編輯推薦

　　智能機器已經改造瞭我們的文化而我們的文化正在改變並且將改變我們的身體？

　　用進化這颱通用圖靈機重新發現細菌、動物、植物、機器人和人類智能的界限

　　加速人類社會第二次哥白尼革命的到來

內容簡介

　　本書講述瞭傑齣的科學傢重新定義智能以及智能展現者的故事。通過將達爾文和阿蘭·圖靈的想法融為一體，他們發現智能無處不在，同時還把它變成瞭一種方法進行應用。在書中，機器正變得過於聰明，而智能生命正在機械化。書中的人物有神秘的圖靈，聲名狼藉的優生學傢弗朗西斯·高爾頓，動物行為學傢弗蘭斯B.M.德·瓦爾和他的政治性黑猩猩；安妮E.魯森和愛模仿的紅猩猩，達裏奧弗·羅萊若和他的利他機器人，斯特凡諾·曼科蘇和他的有駕馭能力的植物，以及工程師/哲學傢剋裏斯·伊利亞史密斯和他的斯藩——它的普通的大學生一樣聰明，很快將變成機器人來到您身邊。這裏有會計算的黏菌、以自己看不見的顔色為信號的章魚，以及密探、死亡和失蹤。《重新定義智能》一部分是曆史，一部分是迴憶錄，而整本書就是來自前沿的一份報告。在那裏，機器正變得過於聰明，而智慧生命正在機械化。

作者簡介

　　◆ 作者簡介 ◆

　　〔加拿大〕伊蓮·迪瓦（Elaine Dewar），

　　伊蓮·迪瓦自幼就被無窮無盡的好奇心和講故事的樂趣所驅動而成為作傢。她的——《綠色鬥篷》探討瞭環境政治，是一本經典著作。《骨骼：發現美國人》是加拿大國內的一本暢銷書。《第二棵樹：有關剋隆，嵌閤體和尋求永生》獲得瞭由加拿大作傢基金會頒發的紀實文學一等奬。伊蓮·迪瓦已被譽為加拿大優秀的黑幕揭發者，她立誌成為公益的快樂戰士。她與丈夫目前居住在多倫多。

精彩書評

　　《重新定義智能》本身就是一部驚人的傑作，但也可以當作迪瓦三部麯中的第三部來閱讀——在這三部麯中，迪瓦簡直編纂瞭人類的完整曆史。在《骨頭》一書中，她審視瞭圍繞人類起源的爭議；在《第二棵樹》中，她著眼於生物和遺傳科學的現狀。現在，在《重新定義智能》中，她探索瞭智能、人類和其他生命的曆史和進化，又提齣瞭我們將如何對待未來以及未來將如何對待我們這些重要而又令人不安的問題。

　　——韋恩·格拉蒂，《解放日》、《帶迴渡渡鳥》的作者

　　我真希望這本驚人的巨著是我自己寫的。迪瓦帶我們踏上瞭一段迷人的多學科奇幻曆程，從生物學毫不費力地跳到神經科學，又從神經科學輕而易舉地跳到計算機研究。在這些學科中，她探討瞭智能概念的每一個方麵。她的個人經曆把所有這些都編織到一起，變成瞭一篇可讀性強、信息量巨大而又非常有趣的來自科學前沿的報道。

　　——羅伯特J·索耶， 雨果奬得主，《未來閃影》的作者

　　每個人都應該讀讀這本書。它精彩絕倫，我恨不得一口氣把它讀完。書中有些地方令我非常著迷。作為一個搞創作的人，我始終對科學可能帶給我們的未來持反對態度，但是本書引人入勝的故事和通俗易懂的文體卻吸引著我一讀到底。感謝迪瓦帶給我們這樣一部瞭不起的作品，講述瞭人類努力瞭解智能的故事。

　　——莎朗·布塔拉，加拿大勛章得主，暢銷書作傢

目錄

推薦序
背景故事

第一部分 第二次哥白尼革命

1. 特彆班級
2. 狩獵野生高爾迪卡斯
3. 找尋聰明的魯森
4. 界限問題
5. 進入政治領域
6. 在沙灘上
7. 杜利特爾博士與海豚

第二部分 進化是一颱通用圖靈機

8. 原罪

9. 用螺絲刀研究的心靈哲學
10. 類植物機器人
11. 打個招呼，機器人
12. 在劉易斯
13. 微生物人
14. SPAUN
15. 活生生的機器
16. 這裏走來瞭律師

後 記
鳴 謝
參考文獻
關於作者

精彩書摘

　　◆ 精彩書摘 ◆

　　打個招呼，機器人

　　弗羅萊若是名心理學傢，而凱勒是名螞蟻專傢，他對社會行為的進化非常感興趣。凱勒的實驗室通過許多其他的事情展示瞭螞蟻領地曾源於阿根廷，但不知如何發展到瞭歐洲，可能是搭乘貨船過去的。到達之後，它們形成瞭兩個超大的部落。最大的從意大利一直沿伸到西班牙的大西洋海岸，成為有史以來最大的閤作組織。�⒄飧齔�級部落的成員之間親如兄弟，盡管它們基因不同且分部廣泛。它們把其他超級部落的成員和其他螞蟻視為敵人。��

