<mark id="oztn4"></mark>
0
| 本文作者： 黃楠 | 2022-07-29 14:20 |
當科學家把一些菟絲子移植到幾株營養狀態不同的山楂樹上時，那些營養狀況更好的山楂樹會更容易獲得菟絲子的「青睞」。這在以往被看作是植物內「被動」存在的東西，但據研究人員發現，植物也具備從過去的經驗中學習區分正負面的經驗及教訓、進行交流、計算自身處境等等人類所具備的能力。
在其最近新出的《智能簡史——從大爆炸到元宇宙》（以下簡稱「智能簡史」）一書中，加拿大工程院院士于非將上述示例視為植物的「智能」。
去年12月在雷峰網(公眾號：雷峰網)舉辦的 CCF-GAIR 大會上，AI 科技評論曾有幸與于非院士進行了一場深入討論，不一味強調從「感知」到「認知」的階段進化，而聚焦當下人工智能的局限性以及智能的科學定義，彼時的于非，仍在為人工智能重新定義尋求可計量的「香農定理」。
定義「智能」科學范式，對人工智能的發展具有重要意義。當時，于非就表示：「科學里面最重要的就是定義。這個東西到底是什么？如果只是文字上的描述，在數學上不是可定義、可量化的話，這個問題就解決不了。」
而在《智能簡史》中，于非對理性的數學公式下「智能」定義進行了探索，并指出一條量化智能清晰的新路線。
在很長時間里，「智能」都被視作人類獨有的產權，但在于非看來，智能實則是存在宇宙中的一種自然現象，與其他自然現象類似。由于宇宙大爆炸下分布不均的成分帶來了各種各樣的差異，智能旨在通過調節梯度實現宇宙穩定，從物理、化學、生物到人類、機器甚至元宇宙，智能普遍存在，鏈接形成了一部發展史。
《智能簡史》：定義「智能」
當智能應用的空間擴大，如智慧城市與智能網絡形成，單體智能的局限性漸顯，科學家們開始求變，從更大的視角思考：什么才是真正的智能？
于非也是這求索隊伍中的一員。
于非（F. Richard Yu），加拿大工程院院士、IEEE Fellow、是國際信息和人工智能領域專家，科睿唯安計算機科學領域 “全球高倍引科學家”, 谷歌學術引用量超過 3.3 萬。
長期以來，關于「智能的定義」問題一直困擾著于非。
智能的定義未明晰，因此人工智能也還沒有成為一門科學，處于工程學階段，無論是預訓練模型、知識圖譜還是CNN等概念，都是基于認知科學的啟發而提出的。「可以說，人工智能還處于仿生學的階段。就像在空氣動力學發明之前，人們只能仿照蜻蜓和鳥來研發飛行器。」
對此，于非著手進行了大量的研究，意圖通過其他學科了解以往對智能的描述，直至「越查越久遠，一直查到宇宙從哪里來的大爆炸時期。從大爆炸開始產生了物理世界，就有很多的智能現象。」
1969年，比利時物理化學家和理論物理學家伊利亞·普里高津（Ilya. Prigogine）提出「耗散結構」理論。該理論表明：當包含非線性的多基元多組分多層次的開放系統處于一個遠離平衡態的情況下時，系統不斷同外界交換物質和能量，系統內某個參量變化達到一定閾值后，就會觸發從無序突變為有序狀態而形成的一種時間，空間或功能的特殊結構。
經由大規模物質和能量的交換沖擊形成新結構，這也印證了化學世界中「智能」「秩序始于混亂」的法則。
當范式踏進生物系統，麻省理工學院的杰里米·英格蘭（Jeremy England）教授和團隊在「耗散適應」理論中展示了系統通過耗散能量以緩解能量不平衡，在一定條件下，無分子系統自然而然充足，通過化學反應代謝消耗更多的能量，從而促進能量的持續耗散以及「熵」（即宇宙無序狀態）的增加。
能量堆積下，結構以最快、最省力的過程迅速緩解不平衡，繼而穩定形成了生命，這是過往人們對物理世界、化學世界和生物世界中智能起源的認知學說之一。在其發展歷史進程中，「智能」也誕生過無數令人為之感嘆的「神秘」現象。
