重新定义智能：智能生命与机器之间的界限

智能机器已经改造了我们的文化而我们的文化正在改变并且将改变我们的身体？

用进化这台通用图灵机重新发现细菌、动物、植物、机器人和人类智能的界限

加速人类社会第二次哥白尼革命的到来

本书讲述了杰出的科学家重新定义智能以及智能展现者的故事。通过将达尔文和阿兰·图灵的想法融为一体，他们发现智能无处不在，同时还把它变成了一种方法进行应用。在书中，机器正变得过于聪明，而智能生命正在机械化。书中的人物有神秘的图灵，声名狼藉的优生学家弗朗西斯·高尔顿，动物行为学家弗兰斯B.M.德·瓦尔和他的政治性黑猩猩；安妮E.鲁森和爱模仿的红猩猩，达里奥弗·罗莱若和他的利他机器人，斯特凡诺·曼科苏和他的有驾驭能力的植物，以及工程师/哲学家克里斯·伊利亚史密斯和他的斯藩——它的普通的大学生一样聪明，很快将变成机器人来到您身边。这里有会计算的黏菌、以自己看不见的颜色为信号的章鱼，以及密探、死亡和失踪。《重新定义智能》一部分是历史，一部分是回忆录，而整本书就是来自前沿的一份报告。在那里，机器正变得过于聪明，而智慧生命正在机械化。

◆ 作者简介 ◆

〔加拿大〕伊莲·迪瓦（Elaine Dewar），

伊莲·迪瓦自幼就被无穷无尽的好奇心和讲故事的乐趣所驱动而成为作家。她的——《绿色斗篷》探讨了环境政治，是一本经典著作。《骨骼：发现美国人》是加拿大国内的一本畅销书。《第二棵树：有关克隆，嵌合体和寻求永生》获得了由加拿大作家基金会颁发的纪实文学一等奖。伊莲·迪瓦已被誉为加拿大优秀的黑幕揭发者，她立志成为公益的快乐战士。她与丈夫目前居住在多伦多。

《重新定义智能》本身就是一部惊人的杰作，但也可以当作迪瓦三部曲中的第三部来阅读——在这三部曲中，迪瓦简直编纂了人类的完整历史。在《骨头》一书中，她审视了围绕人类起源的争议；在《第二棵树》中，她着眼于生物和遗传科学的现状。现在，在《重新定义智能》中，她探索了智能、人类和其他生命的历史和进化，又提出了我们将如何对待未来以及未来将如何对待我们这些重要而又令人不安的问题。

——韦恩·格拉蒂，《解放日》、《带回渡渡鸟》的作者

我真希望这本惊人的巨著是我自己写的。迪瓦带我们踏上了一段迷人的多学科奇幻历程，从生物学毫不费力地跳到神经科学，又从神经科学轻而易举地跳到计算机研究。在这些学科中，她探讨了智能概念的每一个方面。她的个人经历把所有这些都编织到一起，变成了一篇可读性强、信息量巨大而又非常有趣的来自科学前沿的报道。

——罗伯特J·索耶， 雨果奖得主，《未来闪影》的作者

每个人都应该读读这本书。它精彩绝伦，我恨不得一口气把它读完。书中有些地方令我非常着迷。作为一个搞创作的人，我始终对科学可能带给我们的未来持反对态度，但是本书引人入胜的故事和通俗易懂的文体却吸引着我一读到底。感谢迪瓦带给我们这样一部了不起的作品，讲述了人类努力了解智能的故事。

——莎朗·布塔拉，加拿大勋章得主，畅销书作家

推荐序
背景故事

第一部分 第二次哥白尼革命

1. 特别班级
2. 狩猎野生高尔迪卡斯
3. 找寻聪明的鲁森
4. 界限问题
5. 进入政治领域
6. 在沙滩上
7. 杜利特尔博士与海豚

第二部分 进化是一台通用图灵机

8. 原罪

9. 用螺丝刀研究的心灵哲学
10. 类植物机器人
11. 打个招呼，机器人
12. 在刘易斯
13. 微生物人
14. SPAUN
15. 活生生的机器
16. 这里走来了律师

