嚴曦提示您：看后求收藏（詩鼎小說網網m.autocad360.cn），接著再看更方便。

靠講臺最近的加拿大代表團用的是華人譯員。那譯員靈機一動，全部換成國際象棋術語來翻譯。當然是硬湊加胡編，代表們聽得頻頻點頭。圖海川也聽見了，沖他伸個大拇指。

“會下圍棋的請舉下手？”

不超過五十人。日本和韓國代表幾乎是全體。

“會下國際象棋的請舉手？”

舉手起碼多了五倍。

圖海川想了想說：“那也不能將就你們。這個問題，圍棋比象棋本質得多，因為它幾乎沒有人為規則。非得用它才能講清楚?！?

下面響起零星的噓聲。圖海川訕笑著，蹺起二郎腿喝水。

張翰一看他那滿不在乎的屌樣，斜靠椅背放松的身體，就知道“泥巴時刻”來了——就是朱越在泥巴里面做愛的狀態。他手心頓時涌出一把汗。

「–」

“當然是因為我們太低能?！?

圖海川用空瓶子指著自己的腦袋：“這東西功率不到100瓦，信息傳輸速度不到每秒100米。阿爾法狗下一盤比賽電費都要3000美元，傳輸速度是光速。我們發明了這個游戲，一開始和狗的玩法是一樣的——本來就該這么玩嘛。然而只要稍稍入門，計算量上去了，我們的腦子就不夠用了。要想玩下去，那就只能猛烈削減計算量。

“怎么削減呢？抽象，分類，一層又一層創造新概念，每個概念都把概率計算模糊化，把純粹的邏輯和計算問題變成教條、經驗和價值觀。我們把無數種估值計算抽象成‘實地’和‘外勢’，把無數種小局面分類成‘好形’和‘惡形’。阿爾法狗億萬次推演的得出的下一手，我們用幾個字的模糊教條代替，比如‘逢危需棄’。我們用‘美感’‘虛實’這種非邏輯語言描述圍棋，因為我們說不清楚、算不過來。這些低能耗工具真的非常管用，李世石還贏過狗一盤！

2016.3.13，人腦智能在棋盤上最后的輝煌：78手挖制勝。這盤之后阿爾法狗再無敗績。“鬼魅”“凌厲”“天外飛仙”是當時其他人類對白78的描述。78手實際上是誤算，然而引發了ai的bug

“這一套玩法聽起來很矬。下棋我們是永遠下不過ai了。但是阿爾法狗只會下棋，其它什么也不會。東亞人說圍棋是人類智能的桂冠，這是自吹自擂。下圍棋是個非常簡單的智能行為，因為它規則非常簡單，因素非常單純。我們覺得它難是因為19路棋盤太大了，純屬自虐設計。從13路漲到19路，計算量指數暴增，我們又非要玩，就必須搞出這么多復雜的概念來簡化它。而狗，因為有一把蠻力，簡簡單單就把它玩好了。從信息處理和概率學的角度來看，醫生診斷病人，或者純粹靠觀察判斷老婆有沒有偷情，都比下圍棋復雜億萬倍。這些事情，我們很多人都能做得很好——”

下面哄堂大笑，都在互相問圖海川有沒有老婆。

“——但是阿爾法狗就不行。絕對不行。作為一個ai，它非常原始。而我們的大腦是一部通用智能機器，它用它那一套工具和架構，可以對付任何事，解決任何智能問題。我看見同行們在打哈欠了。因為我剛才講的都是ai研究中的入門常識。為你們的領導著想，請再忍耐我一會兒。

“誰都知道大腦是唯一的通用智能機器。那我們為什么不造個人工大腦呢？這東西可不好造。因為它慢，為了解決問題就進化得極其復雜。上個世紀后半段，有些ai研究者真的嘗試過。一個小程序或者一個硬件單元代表一個神經元，讓我們弄一大堆胡亂連起來，就叫神經網絡！用海量數據訓練它，看看它會不會變成大腦？