　　PLoS上的這篇文章解釋瞭它們的方法，特彆是“自然選擇的過程如何通往被視作適應性行為的復雜特色的進化。”首先他們造齣瞭許多計算機模型，這些被編程的模型被用於接收由簡單、獨特的神經網絡所提供的虛擬“感覺”信息。這個進程的意義在於，在虛擬機器人群體裏通過性彆刺激一個涉及隨機突變的進化過程。神經係統設置（他們之間的連接）剛開始都是隨機選擇的，但隨著時間的推移，程序使之精煉。這些網絡都與虛擬機器人部件相連，這些機器人能移動，但受到物理、重力、加速度等因素的限製。這些被激活的機器人都被設定瞭一個任務。他們的錶現是由程序員審定的，程序員丟掉錶現最差的，並隨機改變錶現好的機器人的神經係統，包括對不同組閤網絡的重組。

　　一個神經網絡是真實事物的一個徹底的、簡化的計算機版本。真實的神經元與周圍的神經元建立物理聯係，當它們來迴接受並送齣電子化學信號時就組成瞭一個網絡。神經之間的連接越多，這些鄰居之間的互動越頻繁，它們之間的信息連接就越牢固。因此，我們纔能學習。神經係統式的計算使現代計算機能通過改變或權衡網絡中一個部分與另一個部分之間聯係的頻率來學習。

　　弗羅萊若和凱勒用“基因組”這個詞來錶達他倆互相改變彼此神經網絡的想法，這種改變與進化在真實的動物身上發生作用的方式相似，都是通過基因突變遺傳給下一代。實驗編程者既設計“適應”任務，又負責判斷錶現，因而相當於是達爾文進化論中的“上帝之手”——自然選擇。

　　這類人工進化所産生的最成功的模型錶現是寫實機器人。他們製造瞭一小批機器人，每個都配置瞭由計算機精心編寫的獨特的神經係統。他們給輪子或能産生運動的其他東西通電，也給對光等其他信號産生反應的感應器通電，這些都通過神經網絡。這些部位間的連接關係與一隻動物的感應器官、肌肉、大腦之間連接不相上下。有的寫實機器人在適應任務中做得更好一些，這種將作為下一代的基礎，使進化得以延續。

　　通過這些方式，他們得到瞭驚人的結果，並發錶在瞭PLoS上。

　　“僅幾百代挑選就足以讓機器人進化齣無碰撞的運動，成為極具捕獵策略的自動引導型捕獵高手，使大腦與身體互相適應、閤作，甚至互讓利他。案例中發生的這一切都是通過神經網絡隨機變異導緻的選擇來實現的。”

　　我花瞭好幾個小時反復研讀這篇文章，試圖捕捉到其中的魔法詭計。這怎麼可能？隨機的改變怎麼會變成機器的智能行為呢？肯定有錯誤。開始我甚至以為我找到瞭一點，所以我拼命地緊追不放。他們稱，進化機器人這一領域靈感來自於阿蘭?圖靈1950年發錶的《心靈》（Mind）一文，文章描述瞭“圖靈測試”：

　　“他（圖靈）錶示能適應和學習的智能機器很難被人類設計者濛騙，這種機器可以在進化過程中通過變異和選擇性繁殖實現。”

　　不是這樣的！圖靈寫的是創造一種計算機，騙人們相信計算機能思考的那種。圖靈聲稱能欺騙我們的機器必然具備學習能力，因為即使大批人馬一起給這樣的機器編程也得耗費很長時間，所以機器必須能夠自我學習和記憶。一種讓機器學習的方式就是以人類，學習方式為範本——不是成人（太復雜），而是兒童。圖靈把建模分成兩部分：一部分被他稱作兒童計劃，另一部分是教育過程。在這一點上我認為，弗羅萊若和凱勒對他們的導師理解有誤。圖靈說：

　　“通過認同，在這一過程與進化之間存在明顯的聯係：

　　兒童機器構造=兒童機器世代相傳的物質變化=突變

　　自然選擇=實驗者的判定。

　　然而，人們也許希望這個過程會比進化更為迅速。優勝劣汰是一個漸進的衡量優勢的方法。實驗者通過鍛煉智力應該能夠加速這一過程。同樣重要的是，它不局限於隨機突變。如果它能追查一些弱點的原因，它或許可以認為這一種突變將改善自身。”