后 记
鸣 谢
参考文献
关于作者

◆ 精彩书摘 ◆

打个招呼，机器人

弗罗莱若是名心理学家，而凯勒是名蚂蚁专家，他对社会行为的进化非常感兴趣。凯勒的实验室通过许多其他的事情展示了蚂蚁领地曾源于阿根廷，但不知如何发展到了欧洲，可能是搭乘货船过去的。到达之后，它们形成了两个超大的部落。最大的从意大利一直沿伸到西班牙的大西洋海岸，成为有史以来最大的合作组织。这个超级部落的成员之间亲如兄弟，尽管它们基因不同且分部广泛。它们把其他超级部落的成员和其他蚂蚁视为敌人。

PLoS上的这篇文章解释了它们的方法，特别是“自然选择的过程如何通往被视作适应性行为的复杂特色的进化。”首先他们造出了许多计算机模型，这些被编程的模型被用于接收由简单、独特的神经网络所提供的虚拟“感觉”信息。这个进程的意义在于，在虚拟机器人群体里通过性别刺激一个涉及随机突变的进化过程。神经系统设置（他们之间的连接）刚开始都是随机选择的，但随着时间的推移，程序使之精炼。这些网络都与虚拟机器人部件相连，这些机器人能移动，但受到物理、重力、加速度等因素的限制。这些被激活的机器人都被设定了一个任务。他们的表现是由程序员审定的，程序员丢掉表现最差的，并随机改变表现好的机器人的神经系统，包括对不同组合网络的重组。

一个神经网络是真实事物的一个彻底的、简化的计算机版本。真实的神经元与周围的神经元建立物理联系，当它们来回接受并送出电子化学信号时就组成了一个网络。神经之间的连接越多，这些邻居之间的互动越频繁，它们之间的信息连接就越牢固。因此，我们才能学习。神经系统式的计算使现代计算机能通过改变或权衡网络中一个部分与另一个部分之间联系的频率来学习。

弗罗莱若和凯勒用“基因组”这个词来表达他俩互相改变彼此神经网络的想法，这种改变与进化在真实的动物身上发生作用的方式相似，都是通过基因突变遗传给下一代。实验编程者既设计“适应”任务，又负责判断表现，因而相当于是达尔文进化论中的“上帝之手”——自然选择。

这类人工进化所产生的最成功的模型表现是写实机器人。他们制造了一小批机器人，每个都配置了由计算机精心编写的独特的神经系统。他们给轮子或能产生运动的其他东西通电，也给对光等其他信号产生反应的感应器通电，这些都通过神经网络。这些部位间的连接关系与一只动物的感应器官、肌肉、大脑之间连接不相上下。有的写实机器人在适应任务中做得更好一些，这种将作为下一代的基础，使进化得以延续。

通过这些方式，他们得到了惊人的结果，并发表在了PLoS上。

“仅几百代挑选就足以让机器人进化出无碰撞的运动，成为极具捕猎策略的自动引导型捕猎高手，使大脑与身体互相适应、合作，甚至互让利他。案例中发生的这一切都是通过神经网络随机变异导致的选择来实现的。”

我花了好几个小时反复研读这篇文章，试图捕捉到其中的魔法诡计。这怎么可能？随机的改变怎么会变成机器的智能行为呢？肯定有错误。开始我甚至以为我找到了一点，所以我拼命地紧追不放。他们称，进化机器人这一领域灵感来自于阿兰?图灵1950年发表的《心灵》（Mind）一文，文章描述了“图灵测试”：

“他（图灵）表示能适应和学习的智能机器很难被人类设计者蒙骗，这种机器可以在进化过程中通过变异和选择性繁殖实现。”