“當然沒有。這些先輩，在業界叫做連接主義者。他們幾十年沒做出什么成績，在投資者當中名聲臭了。后輩為了出成績趕緊換方向，ai技術的玩法從連接變成了概率。阿爾法狗就是概率學ai的平型關戰役，雖然體量很小沒搞定多少鬼子，卻吹響了二十一世紀人工智能大進軍的號角。因為它證明：我們只要操起這個武器去打，總有能打贏的時候。”

日本代表們聽譯員解釋之后都在笑。

“為什么我會坐下來，從頭考慮這些常識問題？因為我感覺概率學已經玩不動了。我的偶像楊立昆，在2017年就說他已經準備好放棄概率學。那時我還是個無知少年，覺得他在無病呻吟。到2029年，我比他更絕望。不是說概率學ai不行，它很厲害。谷歌透鏡、人臉識別、自動駕駛、智能輔助設計、診斷系統、智能測謊、無人機刺殺、智能戰略防御，不久之前你們還用得很開心。這些都是概率學ai的成果。當代流行的ai中，最差勁的是智能教育系統，教書的ai假裝教，上課的學生假裝學。最可笑的是ai明星，猴子穿個龍袍就敢去演皇帝。這兩個失敗都情有可原：在我看來，當個好老師是人類最高智力成就，而表演別人是人類最狡詐的智能行為。這些短板還不算嚴重。真正嚴重的是：概率學ai看來永遠達不到我的目標——通用人工智能。（注：楊立昆，即yann lecun，美國人工智能學家，深度學習的創始人之一，被譽為“卷積網絡之父”。）

“于是我反復思考那個唯一的通用智能，越想越氣憤。它憑什么那么簡單卻那么厲害啊？”

國務卿不舉手直接站起來：“簡單？你不是剛說它極其復雜、無法制造嗎？”

“它長得極其復雜，運作的原理卻非常簡單。跟概率學ai正好相反。我們用概率學ai解決一個問題，構造框架簡單明了，但具體實現要做非常復雜的設計、計算和測試。其中有些部分純粹靠反復碰運氣，碰到正確答案為止。為什么正確我們都不知道。而且無法移植，能解決人臉識別的ai設計遇到翻譯問題馬上廢掉，幾乎是從頭做起。也就是說，我們沒有一個關于智能的整體解決方案，都是具體問題各自為戰。大腦是一個明擺著的整體解決方案。大腦神經元不懂任何算術，更別說概率學，執行的操作就那么兩下。組成一個龐大的網絡卻能解決一切問題?！?

“哦？我聽過的科學家，都說大腦的運作原理無比復雜。你卻說簡單？那么簡單的話，能分享一下嗎？”

“剛才我講人怎么下棋的時候，已經說過了：記錄，模式抽象，分類，層層創造新概念，把記下的模式用來預測。完了。”

國務卿一時摸不著頭腦。圖海川揮手讓他坐下。戈德曼坐在旁邊不動如山，根本當他不存在。

“同行們注意！下面是你們不知道的，或者不愿意承認的。連接主義者很不幸。他們的直覺其實是對的，但生活在上個世紀，生物學和認知神經學都太落后，根本不懂大腦。我們先來看看大腦到底怎么工作。

“我們的計算機程序，數據結構非常復雜，大學時數據結構基礎就要學一年。谷歌推出的ai數據標準，光是‘張量’一個結構就能把有些專業人士打暈。而大腦呢？它只傳輸一種信號：神經電位沖動。它只存儲一種數據：組合序列。

“我們的感官接受很多種信號：視覺接受電磁波，聽覺接受聲波，還有壓力、慣性方向、熱量轉移速率、無數種化學分子，氣溶和水溶分子接收體系還不一樣……大腦可不像計算機，為每種信號規定一種格式。大腦在神經系統的邊界層就把它們全都轉換成神經元沖動，在內部全都存儲為組合序列。所謂沖動，就是一個神經元以電位形式興奮起來，并把興奮傳給連著它的另一個神經元。每個沖動本身都是一模一樣的，區別只在于從誰傳給誰。所謂組合，就是哪些神經元一起興奮。所謂序列，就是不同組合興奮的先后順序。這就是大腦唯一的數據形式，大腦用它解決所有問題。它完全依托于神經元之間的網絡存在，沒有連接就沒有數據。所有寫過程序的人，請你們仔細品品這種數據結構。多簡潔，多優美！

