量子＆神經＆區塊鏈＆AI知識大融合？
jStephen Wolfram介紹
Stephen Wolfram是Mathematica，Wolfram | Alpha和Wolfram語言的創建者; A New Kind of Science的作者; Wolfram Research的創始人兼首席執行官。在近四十年的時間裡，他一直是計算思維開發和應用的先驅，並一直負責科學，技術和商業領域的許多發現，發明和創新。
如果你把當今最流行的流行語中的四種串聯在一起，會發生什麼？結果是否意味著什麼？鑒於今天是4月1日（也是復活節的周日），我認為探索這件事會很有趣。把它想像成復活節彩蛋 ...從中可以孵化出一些有趣的東西。而要說清楚的是：雖然我在把流行語串在一起，但我在這裡說的細節是完全真實的。
但在我們真正開始討論一連串流行語之前，讓我們自己討論一下每個流行語的一些背景。
「量子」
說些什麼是「量子」聽起來很不切實際。但實際上，量子力學已有百年歷史了。在過去的一個世紀里，理解和計算物理科學中的很多東西是至關重要的。但即使在一個世紀之後，「真正的量子」技術還沒有到來。是的，有些東西像激光，核磁共振和原子力顯微鏡依賴量子現象，需要量子力學才能發明。但是當談到工程實踐時，所做的一切基本上都是堅實的古典，並沒有什麼特別之處。
然而今天，關於量子計算的討論很多，以及它如何改變一切。實際上，我在20世紀80年代初開始研究量子計算（所以，這不是最近的一個想法）。而且我不得不說，我總是對是否真的能夠發揮作用持懷疑態度，或者是否可以通過衡量發生的事情的低效率來抵消任何「量子收益」 。
但無論如何，在過去的20多年裡，在制定量子電路和量子計算的思想方面，各種各樣的理論工作已經有了各種各樣的理論工作。Wolfram語言已經完成了大量的工作，其中包括我們正在進行的一個項目，以產生一個代表量子計算的明確符號方式。但到目前為止，我們所能做的就是計算量子計算，因為Wolfram語言本身就運行在普通的經典計算機上。
有些公司已經構建了他們所說的（小型）真正的量子計算機。實際上，我們一直希望能夠將Wolfram語言與他們掛鉤，因此我們可以實施QuantumEvaluate功能。但到目前為止，這還沒有發生。所以我不能真正擔保QuantumEvaluate會（或不會）做什麼。
但大的想法基本上是這樣的。在普通的經典物理學中，人們可以說世界上有確定的事情發生。一個撞球朝這個方向走，或者那個。但在任何特定情況下，這是一個明確的方向。然而在量子力學中，這個想法就是說，一個電子本質上並不在一個特定的方向上。相反，它本質上是沿著所有可能的方向，每個方向都有一個特定的振幅。只有當你堅持衡量它到底是什麼時，你才會得到明確的答案。如果你做了很多測量，你會看到它在各個方向上的概率。
那麼，量子計算試圖做的是以某種方式利用「所有可能的方向」的想法，以便實際上並行地完成大量的計算。這是一個棘手的業務，只有幾種類型的問題，其中理論已經制定出來 - 最著名的是整數因子。而且，根據這個理論，一個大型量子計算機應該能夠快速地對一個大整數進行分解，以使今天的密碼學基礎設施崩潰。但是迄今為止，任何人都聲稱已經建立了這些線，只有一個微小的量子計算機 - 絕對不能做任何非常有趣的事情。
但是，好吧，量子力學的一個關鍵方面是，電子可以採用不同路徑之間的干擾。這在數學上類似於在光，甚至在水波中發生的干涉，只是在經典物理中。然而，在量子力學中，應該有更多內在的干涉，導致糾纏現象，其中一個基本上不能「看到干擾波」 -僅僅是效應。
