓。接著再給一張貓的圖片，……，直到模型越來越準確。

把大量這種黑盒子串聯、並聯在一起，就是大腦的模型了，大腦有300億個神經元，所以這個模擬是很龐大的，並行的數量、和串列的深度，都非常巨大。

這就是為什麼，這個模型早在1943代就由沃倫·麥卡洛克和沃爾特·皮茨提出來了，但是直到21世紀後才再次煥發的原因：需要大量的計算能力，特別是並行計算能力。

至於為什麼是這一組參數和這個函數，而不是另外的，沒有道理可講，沒有人類可以理解的邏輯推理。

當然實際的過程稍微複雜，比如：為什麼叫深度學習（deep learning）呢？因為一層模型發現準確度很差，於是增加層數：

隨著模型的複雜，增加的層數越來越多：

「學習」到的大量參數，構成了這個超級黑盒子，也就是所說的模型了，由於這些參數不是邏輯推導出來的，而是一種反饋、試錯、逼近的模型，當模型完成時，牽出去溜溜，結果在執行中出錯（比如把美國黑人識別成了大猩猩，別笑，我說的是真實發生的），我們無法通過修改參數、來達到控制輸出的目的，因為，修改參數後的輸出是不確定的（未知的），也就是我們無法當場改變他的輸出，只能拉回家繼續大量的學習特定知識，才有可能逐步逼近、提升準確度。這就是深度學習的全部邏輯，也就是黑暗世界的來源！

對於非致命應用無關緊要，最多吃個性別、種族歧視的官司。但是，如果是一個執行任務的機器人警察或者士兵、或者乾脆是個汽車，當他們在你周圍活動的時候，就讓人後背發涼了。當未來的機器錯殺了人，我們是無法知道直接原因出在哪裡的。也許有人浪漫的說：機器人三定律，機器人永遠不能殺人。怎麼會出現這種情況呢？問題出在：機器人怎麼知道你是人？如果他認為你是一個大猩猩呢？

我們的世界，從此變成了一個量子世界：不確定的世界……

有人可能不屑一顧。如果我們看看這個星球上最智能的物種：人類，用了多少年的代價才進入相對的文明時代，不再有全球大規模的屠殺和戰爭。這還是建立在人類之前的動物已經進化了數億年基礎之上！

退一步，即使不用人工智慧做致命的工作，深度學習目前也還有很多局限性，除了前面提到的巨大的並行計算能力，還有就是需要大量的數據」喂「她。

在最近的 AI By The Bay 大會上，Google 的人工智慧研究員 Chollet說：「目前的監督感知和強化學習演算法需要大量的數據，在長遠規劃中是很難實現的，這些演算法只能做簡單的模式識別。」

相比之下，人類「從很少的案例中學習，可以進行長遠規劃，他們能夠形成一種情境的抽象模型，並 [操縱] 這些模型實現極致的泛化。

即使是簡單的人類行為，也很難教授給深度學習演算法。例如我們需要學習在路上避免被汽車撞上，如果使用監督學習，那就需要巨量的汽車情境數據集，且明確標註了動作（如「停止」或「移動」），然後你需要訓練一個神經網路來學習映射不同的情況和對應的行動。

如果採用強化學習，那你需要給演算法一個目標，讓它獨立地確定理想的行動。為學習到在不同情況下躲避汽車，計算機可能需要先被撞上千次。Chollet 警告說：「僅僅通過擴大今天的深度學習技術，我們無法實現通用智能。

躲避汽車，人類只需要告知一次就行。我們具有從簡單少量的例子中概括出事物的能力，並且能夠想像（即模擬）操作的後果。我們不需要失去生命或肢體，就能很快學會避免被車撞上。