而隨著人類科技發展邁進新的社會階段，需要人們在更大的時間和空間范疇里來思考「智能」的更高級別的表現，但能被稱之為科學的「智能」，仍然缺少一個理性的數學公式的定義。
為了尋找一種量化信息的方法，1948年，香農在論文“A Mathematical Theory of Communication”中借鑒熱力學概念提出「信息熵」，第一次用數學公式，闡明概率與信息冗余度的關系，使用「熵」來量化信息，對信息時代的成功起了至關重要的作用。
邁進智能時代，以符號主義、聯結主義、行為主義為代表的三大學派對「智能」的描述爭論不休，即使對質量、能源、信息等重要因素的獲取難度降低，但「智能」是對信息的更高層次的抽象，其定義尚未明晰。
于非在《智能簡史》一書中指出：智能并非人類的專屬，而是同巖石滾落、冰雪融化般普遍存在于物理、化學、生物以及人類、機器（人工智能）乃至元宇宙中的自然現象。智能并不神秘，它是緩解不平衡過程中形成的一種自然現象，使人得以用同樣一個邏輯來理解世界如何運轉。
與此同時，如何量化智能，對于科學的「智能」至關重要。
1950年，圖靈首次提出一個判斷機器是否能思考，測試機器是否能表現出與人類相同、或無法區分的智能行為能力的測試，給「可計算性」下了一個嚴格的數學定義。然而，圖靈測試中沒有量化的智能度量。
對于如何來衡量智能度量，不少研究人員曾進行過粗略的討論。但是這些工作都是從心理學、哲學或者工程技術角度出發的，對智能的定義僅限于文字性的描述和探討，并沒有從科學的角度深入探討智能的本質，更沒有從數學上量化智能。
針對這個問題，于非在《智能簡史》中探索智能的本質，借鑒了能量和信息的量化思想，開創性給出智能的定義，并首創性地提出了一個可衡量相對智能程度的公式：dL = ?S/?R；其中， dL 指智能的變化，S是當前的秩序（order）和預期的秩序的相似，R是一般意義的參數（例如，時間、數據量等），因為智能的變化與多個參數有關，所以在數學上表示是一個多元函數。考慮到多元函數關于其中一個自變量的變化率時 ，一般用偏導
來表示。
和熱力學熵相似，智能不是一個絕對量，只是一個相對量，描述的是變化多少。智能定義為一種「前后」過程的尺度標準：在一個學習過程中，衡量隨著時間的推移耗散了多少信息。熱力學熵測量能量的擴散：在特定溫度下，在一個過程中擴散了多少能量，或者擴散得有多廣。
其中dS是熵的變化，是傳遞的能量，T是溫度。
圖注：于非提出的量度智能數學公式
回顧一下人類科技歷史中涉及的幾個重要因素：質量、能源、信息和智能，可能會給我們一些認識智能的未來方向的提示。在認知革命之后，人類獲得了發明技術的能力，以比以往任何時候都更有效地為穩定宇宙這一過程做出貢獻。
人類的合作，從本質上說，其實是形成了有序的特殊社會經濟結構，使得物質、能量、信息和智能迅速的流動，從而促進我們的宇宙穩定。為了促進社會經濟系統中的人類合作，人類發明了使質量（運輸網絡）、能源（能源網絡）和信息（互聯網）互聯的技術。
從網聯范式演化的歷史中，我們可以觀察到更高級別的網聯范式提供了更高的層次抽象。
當人們很方便的得到有質量的東西后，大家會關心拿到有質量的東西的速度有多快。所以，能量的概念被提出。能量被量化為物質移動的速度有多快。
當人們很方便的得到能量后，大家會關心能量擴散的量有多少。所以，熱力學熵的概念被提出。熵是一個能夠能定量的測量能量的擴散程度的抽象概念。熵表示一個能量擴散的過程中，在某個特定溫度下，能量擴散了多少能量。另外，信息熵和熱力學熵等價。所以，信息也可以說是對能量擴散的量有多少的量化。