但在計算中，我們還沒有使用任何干擾。因為（至少在現代）我們總是試圖處理不連續的比特 - 而典型的干擾現象（比如光線）主要涉及連續數字。我個人的猜測是，光學計算 - 一定會來 - 將成功提供一些壯觀的加速。但它不會是真正的「量子」（儘管它可能會像這樣銷售）。（對於技術上的頭腦，這是一個複雜的問題，計算理論結果如何應用於連續過程，如基於干擾的計算。）
「神經」
十年前，電腦沒有任何系統的方法來判斷一張照片是一頭大象還是一隻茶杯。但在過去的五年中，由於神經網路的原因，這基本上變得簡單了。（有趣的是，我們三年前製作的圖像標識基本上仍然是最先進的。）
那麼最大的創意是什麼？那麼在20世紀40年代，人們開始認真思考大腦就像電機一樣。這導致了「神經網路」的數學模型 - 這被證明與數字計算機的數學模型在計算能力上是等價的。隨後的幾年中，數十億台實際的數字電子計算機已經建成。一路上，人們（包括我）試驗神經網路，但沒有人能讓他們做任何非常有趣的事情。（儘管多年來它們被悄悄地用於諸如光學字元識別之類的東西。）
但是，從2012年開始，許多人突然感到非常興奮，因為它似乎像神經網路最終能夠做一些非常有趣的事情，首先特別是與圖像有關。
所以發生了什麼事？那麼，神經網路基本上對應於一個大的數學函數，它通過將許多較小的函數連接在一起形成，每個函數都涉及一定數量的參數（「權重」）。首先，大功能基本上只是給出隨機輸出。但是，建立函數的方式，可以通過調整函數內部的參數來「 訓練神經網路 」，以便函數能夠輸出想要的結果。
它不像普通的程序，其中明確定義了計算機應遵循的步驟。相反，這個想法只是舉例說明人們希望神經網路做什麼，然後期望它們在它們之間進行插值以找出對於任何特定輸入要做什麼。在實踐中，人們可能會展示大量的大象圖像和一堆茶杯圖像，然後對參數進行數百萬次小的更新，以便在網路輸出大象時輸出「大象」，當輸入大象時輸出「大象」它吃了一個茶杯。
但是這裡有一個關鍵的想法：神經網路應該以某種方式從它所顯示的具體例子中概括出來 - 並且應該說，像「大象」例子那樣的任何東西都是大象，即使它的特定像素是完全不同的。或者換句話說，與「茶杯」相反，有很多圖像可能會被送到網路的「大象」的「吸引盆地」。在一個機械的比喻中，人們可能會說有很多地方的水可能落在一個景觀上，但仍然會流到一個湖而不是另一個。
在某種程度上，任何足夠複雜的神經網路原則上都可以被訓練去做任何事情。但是很明顯的是，對於許多實際任務（事實證明，它們與我們的大腦似乎很容易做到的部分重疊）相當一致，但用現實數量的GPU時間實際訓練具有幾百萬個元素的神經網路是可行的有用的東西。而且，是的，在Wolfram語言中，我們現在已經有了一個相當複雜的用於訓練和使用神經網路的符號框架，並且有很多自動化（它本身使用神經網路）用於一切。
「Blockchain」
2008年，比特幣的發明首次使用了「區塊鏈」這個詞。當然，區塊鏈的概念有前體。以最簡單的形式，區塊鏈就像是一個分類帳，其中連續的條目以取決於所有先前條目的方式進行編碼。
做這項工作的關鍵是散列的概念。哈希一直是我最喜歡的實際計算思想之一（當我大約13歲時，我甚至在1973年獨立提出）。哈希的做法是獲取一些數據，比如文本字元串，然後製作一個數字（例如1到100萬）。它通過使用一些複雜的函數「磨碎數據」來實現這一點，該函數總是為相同的輸入提供相同的結果，但對於不同的輸入，幾乎總會給出不同的結果。在Wolfram語言中有一個稱為Hash的函數，例如將其應用到前一段文本中，可得到8643827914633641131。