不是这样的！图灵写的是创造一种计算机，骗人们相信计算机能思考的那种。图灵声称能欺骗我们的机器必然具备学习能力，因为即使大批人马一起给这样的机器编程也得耗费很长时间，所以机器必须能够自我学习和记忆。一种让机器学习的方式就是以人类，学习方式为范本——不是成人（太复杂），而是儿童。图灵把建模分成两部分：一部分被他称作儿童计划，另一部分是教育过程。在这一点上我认为，弗罗莱若和凯勒对他们的导师理解有误。图灵说：

“通过认同，在这一过程与进化之间存在明显的联系：

儿童机器构造=儿童机器世代相传的物质变化=突变

自然选择=实验者的判定。

然而，人们也许希望这个过程会比进化更为迅速。优胜劣汰是一个渐进的衡量优势的方法。实验者通过锻炼智力应该能够加速这一过程。同样重要的是，它不局限于随机突变。如果它能追查一些弱点的原因，它或许可以认为这一种突变将改善自身。”

图灵曾将进化作为一个隐喻，而不是作为编程方法的处方，而他只字未提具体化。事实上，他曾建议他的童趣学习机不会是一个机器人。“例如，没有给它提供腿。”他写道，“因此，它不能被要求走出去填补煤斗。”他对给它感官也不感兴趣。所有他需要的是老师（程序员）和孩子（学习机）之间沟通的手段。

你看，我再一次确定。他们完全颠覆了图灵的工作。

然而，图灵论文的其他部分已经明确塑造了他们的想法，那就是图灵所说的，把随机性作为一种搜索的方式。图灵依赖随机性，这是他职业生涯的一个产物，作为一名破译员，他通过搜索数以亿计的可能性，由内部知识、聪明的逻辑以及统计来缩小范围。这也是他局限地理解遗传学的结果。他写道：

“当我们正搜索某个问题的解决方式时，一个随机元素是很有用的……现在，学习过程也许会被视为一种满足老师的行为形式的搜索……因为也许有大量的令人满意的解决方案，随机方式似乎比系统性要好……”

“应该注意到的是，‘随机性’被用在进化的类似过程中。但是在这里，系统性方式是不可能的。为了避免再次尝试追踪，一个人怎么能追踪已被尝试追踪的不同的遗传基因组合呢？”

1950年，图灵不可能知道细胞中的DNA是一个先前遗传基因组合已经尝试过的记录，他也不可能知道进化变化的发生仅仅是由于随机突变性和重组即将由芭芭拉?麦克林托克(Barbara McClintock)、琳?马古利斯(Lynn Margulis)和其他人提出。

总之，在我看来，弗罗莱若和凯勒过于简化了进化是如何进行的。而且，他们声称，图灵作为一名导师，其思想完全进入了另一个方向。

然而，里面一个微弱的声音说道：“那又如何？他们叫机器人做什么，机器人就做什么。这你又怎么解释？”

弗罗莱若和凯勒描述他们的模拟神经网络是如何产生多种多样的机器人行为的：

“……人工基因组可以描述决定机器人行为的人工神经网络的突触连接的力量。神经网络的输入神经元被机器人传感器激活，而输出神经元控制着机器人的马达。每个人都有一个不同的基因组来描述不同的神经网络（比如，神经元之间的不同的连接），因此产生了具体的个人对感觉运动与环境的相互作用的回应。这些行为上的差异会影响机器人被定义的适应性，例如机器人如何快速直接地移动或如何频繁地碰撞到障碍物。起初，机器人具有基因随机值，导致完全随机的行为。然后，模仿达尔文选择过程，通过选择性选择有高度适应性的机器人基因来生产新一代机器人。在这一过程中，基因组是配对的（允许重组），随机突变（例如字符替换、插入、缺失或重复）被施加一个给定概率后再到新的基因组中。进化过程可以多代重复，直到建立起一个稳定的行为策略。”