如今，由于互聯網和手機的普及，信息無處不在，信息如同洪水猛獸一樣推送到我們的面前。當人們很方便的得到信息后，大家會關心信息耗散的量有多少。所以，智能在本質上可以說是對信息耗散多少的量化。
目前，于非已初步完成對理性的數學公式下「智能」定義的探索，為量化智能提出了一條清晰的新路線。
「智能」之上：集體學習與區塊鏈
去年12月，在雷峰網舉辦的 CCF-GAIR 大會上，AI 科技評論有幸與于非院士進行了一場關于單體智能與集體智能的對話。當時，于非就指出，從多體協同場景（如智能駕駛）中觀察可知，要實現智能網絡，集體學習將是非常關鍵的學習范式，「然而，集體學習目前還沒有真正開始。」
在文明發展的過程中，人類之間傳遞的、書本中記載的，不僅僅是信息，還有智能。對應到人工智能領域的專業術語，那便是數據和知識的區別。智能定義為多個體間達成「智能交換」提供了知識基礎，可以進一步實現集體學習。
未來智能的發展也離不開集體學習和網絡。
當前大多數AI工作都聚焦單智能體的訓練，需要依賴大量預定義的本地環境數據集。隨著互聯網數據的爆炸性增長，這種中心化的AI架構受限于本地計算能力和存儲能力，訓練的模型的泛化能力有待提高。此外，實際場景中的許多系統要么過于復雜無法在固定的預定義環境中正確建模，要么動態變化。
當前，AI與人類學習仍然相去甚遠。人類學習需要更少的數據集，并且在適應新環境方面更加靈活。集體學習是人類能夠在生物圈中發揮主導作用的決定性特征，而在當前的AI系統中很難做到這一點。通過互聯智能，可以實現分布式智能、智能存儲、智能共享，進一步拉近AI與人類智能的界限，顯著提高智能訓練效率，更有效地模仿現實世界環境。
就自動駕駛來說，聯網自動駕駛汽車（CAV）涉及到車間通訊和車路協同，正是集體學習的具體實現。
在于非看來，車間通信和車路協同是保證交通安全的重要手段。「大多數車禍是因為不知道其他車輛正在做什么或將要做什么」，但通過開發讓車輛了解環境和其他車輛發生的情況的通信技術，或能有效預防事故。
單車智能研發的困難在于場景適應性。目前，自動駕駛汽車在規范環境下表現較好，如沒有陰雨天、道路施工或行人無規則穿行等情況，但實際應用中，單一模型難以覆蓋由數千條道路、不同的天氣、駕駛習慣、行人變動等構成的復雜路況。
「在這種情況下，車與車之間的通訊就變得很重要，但這種通訊交換并不限于信息或數據，更理想的情況下應該是——智能。」于非告訴AI 科技評論。
而集體學習的另一層權衡要素，則是個體性的保持。于非說到，「保證通訊的信息可靠性也是非常重要的一環，安全和效率通常需要進行權衡。」
隨著連接性和自動化水平的提高，惡意用戶能輕松實施不同類型的攻擊，威脅到單體車輛安全性，進而威脅到 CAV 的安全性。
CAV 是一個非常復雜的系統，容易遭受的攻擊點更是不計其數。僅相關無線接入技術就包括專用短程通信、蜂窩網絡、WLAN、藍牙和衛星通信等；通訊框架實體則包括 OBU、應用程序單元、路邊單元（RSU）和傳感器等；傳感器、全球定位系統 (GPS) 和攝像頭等是實現自動駕駛的關鍵部件。無論哪一個部件遭受攻擊，都可以影響單車乃至整個 CAV 的正常運行。
對此，于非另一個主要研究方向「區塊鏈」，可在 CAV 的環境中通過區塊鏈（DLT）技術，實現對車輛隱私數據——即「智能交換」的內容進行保護。
智能交通中，車輛通常具有多個網絡接口來與路邊單元 (RSU) 和環境車輛進行通信。區塊鏈技術的分布式特性可增強智能交通的魯棒性，改善車輛通信管理和信息共享，從而建立起去中心化、可信、安全的智能交通系統。