好吧，但這與區塊鏈有什麼關係？那麼，早在20世紀80年代，人們發明了「密碼哈希」（實際上它們與我在計算不可約性方面做過的事情非常相關）。加密哈希具有這樣的特徵：儘管很容易計算特定數據片段的哈希值，但很難找到將生成給定哈希值的數據片段。
假設您想證明您在特定時間創建了特定文檔。那麼，你可以計算出該文件的散列，並將其發布在報紙上（我相信貝爾實驗室在20世紀80年代每周都會這樣做）。然後，如果有人在某個日期說「不，你還沒有這個文件」，你可以說「但是看，它的散列已經在每一份報紙上！」。
區塊鏈的思想是有一系列區塊，每個區塊都包含特定的內容以及散列。然後重點是計算散列的數據是塊的內容和前面塊的散列的組合。所以這意味著每個區塊都會確認區塊鏈上的所有內容。
在像比特幣這樣的加密貨幣中，最大的創意就是能夠驗證交易，並且例如能夠通過查看區塊鏈來保證沒有人花費兩次相同的比特幣。
如何知道這些塊是否正確添加，計算出的所有散列等？那麼重點在於，世界各地有成千上萬台存儲區塊鏈的計算機的分散式網路，並且有很多人（當然實際上這些日子裡沒有那麼多人）競爭成為每一個新人的競爭對手塊（並且包括人們已經提交他們想要的交易）。
規則（或多或少）是第一個添加區塊的人可以保留交易中提供的費用。但是，每個區塊都會被許多人（包括這個區塊）在他們的區塊鏈副本中「確認」，然後繼續添加到區塊鏈中。
在最新版本的Wolfram語言中，BlockchainBlockData [-1，BlockchainBase - >「Bitcoin」]給出了我們看到的添加到比特幣區塊鏈中的最新塊的象徵性表示。當時可能再增加5個街區，我們可以肯定每個人都對街區的正確性感到滿意。（是的，這裡有個量子力學測量的類比，我馬上就會談到。）
傳統上，當人們保留分類帳時，比如交易，他們將擁有一個主賬簿維護的中心位置。但通過區塊鏈可以分散整個事物，因此您不必信任任何單個實體來保持分類賬正確。
這導致了像加比特幣這樣的加密貨幣可以在沒有中央控制，政府或銀行參與的情況下蓬勃發展的想法。在過去的幾年裡，人們大量投機加密貨幣，引發了大量的興奮。
但貨幣不是唯一可以使用區塊鏈的東西，而以太坊開創了這樣的想法：除了交易之外，還可以在每個節點上運行任意計算。現在與以太坊每個計算的結果都通過在網路中的每台計算機上運行來確認，這是非常低效的。但更重要的是計算可以在網路上自主運行。計算可以相互作用，定義自動運行的「 智能合約 」，並說出在不同情況下會發生什麼。
幾乎任何非平凡的智能合約最終都需要了解世界上的某些事情（「今天下雨了嗎？」，「包裹到達了嗎？」等），而且這些合同必須來自區塊鏈 - 從「神諭」。事實上（正是因為幾十年的工作），我們的Wolfram知識庫（Wolfram | Alpha等）為今天提供了唯一的現實基礎。
「AI」
早在20世紀50年代，人們認為人類智能所能做的幾乎任何事情都可以使人造（機器）智能做得更好。當然，這比人們預料的要難得多。實際上，「創造人工智慧」的整個概念幾乎沒有聲譽，幾乎沒有人想把他們的系統推向「做人工智慧」。
但大約五年前 - 特別是神經網路中出乎意料的成功 - 所有這一切都發生了變化，而且AI又回來了，而且比以前更酷。
雖然AI應該是什麼？那麼，從宏觀的角度來看，我認為它是人類以前必須為自己做的事情自動化的一個長期趨勢的延續，特別是通過計算來實現。但是，計算是AI的一個例子，而不僅僅是一個計算？