“我們每時每刻都在接受海量的感官信息。視網膜感光細胞就有幾百萬個，看電影時每秒激勵10次左右，已經趕不上電影每秒幾十幀的刷新率。雖然大腦有上千億個神經元，也不可能存下這么多組合序列。這跟下圍棋不可能計算窮盡是一個道理。于是大腦使出第二招：模式抽象。

“假設你在看書。印刷文字反射的光線投在你的視網膜上，感光細胞開始一群群激勵，向大腦中連著的神經元發送沖動。有些沖動的組合序列代表受激勵的感光細胞直線排列，大腦把它抽象為“直線”，在上一層用一個或者幾個細胞的組合代表。同樣的方法也產生“弧線”這樣的抽象。幾個‘直線’和‘弧線’的特定序列組合，在更上一層抽象為字母h。幾個不同字母的組合序列，在更上一層抽象為單詞horse。記錄horse的組合序列，會跟另外一些早已存在的序列連接起來——比如你聽見這個單詞的讀音產生的序列，那是耳朵接收音頻轉換生成的序列。

“所謂連接，就是共同激勵，你一興奮我就興奮。英國和美國口音horse的念法不同，男人和女人的聲音頻率也差得遠。但是沒有關系，它們跟視覺產生的單詞序列都連在一起，還跟你曾經看見一匹馬的視覺圖像序列連在一起。除了英文你還會說中文。那么，ma的發音跟horse天差地遠，在你大腦中兩個代表不同音頻的序列仍然連在一起。這幾個序列彼此全部連通，那么就會再次向上層細胞抽象。在這一層，‘馬’已經甩掉了黑毛還是白毛、聽覺還是視覺、文字還是圖像、中文還是英文這些不必要信息，成為一個真正的概念，用一個特定神經元組合記下來。我們可以叫它馬細胞。那么以后你不管通過哪種感官接收到關于‘馬’的信息，甚至閉上眼自己想一下，馬細胞都會興奮起來?！?

“它還會跟大腦中許許多多其它概念連起來。比如另有一個‘?！母拍睢＿@兩個東西的組合序列會很相似，因為抽象出它們的下層序列和關聯概念，很多都是重合的。比如四條腿，比如都能被人養。大腦會發覺這兩個組合序列相似，雖然不清楚該叫什么，先連起來再說。以后你再聽到‘家畜’這個說法，更高一層的概念名字就取好了，新的存儲組合也生成了，以后認識的豬和羊都連到這里。這就是大腦的第三招：分類。這種層層抽象還會向上延伸，比如生成‘動物’的概念。還會跟其它概念產生橫向連接，比如‘馬’可能連接到‘老婆’。為什么會這樣連接？因為‘馬’這個概念的下層包括一張抽象的、長長的臉。你的大腦中“老婆”這個概念已經連到了這里，雙方共用這個下層概念神經元組合，所以連上了。連上之后，別人小聲說‘母馬’，你就會很敏感，覺得是在罵你老婆。”

聽懂的人都聽得癡了。沒聽懂的又開始推測圖海川的婚姻問題。

“組合序列記錄、模式抽象、分類。大腦就靠這三招，在內部建立了一個世界模型。如果這個模型是一座大廈，我剛才描述的局部就比一塊磚還小。然而，整個大廈都是用這種機制建成的。這個世界模型的物理位置在大腦皮層，僅僅用了六層細胞，大概一千億個。我們遇到的每一個需要智能解決的問題，大腦都在建好的世界模型中推演，就像棋手先推演下面幾步，再落子。這叫預測?；蛘吒鶕碌男畔?，先在世界模型中增添新組件，和舊組件建立連接，再來推演。這就叫學習，或者叫記憶加預測。

“做ai的人都有共識：智能的本質就是記憶加預測。我們頭骨里面這個記憶-預測模型，有些人大，有些人小，所有人都有不同程度的歪曲。但大腦解決所有問題都是把它放在整個世界模型中運行。這樣來看大腦，它不是通用智能才怪！”

沒有一個人說話，沒有一個人的眼睛離開圖海川的臉。只有一些小國代表受不了自己的譯員了，用耳機連上公共翻譯。

“一個小巧、簡潔、通用的世界模型。聽起來就能把人迷死。想制造大腦的人遠遠不止我一個，古往今來太多了。為什么他們都失敗了？我們再回頭來看看連接主義者，在我之前最近的嘗試?！?