自動駕駛汽車無疑是人工智能改變人類生活的一個備受矚目的話題。以集體學習為關鍵的學習范式，在保證區塊鏈的性能后，智能互聯得到進一步的應用和實現。
對話于非：「明白了就獲得了自由」
圍繞《智能簡史》，AI 科技評論與于非教授進行了一次對話，以下是部分對話內容對前述文章的進一步補充：
AI 科技評論：為什么單車智能仍然是非常困難的事情？
于非：2014年，Elon Musk（特斯拉CEO 埃隆·馬斯克）就開始把特斯拉的系統叫 FSD，Full Self-Drive，當時就開始許諾說「FSD will be arriving next year」，但到現在都沒有實現，結論是這個東西太難實現了。我在加拿大期間也做過類似的研究，發現簡單有限的情況下比較容易（實現），但真正實現起來非常困難。
由于這個事情，我就一直在思考到底是什么問題，運用一些人工智能的算法為什么無法解決，帶著學生也在做這方面的研究，這跟我這本書（《智能簡史——從大爆炸到元宇宙》）的成型也很有關系。
Elon Musk 說過一句話，他說自己是個 engineer ，但自動駕駛并不是一個 engineer problem，而是 science problem，science 根本沒有解決到底什么叫人工智能，engineer 是做不出來的。
AI 科技評論：這個 science problem 如何解決？
于非：人工智能經過了幾起幾落，有很多關于人工智能的驚人消息，它成功地完成了人類所做的事情，甚至做得更好。隨著人工智能的最新進展，人類智能與人工智能之間的差距似乎正在迅速縮小。諸如此類的新聞和科幻電影讓我們相信，通用人工智能（Artificial General Intelligence）或超級人工智能的發展在未來可能不會太遠。
但后來總是一次又一次的被潑一盆冷水。
science problem 怎么解決，科學里面最重要的就是定義。這個東西到底是什么？如果只是文字上的描述，在數學上不是可定義、可量化的話，這個問題就解決不了。所以我一直在思考怎么定義，怎么把它變成科學。我查了大量的書，看看其他的科學是怎么產生的，這就是這本書（《智能簡史》）的一整個思維過程。
AI 科技評論：最后的結論是從宇宙大爆炸開始。
于非：對，這本書的副名——從大爆炸到元宇宙，將來可能實現元宇宙，那最開始的時候，我們相信 science 就是從大爆炸開始的，從大爆炸開始，「智能」到底是怎么一回事？
研究過程中我發現很有意思，從大爆炸開始一直到物理學的產生，爆炸之后產生了一個物理世界，出現了很多的「智能」現象。最大的一個智能現象，就是天體運行，多個星球能夠有序地運轉，這并不止我們現在覺得奇妙，牛頓也曾覺得很奇妙。
牛頓有一句名言是，「我不知道為什么，我只知道這個東西可能符合萬有引力定律」，跟質量成正比，跟距離的平方成反比，再加上一個系數。這是來自于一個「智能的上帝」，他用了一個詞是「intelligent being」。只能說物理世界本身就有智能現象的存在，這是物理學里比較著名的一個例，由于引力造成的這種「智能」一直存在。
1744年，法國科學家皮埃爾-路易斯·莫羅·德·莫佩爾圖伊（Pierre-Louis Moreau de Maupertuis）發現了最小作用原理，他發現，一件物體在扔出去后，是沿著一個最小作用量、交給上帝由一個點挪動至另一個點，上帝會選擇一條最短、最省力的路徑。包括光。假設我們有一杯水，將筷子放進去后呈彎曲狀，這是光最省力的一條路。莫佩爾圖伊將其視為一個重大發現，作為上帝存在的證明，但在當時受到大家的嘲弄。
此后，最小作用量原理成為物理學中最基本的一個原理，對后來一些科學的發展起到了重要影響。包括我寫《智能簡史》期間看到時，也覺得很震撼。