我已經圍繞我稱之為計算等價原則的東西建立了一個完整的科學和哲學結構，基本上說，可能的計算的宇宙 - 即使是由簡單的系統完成 - 也充滿了與人們能夠獲得的一樣複雜的計算，當然，正如我們的大腦可以做的那樣。
然而，在進行工程設計和構建程序時，試圖防止任何過於複雜的事情發生的巨大趨勢 - 並且設置一些東西，以便我們構建的系統能夠遵循我們可以預見的精確步驟。但是還有更多的計算要比這個更重要，實際上我已經花費了我大部分時間來構建利用它的系統。
Wolfram | Alpha就是一個很好的例子。其目標是儘可能多地了解有關世界的知識，並使其可計算，然後才能儘可能熟練地回答問題。從經驗上講，它「像AI一樣」，因為你可以像人類一樣用自然語言提出問題，然後計算出經常出乎意料的複雜答案。
Wolfram | Alpha內部的大部分內容並不適用於大腦，因為它利用了我們文明發展起來的最後幾百年的形式主義，這使我們比腦子更自然。
現代神經網路所做的一些事情（例如，我們的Wolfram語言中的機器學習系統）可能更像大腦。但實際上，似乎真正使事情「看起來像人工智慧」的東西只不過是他們在複雜計算的基礎上運作，而這些複雜計算的行為我們不易理解。
現在我看到的方式是在計算世界中有驚人的計算能力。而這個問題只是為了能夠利用它來達到有用的人類目的。是的，「一個人工智慧」可以開始，並進行各種與我們的大腦一樣複雜的計算。但問題是：我們是否可以將它與我們關心的事情做到一致？
而且，是的，我花了很大一部分時間來構建Wolfram語言，其目的是提供一種計算通信語言，讓人類可以用適合計算的形式表達他們想要的內容。計算世界中有很多「AI力量」; 我們的挑戰是以對我們有用的方式利用它。
哦，我們希望有一些計算智能合約來定義我們希望AI如何表現（例如「 對人類很好 」）。而且，是的，我認為Wolfram語言將成為表達這些事情的正確方式，並且構建我們想要的「AI體系」。
共同主題
首先，似乎「量子」，「神經」，「區塊鏈」和「AI」都是完全獨立的概念，沒有很多共同點。但事實證明，有一些驚人的共同主題。
其中最強大的與複雜性生成有關。事實上，我們談論的所有事情都以不同的方式依賴於複雜性的產生。
複雜性生成意味著什麼？有一天我不必解釋這一點。但現在我可能還是這樣。不知何故，我發現自己總是展現出我最喜歡的科學發現 - 規則30自動機的相同圖像。這裡是：
這裡的要點是，即使規則（或程序）非常簡單，系統的行為也會自發地產生複雜性和明顯的隨機性。發生的情況足夠複雜，它顯示了我稱之為「 計算不可約簡性 」的情況，因此您無法減少計算工作量以了解它的行為方式：您基本上必須按照每一步來了解將要發生的事情。
有各種重要的現象圍繞著複雜性產生和計算不可約性。最明顯的是事實上，複雜的計算很容易獲得 - 這在某種意義上使得像AI這樣的東西成為可能。
但好的，這與區塊鏈有什麼關係？那麼複雜性的產生就是加密散列成為可能的原因。這就是允許一個簡單的演算法做出足夠明顯的隨機性以成功用作加密哈希的原因。
在像比特幣這樣的情況下，還有另一種聯繫：協議需要人們不得不做出一些投資才能在區塊鏈中添加區塊，並且通過強制它們做到不可簡化計算有效地花費計算機時間。
神經網路呢？那麼，最簡單的神經網路根本不涉及太多的複雜性。如果一個人為不同的輸入抽出了他們的「吸引力盆地」，他們只是簡單的多邊形。但在有用的神經網路中，景點的流域要複雜得多。
當一個人得到循環神經網路時，它是最明顯的，但它發生在任何神經網路的訓練過程中：有一個計算過程有效地產生了複雜性，以此來近似諸如區分之類的東西（「大象」與「茶杯」）那是在世界上製造的。