“他們的直覺其實是對的。分布式網絡，單元最簡行為，海量輸入數據施加壓力，讓網絡自己學習、生長、進化。這些都是構造大腦的基本原則。世上最復雜的東西都是長出來的，而不是設計出來的。也不要以為‘連接主義’在ai界成了貶義詞，它就死掉了。當今主流的ai技術：深度學習或者機器學習，它們的內核還是這些原則，只是設計使用的數學工具先進了無數倍，再加上不聲張而已。你最多能聽見他們說‘黑箱卷積’或者‘玄學調參’。

“既然原理相同，那為什么從前的連接主義者尸橫遍野，當代偷師了連接主義的概率學ai仍然看不到大腦的尾燈？原因只有一個：大腦比它們先出發——大概五億年。

“大腦的世界模型不是從你出生開始構建的。只有最頂層很少的一部分才跟出生后的學習有關。下面占多數的底層，組合序列早已建好，預測模型早已完美，數據龐大到不可思議，連接復雜到不可思議，都是你繼承的遺產。這些部分很多跟你的身體有關，更多的與外部世界有關。隨便挑出一個局部，都能讓頂尖的概率學ai汗顏。

“我們挑個簡單的：皮膚上的壓力感受器。你剛出生，它就對外部世界無師自通。給它個尖銳而快速的壓力——痛覺，模型預測是荊棘或者爪牙，對策是不經過意識反應直接縮開，越快越好。給它個點狀分散、輕微而移動的壓力——癢覺，模型預測是昆蟲或者腐蝕性物質，對策是沒手的去樹上蹭，有手就用手撓。給它個寬廣、穩定而柔和的壓力，模型預測是愛撫，對策是通知某個腺體分泌神經遞質，神經遞質促進一大片預先編好的組合序列興奮起來，讓你覺得爽，還會啟動一整套社交行為。比如四腳朝天亮出肚皮，或者放開奶頭笑一下，或者呻吟兩聲鼓勵他繼續。”

聽眾們一直屏息靜氣，這時突然爆出一片喝彩與掌聲。圖海川絕望地想：幸虧加的料夠多。

“這么龐大復雜的底層模型，當然也是一點點學習外部世界，學出來的。不是我們自己，是五億年間每一個直系祖先。學習方法是世界讓神經建模不行的早點去死，或者終身破不了處，那些就不是我們的祖先。建模夠快、夠準確的才有資格做祖先。它們把整體建模的菜譜刻在基因組當中傳給我們——菜譜，不是藍圖！也就是說，每個人頭顱中的世界模型剛一出生，對世界的學習就已經持續五億年。所以它才會長得那么復雜。

“而連接主義者呢？他們輸在起跑線上。人工神經網絡從一無所有的白紙開始。不僅節點和連接數量沒法跟大腦比，探索階段的學習數據攝入量，幾張打印紙就可以抄完。我說過，他們的原則沒有問題。也許讓他們搞上一千年，人工神經網絡能趕上大腦的水平。畢竟人類操縱進化比自然快得多，看看狗就知道——真正的狗，不是阿爾法狗。但是現代社會不可能等你一千年。阿里集團放手讓我玩了十年，已經是理解與慷慨的巔峰了?！?

孤零零一只手舉起。這是一位小國代表。

“圖博士，您的智能學講座精彩絕倫。但是為國際社會的團結考慮，能否請你不要把進化論這樣充滿爭議的學說帶進來呢？我相信我們今天是來達成共識的，不是來爭吵的。”

“謝謝您的夸獎，主教大人。這次會議開三天，就算今天我們不爭吵，明天后天也一定會。還有，如果您無法接受任何一種包含進化論的表述，那么再聽我講半小時，您會發現我們全體坐上了高速列車，直奔地獄?！?

主教似乎被嚇住了。他剛坐下，英國技術代表杰米斯爵士又舉起了手。

“非常感謝你給同行上的生物課。請問你是生物學家嗎？或者神經學家？或者有醫科學位？”