我以为我在那也有那些东西。“这个方法甚至没有捕捉到现实进化论随时间的改变。”我对维希曼说。他当时是否知道这项工作表明了染色体破损会导致重大的行为改变，且在物理作用力下基本上不是随机的？他当时是否清楚跳跃基因、逆转录转座子和控制元素根本不是基因，却控制着基因的表达？还有表现遗传学，环境和身体在将来如何协调？

从他的衣领下可以看出他浑身发热。他不是一名遗传学家。虽然他是一名生物学家，但他却对动力学感兴趣。所以我这样是不公平的。

但我不能停止。随机性不是进化发挥作用的唯一方式，我咆哮着，好像对他们的方法百般挑剔就能改变结果并能重塑生命独特性似的。我问DNA中一些碱基对的改变与行为改变之间的联系是什么？如果你的模型不够精密，那得到的结果算什么？

……

让“人脑”走下神坛

韩 锋

智能是什么？

我曾问一位世界级的人工智能专家，他说没有权威的定义。后来，我又尝试与一位来清华大学访问的美国专家讨论智能的定义，他也没有直接回答。但他的一番话值得人深思，他说：“要等30年，等到人类把大脑研究清楚才可以回答什么是智能。”我终于明白了他们不敢回答智能的关键：人类有一个天然的假设：只有人的大脑才可能有真正的智能。就像几百年前我们相信地球是宇宙的中心一样，我们把“人脑”放到了智能领域的中心位置，某个至高无上的位置。但可惜的是，在生物学领域，人在大脑的研究上进展甚微，我们至今也不清楚大脑运转的机制，所以现在专家们都不敢回答“智能是什么”。

但本书的作者，伊莱恩?迪瓦，以其记者的敏锐、求真的渴望、智者的良知，用大量的采访事实试图告诉我们：认为“人脑”的智能至高无上，主要是由于人对于其他物种的无知，对于宇宙规律理解得肤浅，以及难以避免的偏见。其实智能大量存在于和人脑完全不同的事物中。因此，她想当“哥白尼第二”！

在研究区块链是否具有分布式智能的时候，我查了许多文献，发现在20世纪30年代，阿兰?图灵就石破天惊地提出：机器也可以（像人那样）思考吗？这也是他的一篇著名论文的标题。

众所周知，阿兰?图灵是计算机之父，计算机界的图灵奖可以与诺贝尔奖并驾齐驱。跨越一个世纪，我们再回到阿兰?图灵的问题，重新思考智能究竟如何产生，就会发现不光是生物大脑才可以产生智能，物理的图灵机也可以产生智能，甚至已经做到了通过图灵测试让人无法识别机器和人脑的差别既然符合物理规律的机器也可以产生“智能”，那让我们鼓足勇气，用物理定律去探寻智能是什么吧:

第一，智能一定是一个低熵系统。熵代表系统的混乱和无知程度。产生智能的前提是要想办法降低系统的熵，这样才能产生确定的信息，这正是计算机现今在做的事情。

第二，智能要能够产生信息的结构和秩序，没有结构的信息没法表达意义（比如语法）。

第三，目前人工智能最大的突破——产生概念和意识，也就是智能的整体收敛性。

接下来让我们一步步分析。

第一，一个系统要想降低熵，就一定要有麦克斯韦妖。在麦克斯韦时代（100多年前，麦克斯韦刚刚为电磁学奠定基础），熵最大原理处于统治地位。熵增原理能统治着几乎所有的热力学现象。但麦克斯韦设想系统中存在一种“妖”，它能把一个封闭盒子里的本来热平衡的分子从一边赶到另一边，从而让一个热力学系统自动熵减，违反熵最大的原理。100多年来，这一设想让世界物理学家迷惑不解。

直到1961年，IBM实验室提出的Landauer原理，以及1982年C.Bennett才逐渐解释了麦克斯韦妖的现象，但解释得依旧不彻底。我认为，麦克斯韦妖必须要用量子不确定性来解答：① 它为什么存在；② 它为什么不违反熵最大原理。