好吧，那麼量子力學呢？那麼，量子力學在某種程度上充滿了隨機性。它本質上是量子力學傳統數學形式主義的一個公理，它只能計算概率，並且沒有辦法「在隨機性下看到」。
我個人認為這很可能只是一個近似值，如果能夠在空間和時間等「下面」獲得，我們就會看到隨機性是如何生成的。
但即使在量子力學的標準形式主義中，也存在一種互補的地方，隨機性和複雜性的產生是重要的，它處於一種神秘的測量過程中。
我們首先談論另一個物理現象：熱力學第二定律或熵增法。這條定律說，如果你開始，例如，一堆氣體分子以非常有序的形式存在（比如說在一個盒子的一個角落裡），那麼他們很可能很快就會隨機分配（例如，框）。而且，是的，這種隨機性的趨勢是我們一直看到的。
但是這裡有個奇怪的部分：如果我們看一下個彆氣體分子運動的規律，它們是完全可逆的 - 就像他們說分子可以隨機化自己一樣，所以他們也說它們應該能夠使自己不隨機化。
但為什麼我們從來沒有看到這種情況？它總是有點神秘，但我認為有一個明確的答案，它與複雜性生成和計算不可約性有關。重點是當氣體分子隨機化時，它們可以有效地加密它們給出的初始條件。
放置氣體分子不是不可能的，所以它們不會隨機化而是隨機化; 僅僅是為了解決如何有效地做到這一點就需要打破加密 - 或者實質上做一些非常類似比特幣挖掘的事情。
好的，那麼這與量子力學有什麼關係呢？那麼，量子力學本身就是基於概率振幅以及可能發生的不同事物之間的干涉。但是我們對這個世界的體驗是有確定的事情發生。從量子力學到這個橋樑涉及量子測量相當「瘋狂」的想法。
這個概念是，一些小的量子效應（「電子以旋轉起來，而不是下降」）需要被放大到一個真正可以確定發生的事情的地步。換句話說，測量設備必須確保與一個電子相關的小量子效應級聯，以便分布在很多很多電子和其他物體上。
這裡有一個棘手的部分：如果一個人想要避免干擾成為可能（所以我們可以真正感知發生的事情是「確定的」），那麼就需要有足夠的隨機性，以至於事情不能以某種方式同樣好的倒退 - 就像熱力學。
因此，即使純量子電路將他們想像為實際的量子計算機，它們通常具有足夠簡單的數學結構，以致它們（可能）不會內在地產生複雜性，但測量它們所做的事情的過程不可避免地會產生複雜性。（而且，是的，這是一個合理的問題，這在某種意義上說是一個真正的「隨機性」來源於......但這是一個不同的故事。）
可逆性，不可逆性和更多
可逆性和不可逆性是一個奇怪的共同主題，至少在「量子」，「神經」和「區塊鏈」之間。如果忽略測量，量子力學的一個基本特徵是它是可逆的。這意味著如果一個人需要一個量子系統並讓它及時發展，那麼無論出現什麼東西，至少在原則上總是能夠採取和倒退，以精確地再現從哪裡出發。
典型的計算是不可逆的。考慮一個或門，它可能是計算機中的一個基本組件。在p或q中，如果p或q為真，結果將為真。但只要知道結果是「真實的」，就不能確定p和q（或兩者）中的哪一個是真的。換句話說，OR操作是不可逆的：它不能保存足夠的信息來反轉它。
在量子電路中，人們使用門，比如說取兩個輸入（比如p和q），並給出兩個輸出（比如p"和q"）。從這兩個輸出中總能唯一地再現這兩個輸入。
好的，但現在讓我們來談談神經網路。通常構想的神經網路基本上是不可逆的。這是為什麼。想像一下（再次）你做了一個神經網路來區分大象和茶杯。為了完成這項工作，大量不同的可能輸入圖像都必須映射到「大象」上。它就像是OR門，但更多。只知道結果是「大象」，沒有獨特的方法來反演計算。這就是整個觀點：人們希望任何足夠的東西都能像大象那樣出現的大象仍然像「大象」一樣出現; 換言之，不可逆性至少是這種神經網路的整個運作的核心。