除了大數據的局限，在應用場景和模式上，目前得到驗證的領域，主要有圖像和視頻中的物體識別、以及語音識別等有限場景。

對於還想繼續探索的讀者，再科普幾個概念：卷積、人工智慧處理器（TPU）：

上面這個圖裡面，用到的計算，輸入a乘以參數w，也就是數組a 乘以數組 w，是兩個數列的相乘：a1x w1 + a2 x w2 + …… + an x wn，如果能夠同時計算多個數的乘法，就叫做並行計算（又叫做矢量計算，因為所謂矢量，就是不止一個數字，兩個數字能在平面上畫出一條線，線就是矢量，三個數字能夠在三維空間里畫出一條線，也就是三維矢量。）：

數組的乘法就是矩陣乘法。

什麼叫卷積呢（ convolution）？

從計算形式上來說，就是按照時間推移不斷的求矩陣乘法。

（下面的介紹有點晦澀，可以跳過。）

輸入的刺激有可能是一個波形，也就是一個隨著時間變化的函數g（t），輸出就是兩個函數的乘積f*g（t）。

兩個函數的乘積，就好比是兩艘相向行駛的船隨著時間的推移逐漸開始交錯、疊加、分離的過程。

畫到坐標里，就好像是把g這艘船對摺了過來，然後再按照時間向前推移，與相對不動的f這艘船相乘再求和。也就是先對摺（con）、再求乘積的和（volve）。

表達成數學公式就是：

兩個矩形函數的卷積動畫示意圖：

GIF/1K

卷積完成的輸出是一個三角波。

據說卷積這個詞是歐拉老師最先叫的，convolution的動詞convolve就是拉丁語的con + volve，也就是先接觸、再按照時間向前滾動。

總上，深度學習的基本運算就是矩陣乘法、卷積。

矩陣乘法AXB

兩個函數的卷積

有了矩陣乘法、卷積，人工智慧處理器TPU就容易解釋了：TPU就是專門用來計算矩陣乘法、卷積的處理器。

對於人工智慧處理器（TPU/NPU），多啰嗦幾句。因為國人只要一提到各種U（處理器，比如CPU--中央處理器）就莫名的興奮，因為一直被西方資本主義壓迫，越是得不到、就越有各路江湖神仙大顯神通、發明了各種U出來，漢芯、毛澤東芯、東方紅1A……，在計算機時代遠去後消停了一陣子，因為手機時代已經越來越少人關注啥處理器了，最多炒一炒日本屏幕、國產貓（modem）。但是進入人工智慧時代後，特別是當谷歌推出了TPU後，江湖大神又開始活躍了，人工智慧CPU呀、AI指令集呀，都冒出來了。

其實，矩陣乘法、卷積運算，不是新東東，圖像處理里也有大量的並行數據處理，這也就是為什麼GPU（圖形處理器）突然在人工智慧時代火了的原因。相對GPU，TPU就更加專註了，省略了GPU里的紋理處理等單元、增大了晶元內置的memory、提升數據吞吐，因為學習過程是一個數據密集型應用。

限於篇幅和時間，量子退火計算下次介紹，不過，提前劇透一下，被各路神仙捧為超時空心靈感應的量子糾纏、恐怕是一個偽科學，至少目前還無法實現嗎，因為量子科學家們用公式推導出來：信息的傳播無法超越光速。既然沒法超越光速，糾纏的兩個量子之間的信息傳遞、跟拉一根電話線差不多。也就無從談起穿越時空的神學問題了。

更多熱點文章，請加本公眾號。

追本溯源，刨根究底，才能找到真理的源頭……

尋找歷史開始的地方，是歷史，更是未來……

前期熱點文章鏈接：

（1）蒼天有情自何始：地球生命起源之謎（1）

（2）地球生命起源之謎（2）：大分歧，三派逐鹿俱稱先

（3）天地玄黃、宇宙洪荒：宇宙大爆炸理論介紹

（4）把宇宙138億年壓縮到1年: 看完懷疑人生

（5）毀三觀的不是宇宙大爆炸，而是孔子春秋筆法

（6）經濟撕裂與文明大衝突：下一個十年的世界大趨勢

（7）處理器簡史：半導體巔峰，縱橫四十年--(1) CPU 起源

（8）DRAM晶元戰爭，跨越40年的生死搏殺