事实上，这并不违反熵增原理，由于系统中麦克斯韦妖的存在，熵才会减少。这个过程中，系统里的麦克斯韦妖把自己的信息给了系统，自己的熵增大了。所以整个过程并不违反熵最大原理。

……

先大概说一下重整化群，重整化群究竟是一个什么样的方法？为什么它可以收敛到低熵？比如说这个自旋系统，它是可以自相似的，就是这个三角形可以无限小，就是每个格子还可以产生更小的三角形。你再看更小的三角形，就跟那个树叶一样，它还可以无限的小，就是这么一个结构。本来描述这样一个自相似的分形结构需要的信息熵是无穷大！

那重整化群怎么处理呢？

既然它是自相似的，三个三角形又可以构成一个更大的三角形，它某种程度上自相似，而且规律是一样的。这些所谓的三角形，这三个又能构成跟大的三角形，它是一个不同地层次，但是规律是一样的。我让这些无穷多的小积分积到一块儿，做一个常数加进来，然后我只关注大的三角形就行了，可以几次迭代下去，这样我们就可以得到一个低熵有限的收敛结果，这是量子场论最早产生的重整化群，最早完全没意识到它的意义，只不过当时就是为了回避所谓积分无穷大。

所谓深度学习网络DNN的办法，完全类似（如下图所示）：这个图右上角那个就表示DNN的重整化群过程，本来最下面一层可视神经元收到的信息熵可以很大，然后第二层神经元和他们有一个相互作用J，但是只用了第一层三分之一的神经元（这对应于自相似结构的尺度放大三角形），但是只有这第二层的作用，基本无法做到让DNN“学习差距”最小，所以还得多设这样的神经网络层，但每层的神经元数都递减，都符合重整化群的变换规则，最后达到DNN“学习差距”最小的目的，也就是一个低熵收敛的结果。人工智能网络的“概念”，诞生了！

重整化群的特点，我们总结一下，就是不断通过信息的自相似来降低我们每层神经网络的节点数，让我们处理的信息熵越来越少，但又不失去信息的整体特征（概念）。

人工智能其实最难以突破的就是所谓模式识别。蔡维德教授说我们的计算都是快速地笨蛋，它是不能形成概念的，你要让他识别猫，你把天下所有猫的照片给它了，它也不知道什么叫猫。它只能是暴力计算。

所以人工智能曾经停滞很多年，就是因为它只能用穷举法。我就说了，最后你会发现，这些所谓的概念完全是一种自相似的概念，那个猫，那天下所有猫，最后你为什么能有猫的概念，你是完全忽略了每个个体的不同，它的毛不同、爪子不同、眼睛的颜色不同，你全忽略了，最后收敛到一个猫的感觉，一个完全跟重整化群类似的一个智能过程，它把大量地不同信息“卷积”重整掉，但是它找到了内在联系和相似性，把细节都忽略掉。Google的神经网络首先做到了这一点，2012年，它终于从千万张猫的照片中形成了猫的概念（见下图）：

最近互联网金融有个特火的概念，叫“区块链”

 区块链目前还是一种很初级的人工智能，只是利用分布式节点记账（麦克斯韦妖）来构建一个低熵的信用系统。即使以太坊区块链的智能合约，也只是希望实现“自动执行”。但是以太坊实现了区块链上的图灵完备编程，未来可以设想区块链的网络可以向重整化群和深度学习方向发展。如此，多层次的区块链将真正可能实现全球大脑的功能。

总而言之，人类终于到达了一个认知临界点：我们可以完全以宇宙的普遍规律来理解智能，人脑只是宇宙万物中智能现象的一部分，但它不是宇宙的唯一，也不是智能的中心！

让我们和本书作者一起，开启人类的第二次启蒙运动之旅吧！