緊接著是物理學到化學，也都有類似的一個個階段進化的例子。
AI 科技評論：那像您所說的，從物理、化學到生物，甚至未來虛擬世界，人工智能，都可以用一個邏輯來理解「智能」？
于非：可以用同樣一個邏輯，這也是我思考的初衷，我想要用同一個邏輯來理解這個世界是怎么運轉的。所以《智能簡史》我選擇的第一條名人名言，就是斯賓諾莎的「人類所能企及的最高活動就是為明白而學習，因為明白了就獲得了自由」。能否用一個簡單的道理來解釋整個運轉過程，這也是科學探索最高的境界。
science 和 engineer 不一樣，engineer 是「我想解決一個問題」，science 是「我想明白這個事情」，這二者最基本的一個區別。但在明白這個世界之后，它會告訴你怎么去解決這個問題。
因此我將《智能簡史》里的「智能」定義叫做一種假說，這個假說從大爆炸開始到目前這個世界，從物理學、化學到生物，都是為了推動宇宙平衡穩定而造成的一種一一各種各樣的自然現象。舉個例子，我將水杯放在桌子上，往旁邊挪它就會掉下來，掉下來可能是因為萬有引力，那為什么跟萬有引力相關？這是因為如果它不掉下來，那么系統就不穩定，而當它掉下來之后，這個系統就變成穩定了。
再例如燒開的熱水，熱水的熱量在房間里不擴散時，它是一個不穩定的系統，因為杯內很燙、而外部很冷，這就造成了兩者間存在一種梯度。當熱量擴散時，兩者趨于溫度相同，系統也就變得穩定了。與此同時，作為一個穩定的過程，擴散并不是緩慢進行的，而是以一個最快的、最省力的情況來達成穩定。
AI 科技評論：這種對智能的認識對您的研究有什么指導意義？例如說，在您自動駕駛相關研究里，這種最快、最省力達到穩定的原則是怎么得以應用的？
于非：非常好的問題。這有一個基本原則，就是關于「智能」的定義。智能的本質是什么？就是對信息耗散多少的量化。信息在不同的個體中存在差值，出現了梯度，造成系統不穩定。
自動駕駛也是如此，一個熟練的老司機和自動駕駛機器系統存在梯度，即使機器可以通過各種各樣的算法去學習，但為什么還是學不好？究其原因，就是因為車和人的大腦存在梯度、「智能」沒有量化，如果將智能度量出來，量化差值，有了科學的指導后，就可以很清晰地知道（自動駕駛）還需要在哪一些方面來提高。
在智能時代，「智能」沒有一個清晰的定義是不可想象的。雖然我們也能實現一定的智能，但因為沒有數學定義，大家往往通過各種各樣的途徑想要達到。
比如，通過強大的算力和超大的數據，把現有的算法模型發揮到及至。這種「大力出奇跡」的「暴力美學」，已經產生超大的模型：1750億個參數的GPT3， 1.6萬億個參數的Switch Transformer。訓練這些超大模型消耗的電量需要幾萬度，產生的二氧化碳當量，相當于一輛汽車行駛地球與月球之間距離的排放量。相比之下，人腦的工作功率約為20W，這足以覆蓋整個人思維能力。
對智能本質理解的缺乏限制了人工智能的發展，以至于我們只能通過「暴力美學」，「調整參數」等「體力勞動」來換取微弱的性能提升。
「你無法在造成問題的同一思維層次上解決這個問題。」愛因斯坦說：「你必須超越它并達到一個新的層次，才能解決這個問題。」在研究智能的過程中，研究的對象不能僅局限于人類，而是應該超越人類的層次，考慮宇宙中不同的事物，在更高的層次上研究智能。
當我們在更高的層次上研究智能，考慮到宇宙中不同的事物，將會發現智能是一種自然現象，和其他自然現象（如巖石滾動和冰雪融化）類似。這些現象都是為了促進宇宙的穩定性而出現。
雷峰網雷峰網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