那麼，好的，那麼怎麼可能做一個量子神經網路呢？也許這是不可能的。但是如果是這樣，那麼大腦會發生什麼？因為大腦似乎很像神經網路一樣工作。然而大腦是可能遵循量子力學的物理系統。那麼大腦可能如何？
在某種程度上，答案與大腦散熱有關。那麼，什麼是熱？微觀上，熱量是分子之類的東西的隨機運動。另一種表述熱力學第二定律（或熵增法）的方法是，在正常情況下，這些隨機運動從不自發地組織成任何一種系統運動。原則上，所有這些分子都可以以轉動飛輪的方式開始移動。但在實踐中，沒有發生過這樣的事情。熱量只是保持熱量，並不會自發地變成宏觀的機械運動。
好的，但是讓我們想像一下，涉及分子碰撞的微觀過程是完全可逆的 - 事實上它們是根據量子力學的。那麼關鍵在於，當涉及大量分子時，它們的運動可以變得如此「加密」，以致它們看起來是隨機的。如果可以看看所有的細節，那麼仍然有足夠的信息來扭轉一切。但在實踐中，人們無法做到這一點，因此看起來系統中的任何事情都「變成了熱」。
那麼產生「神經網路行為」又如何呢？那麼重點在於，雖然系統的一部分是系統地「決定說大象」，但回到初始狀態所需要的詳細信息正在隨機化，並轉化為熱量。
不過，公平地說，這已經相當不錯了。事實上，我不認為有人知道如何建立一個以這種方式表現的量子系統（比如量子電路）。這樣做會非常有趣，因為它可能會告訴我們很多關於量子測量過程的信息。
為了解釋一個人如何從量子力學中走出來，在這個量子力學中，所有事物都只是一個振幅，而我們對世界的經驗似乎發生了確定的事情，人們有時最終會試圖吸引意識的神秘特徵。但關於量子神經網路的觀點是它是量子力學，但它「有了明確的結論」（如大象與茶杯）。
這樣的東西有沒有好的玩具模型？我懷疑可以從顯示相變行為的元胞自動機的量子版本創建一個實際上與實際量子磁性材料的詳細力學無關的元素。而且有必要的是，系統有足夠的組件（比如自旋），以補償其明顯的不可逆行為所需的「熱量」將遠離觀察到不可逆行為的部分。
讓我稍微混淆一下這句話。當人們談論「量子計算機」時，他們通常都在談論量子電路（量子比特）。但有時他們實際上意味著不同的東西：他們是指量子退火裝置。
想像一下，你有一堆多米諾骨牌，你試圖把它們安排在飛機上，以便與它們上的標記相關的一些匹配條件總是得到滿足。事實證明，這可能是一個非常困難的問題。它涉及計算不可約性（也可能涉及整數因子等問題）。但最終，為了找到能夠滿足各地匹配條件的最佳配置，人們可能實際上必須嘗試所有可能的配置，並查看哪一個配置最好。
好吧，但是讓我們想像一下，多米諾骨牌實際上是分子，匹配條件對應於排列分子以最小化能量。那麼尋找最佳整體構型的問題就像是尋找分子最小能量構型的問題，其物理上應該對應於可以由分子形成的最穩定的固體結構。
而且，好的，這可能很難計算出來。但是實際的物理系統呢？當它冷卻下來時，它裡面的分子實際上會做什麼？如果分子很容易達到能量最低的配置，他們只會做，而且會有一個很好的結晶固體。
人們有時會認為「物理學會一直搞清楚」，即使這個問題在計算上很難，分子總會找到最佳的解決方案。但我不認為這是真的 - 我認為相反會發生的是，材料會變糊狀，不太流動，並且不太穩固，至少很長一段時間。
還有一個想法是，如果一個機械地設置這個能量最小化問題量子問題，那麼物理系統將成功找到最低能量狀態。而且，是的，在量子力學中，可能難以陷入局部極小，因為存在隧道效應等。
