计算机、人工智能和洞察力之谜

计算机、人工智能和洞察力之谜

在这一点上，计算机必胜主义者有话要说。他们认为，有了计算机，有了人工智能，所有这些问题都将迎刃而解。而且，这很有可能是真的。长期以来，计算机一直在帮助我们研究微分方程、非线性动力学和复杂系统。当霍奇金和赫胥黎在20世纪50年代打开了理解神经细胞工作原理的大门时，他们在一台手摇机器上解出了他们的偏微分方程。当波音公司的工程师在2011年设计787梦想客机时，他们利用超级计算机计算飞机受到的升力和阻力，从而找出防止机翼发生颤振的方法。

尽管计算机刚开始只是作为计算机器，但它们现在的功能远不只是计算，并且已经获得了某种人工智能。比如，谷歌翻译如今在地道翻译方面表现出色，有的医学人工智能系统诊断疾病的准确度比最优秀的人类专家还高。

但我认为，没有人会说谷歌翻译了解语言的真谛，或者医学人工智能系统理解疾病的原理。计算机有可能变得富有洞察力吗？如果答案是肯定的，那么它们能和我们分享有关我们真正关心的事情——比如复杂系统（大多数重大的未解科学问题的核心）——的见解吗？

为了探究支持或反对计算机具有洞察力这种可能性的理由，我们来看看计算机国际象棋[1]是如何逐步发展的。1997年，IBM（国际商业机器公司）的国际象棋博弈程序“深蓝”，在一场6局的比赛中击败了国际象棋世界冠军加里·卡斯帕罗夫。尽管这个结果在当时出人意料，但这一成就并没有什么神秘之处。这台机器每秒钟可以评估2亿种棋局，虽然它没有洞察力，但它有惊人的速度，而且从不知疲倦，从不会在计算中出错，也从不会忘记一分钟前它在想什么。尽管如此，从机械和物质方面看，它的表现仍然像一台计算机。它可以凭借计算击败卡斯帕罗夫，却无法靠智慧取胜。当今世界上最强大的国际象棋程序虽然有令人生畏的名字，比如“鳕鱼”和“科莫多巨蜥”，但它们仍然以异于人类的方式下棋。它们喜欢吃掉对方的棋子，并进行钢铁般的防守。虽然它们比所有人类棋手都强大得多，但它们没有创造力或洞察力。

然而，随着机器学习的兴起，一切都变了。2017年12月5日，谷歌旗下的深度思维公司发布了一款名为“阿尔法零”的深度学习程序，震惊世界棋坛。通过与自己对弈数百万次并从错误中吸取教训，这个程序自学了国际象棋。在短短的几小时之内，它就变成了历史上的最佳棋手。它不仅能轻易击败所有最优秀的人类象棋大师（它甚至懒得去试），还击败了当时的计算机国际象棋世界冠军。在与强大的“鳕鱼”程序进行的一场100局的比赛中，“阿尔法零”取得了28胜72平的战绩，一局未输。

最可怕的一点是，“阿尔法零”展示了它的洞察力。和计算机的一贯表现不同，它的行棋方式直观而优美，进攻风格也富有激情。它会冒险采取开局让棋法，在一些棋局中，“阿尔法零”使“鳕鱼”失去了招架之力，并耍得“鳕鱼”团团转，手段看起来既恶毒又残暴。它的创造性溢于言表，能走出任何国际象棋大师或者计算机做梦也想不到的招式。它兼具人类的精神和机器的力量，这是人类第一次见识到如此可怕的新型智能。

假设我们可以利用“阿尔法零”或类似的东西（不妨称之为“阿尔法无穷”），去解决理论科学中尚未解决的重大问题，以及免疫学、癌症生物学和意识的相关问题。为了继续这个幻想，我们又假设伽利略模式和开普勒模式存在于这些现象中，并且解决的时机已经成熟，但只能由一种远胜于我们的智能来完成。如果这类定律确实存在，那么超人智能可以找到它们吗？我不知道，也没有人知道。而且，这个问题可能毫无意义，因为这类定律或许根本就不存在。

但如果这类定律存在，而且“阿尔法无穷”能找到它们，那么对我们来说它就好比一个先知。我们将追随它，听从它。虽然我们不明白它为何总是正确的，甚至听不懂它在说什么，但我们可以通过实验或者观测去检验它的计算结果，并且发现它似乎无所不知。我们将变成既惊讶又困惑的旁观者。即使“阿尔法无穷”能自圆其说，我们也无法理解它的推理过程。在那一刻，至少对人类来说，始于牛顿的洞察力时代将会结束，而一个新的洞察力时代将会开启。

这是科幻小说中的情景吗？也许吧。但我认为像这样的情景并非不可能成真。在数学和科学的某些分支领域，我们已经感受到了人类洞察力的黯然失色[2]。有些定理尽管已被计算机证实，但没有人能理解相关证明过程。也就是说，定理是正确的，我们却不知道为什么。而这时候，机器也无法向人类做出解释。

我们以一个由来已久的著名数学问题——四色定理为例。该定理指出，在某些合理的约束条件下，在任何一幅包含接壤国家的地图上，要使相邻两国的涂色不同，仅需4种颜色即可做到。1977年，在计算机的帮助下，四色定理得到证实，但没有人能检验论证过程的所有步骤。此后，尽管这个证明过程不断被验证和简化，但其中的某些部分仍不可避免地需要使用蛮力计算，就像在“阿尔法零”出现之前计算机下国际象棋的方法一样。这个证明过程的出现，令许多数学家抓狂不已。他们已经确信四色定理是真的，并且只想知道它为什么是真的，而这个证明过程却毫无帮助。

我们再来看约翰尼斯·开普勒在400年前提出的一个几何问题。该问题要求找出在三维空间中堆放等大球体的最致密方法，类似于杂货店用板条箱装橙子时遇到的问题。将球体码放成多个相同的层，然后一层一层直接堆积起来，这种方法是最高效的吗？或者像杂货店往板条箱里装橙子那样，让层与层之间错开，使每个球体都位于它下方的4个其他球体形成的凹陷处，这种方法是不是更佳？如果是这样，还有其他不规则但更致密的堆积方法吗？开普勒认为杂货店的堆积方式是最好的，但这个猜想直到1998年才被证明。在他的学生塞缪尔·弗格森和18万行计算机代码的帮助下，托马斯·黑尔斯将计算过程简化为数量虽大但却有限的情况。然后，在蛮力计算和巧妙算法的帮助下，他的程序验证了开普勒猜想。不过，数学界对此反应冷淡。尽管我们现在知道开普勒猜想是正确的，却仍然不明白它为什么正确，黑尔斯的电脑也无法为我们做出解释。

但如果我们用“阿尔法无穷”来解决这些问题，会怎么样呢？这台机器可以给出优美的证明，就像“阿尔法零”和“鳕鱼”的对弈一样，直观而优雅。用匈牙利数学家保罗·厄尔多斯[3]的话说，这些证明直接来自“那本书”。（厄尔多斯想象上帝有一本书，里面收录了所有最好的证明。）评价某个证明直接来自“那本书”，是对它的最大褒奖。这意味着该证明揭示了某个定理为什么是正确的，而不只是用一些可怕、难懂的论证迫使读者接受它。我能想象，在不久的将来，人工智能会给我们提供来自“那本书”的证明。到那时，微积分会是什么样子，医学、社会学和政治学又会是什么样子？