但是令人困惑的部分是：當人們訓練神經網路時，最終必須有效地解決最小化問題，例如我所描述的問題（「哪些權重值會使網路的輸出相對於想要的錯誤最小化？ 「）。所以人們最終有時會談論「量子神經網路」，這意味著多米諾骨牌陣列被設置為具有能量最小化問題，其在數學上等同於神經網路的問題。
（另一個關聯是卷積神經網路 - 例如在圖像識別中使用的類型 - 的構造非常像細胞自動機，或者像動態自旋系統一樣，但是在訓練神經網路以處理圖像中的多尺度特徵時，似乎結束其規模不變性與自旋系統中臨界點所見的規模不變性相類似，或者如重正化組方法所分析的，它們的量子類比。）
好的，但讓我們回到我們整個流行語的字元串。區塊鏈呢？那麼區塊鏈的一個重點就是儘可能不可逆轉。一旦區塊鏈中增加了一些內容，人們希望它不應該被顛倒過來。
這是如何實現的？那麼，它與它在熱力學或量子測量中的工作原理很相似。想像一下，有人在他們的區塊鏈副本中添加了一個區塊。那麼，這個想法是，世界各地的許多其他人將在他們自己的區塊鏈節點上製作自己的副本，然後獨立地添加更多的區塊。
如果很多維護區塊鏈節點的人決定不勾選區塊或修改區塊等，那麼就會發生不好的事情。但這有點像氣體分子（或量子測量的自由度）。當所有事情都分散在足夠多的不同組件之中時，它們都不太可能再集中起來，產生一些系統性的影響。
當然，人們可能不太像氣體分子（儘管坦率地說，他們觀察到的聚集行為，例如在人群中擠迫，往往驚人地相似）。但世界上的各種事物似乎都取決於隨機性的假設。事實上，這可能有助於維持交易市場的穩定性和穩健性。
好的，所以當區塊鏈試圖確保存在「明確的歷史」時，它就是在做一些與量子測量必須做的事情非常相似的事情。但是為了更多地關閉循環，讓我們來問一下量子塊鏈可能是什麼樣的。
是的，可以想像使用量子計算以某種方式破解標準區塊鏈中的密碼。但更有趣的（在我看來，現實的）可能性是讓區塊鏈本身的實際運作成為量子力學。
在典型的區塊鏈中，區塊如何被添加以及誰能夠做到這一點存在一定的隨意性。在「工作證明」計劃中（比特幣以及以太坊中使用的），要找出如何添加一個新的塊，搜索一個「nonce」 - 一個要輸入的數字，以便在某個特定辦法。總有很多可能的隨機數（雖然每個都很難找到），典型的策略是隨機搜索它們，連續測試每個候選者。
但是可以想像一個量子形式，其中一個實際上並行地搜索所有可能的隨機數，並且由此產生許多可能的區塊鏈，每個區塊鏈都具有一定的量子振幅。為了填補這個概念，想像一下，例如在以太坊的情況下，在區塊鏈上完成的所有計算都是可逆的量子計算（例如通過量子版本的以太坊虛擬機實現）。
但是，如何處理這樣的區塊鏈呢？是的，這將是一個有趣的量子系統，具有各種動態。但要真正將其與世界連接起來，人們必須獲得區塊鏈上下的數據 - 換句話說，必須進行測量。而這種衡量行為實際上會迫使區塊鏈選擇一個確定的歷史。
好的，那麼「神經區塊鏈」呢？至少在今天，神經網路最常見的策略是首先訓練它們，然後讓它們工作。（可以通過給他們一套固定的例子「被動地」訓練他們，或者可以通過讓他們實際「詢問」他們想要的例子來「積極」地訓練他們）。但通過與人類比較，神經網路可以也有「終身學習」，他們不斷根據他們所擁有的「經驗」進行更新。
那麼神經網路如何記錄這些經驗？那麼，通過改變各種內部權重。在某些方面發生的情況就像是區塊鏈發生的情況。
科幻小說有時會談論直接的腦與腦之間的記憶轉移。而在神經網路的情況下，這可能意味著只需從一個神經網路獲取一大塊權重並將其放入另一個神經網路。而且，是的，它可以很好地將一個網路中的有限層轉移到另一個網路（比如說傳輸圖像的哪些特徵值得挑選的信息）。但是如果你嘗試在網路中插入一個「內存」，這是一個不同的故事。因為內存在網路中的表現方式取決於整個網路的歷史。
這就像在區塊鏈中一樣：你不能只替換一個區塊，並期望其他所有功能都能正常工作。整個事情已經被編入了隨時間發生的事情序列中。神經網路中的記憶也是如此：一旦記憶以某種方式形成，隨後的記憶將建立在這個記憶之上。
把它合在一起
首先，人們可能會認為「量子」，「神經」和「區塊鏈」（更不用說「AI」）沒有太多共同之處（除了它們是當前的流行語） - 事實上，它們在某種意義上可能是不相容的。但是我們看到的是，實際上它們之間有各種各樣的聯繫，以及各系統之間基於它們共享的各種基本現象。
那麼，「量子神經區塊鏈AI」（「QNBAI」）會是什麼樣子呢？
讓我們再看看這些作品。一個區塊鏈節點有點像一個大腦，具有確定的內存。但從某種意義上說，整個區塊鏈網路通過不同區塊鏈節點之間的所有交互變得健壯。這有點像人類社會和人類知識如何發展。
假設我們有一個可以進行各種計算的「原始AI」。那麼，最大的問題是我們是否能找到一種方法來使它能夠做的事與我們人類認為我們想要做的事情保持一致。為了做到這一點，我們基本上必須在抽象層面與AI進行交流，這超越了它的工作原理：實際上，我們必須有一些我們都了解的符號語言，例如AI可以翻譯進入它如何運作的細節。
在AI內部，它最終可能會使用各種「概念」（比如說將一類圖像與另一類圖像區分開來）。但問題是這些概念是否是我們人類在某種意義上「文化上理解」的概念。換句話說，那些概念（以及例如他們的詞）是否有一個廣為人知的故事？
從某種意義上說，我們人類對交流有用的概念就是那些已經用於不同人類之間各種交往的概念。這些概念通過被「編入」許多互動大腦的思維模式而變得強健，有點像置於區塊鏈中的數據通過區塊鏈節點之間的交互成為「集體區塊鏈存儲器」的強大部分。
好的，這裡有些奇怪的東西。起初，QNBAI似乎必須是完全陌生和不熟悉的東西（也許不可能）。但不知何故，當我們瀏覽他們的功能時，他們開始顯得非常熟悉 - 而且非常喜歡我們。
根據物理學，我們知道我們是「量子」。神經網路捕捉我們的大腦似乎工作的許多核心特徵。區塊鏈 - 至少作為一般概念 - 與個人和社會記憶有某種關係。而且，人工智慧實際上試圖捕捉在計算世界中與人類目標和智力相一致的東西 - 這也正是我們正在做的。
好的，那麼我們對QNBAI最了解的是什麼？那麼，這可能是我們所有人！
也許這聽起來很瘋狂。我的意思是，為什麼2018年的一連串流行語連接起來呢？那麼，在某種程度上，也許有一個明顯的答案：我們傾向於創造和研究與我們相關的事物，並以某種方式圍繞著我們。而且，更重要的是，今天的流行語是某種程度上的事情，我們現在可以用我們目前開發的概念來思考 - 而且這些概念通過它們以某種方式連接起來。
我必須說，當我選擇這些流行語時，我根本不知道他們會連接。但正如我試圖通過寫這篇文章所做的一樣，我發現了多少連接是顯而易見的。而且，是的，在一次奇怪的旅程中，一個合適的離奇結局，似乎就是從今天的流行語宇宙中拔出的一根琴弦落在離家很近的地方。最終，至少在某種意義上，我們是流行語！
原文翻譯地址
1.https://blogs.scientificamerican.com/observations/did-stephen-wolframs-knowledge-engine-just-become-a-quantum-neural-blockchain-ai/
喜歡的話點點關注，歡迎一起交流區塊鏈開源技術
TAG:全球大搜羅 |