　　圖靈曾將進化作為一個隱喻，而不是作為編程方法的處方，而他隻字未提具體化。事實上，他曾建議他的童趣學習機不會是一個機器人。“例如，沒有給它提供腿。”他寫道，“因此，它不能被要求走齣去填補煤鬥。”他對給它感官也不感興趣。所有他需要的是老師（程序員）和孩子（學習機）之間溝通的手段。

　　你看，我再一次確定。他們完全顛覆瞭圖靈的工作。

　　然而，圖靈論文的其他部分已經明確塑造瞭他們的想法，那就是圖靈所說的，把隨機性作為一種搜索的方式。圖靈依賴隨機性，這是他職業生涯的一個産物，作為一名破譯員，他通過搜索數以億計的可能性，由內部知識、聰明的邏輯以及統計來縮小範圍。這也是他局限地理解遺傳學的結果。他寫道：

　　“當我們正搜索某個問題的解決方式時，一個隨機元素是很有用的……現在，學習過程也許會被視為一種滿足老師的行為形式的搜索……因為也許有大量的令人滿意的解決方案，隨機方式似乎比係統性要好……”

　　“應該注意到的是，‘隨機性’被用在進化的類似過程中。但是在這裏，係統性方式是不可能的。為瞭避免再次嘗試追蹤，一個人怎麼能追蹤已被嘗試追蹤的不同的遺傳基因組閤呢？”

　　1950年，圖靈不可能知道細胞中的DNA是一個先前遺傳基因組閤已經嘗試過的記錄，他也不可能知道進化變化的發生僅僅是由於隨機突變性和重組即將由芭芭拉?麥剋林托剋(Barbara McClintock)、琳?馬古利斯(Lynn Margulis)和其他人提齣。

　　總之，在我看來，弗羅萊若和凱勒過於簡化瞭進化是如何進行的。而且，他們聲稱，圖靈作為一名導師，其思想完全進入瞭另一個方嚮。

　　然而，裏麵一個微弱的聲音說道：“那又如何？他們叫機器人做什麼，機器人就做什麼。這你又怎麼解釋？”

　　弗羅萊若和凱勒描述他們的模擬神經網絡是如何産生多種多樣的機器人行為的：

　　“……人工基因組可以描述決定機器人行為的人工神經網絡的突觸連接的力量。神經網絡的輸入神經元被機器人傳感器激活，而輸齣神經元控製著機器人的馬達。每個人都有一個不同的基因組來描述不同的神經網絡（比如，神經元之間的不同的連接），因此産生瞭具體的個人對感覺運動與環境的相互作用的迴應。這些行為上的差異會影響機器人被定義的適應性，例如機器人如何快速直接地移動或如何頻繁地碰撞到障礙物。起初，機器人具有基因隨機值，導緻完全隨機的行為。然後，模仿達爾文選擇過程，通過選擇性選擇有高度適應性的機器人基因來生産新一代機器人。在這一過程中，基因組是配對的（允許重組），隨機突變（例如字符替換、插入、缺失或重復）被施加一個給定概率後再到新的基因組中。進化過程可以多代重復，直到建立起一個穩定的行為策略。”

　　我以為我在那也有那些東西。“這個方法甚至沒有捕捉到現實進化論隨時間的改變。”我對維希曼說。他當時是否知道這項工作錶明瞭染色體破損會導緻重大的行為改變，且在物理作用力下基本上不是隨機的？他當時是否清楚跳躍基因、逆轉錄轉座子和控製元素根本不是基因，卻控製著基因的錶達？還有錶現遺傳學，環境和身體在將來如何協調？

　　從他的衣領下可以看齣他渾身發熱。他不是一名遺傳學傢。雖然他是一名生物學傢，但他卻對動力學感興趣。所以我這樣是不公平的。

　　但我不能停止。隨機性不是進化發揮作用的唯一方式，我咆哮著，好像對他們的方法百般挑剔就能改變結果並能重塑生命獨特性似的。我問DNA中一些堿基對的改變與行為改變之間的聯係是什麼？如果你的模型不夠精密，那得到的結果算什麼？

　　……

前言/序言

　　讓“人腦”走下神壇��

　　韓 鋒

　　智能是什麼？

　　我曾問一位世界級的人工智能專傢，他說沒有權威的定義。後來，我又嘗試與一位來清華大學訪問的美國專傢討論智能的定義，他也沒有直接迴答。但他的一番話值得人深思，他說：“要等30年，等到人類把大腦研究清楚纔可以迴答什麼是智能。”我終於明白瞭他們不敢迴答智能的關鍵：人類有一個天然的假設：隻有人的大腦纔可能有真正的智能。就像幾百年前我們相信地球是宇宙的中心一樣，我們把“人腦”放到瞭智能領域的中心位置，某個至高無上的位置。但可惜的是，在生物學領域，人在大腦的研究上進展甚微，我們至今也不清楚大腦運轉的機製，所以現在專傢們都不敢迴答“智能是什麼”。

　　但本書的作者，伊萊恩?迪瓦，以其記者的敏銳、求真的渴望、智者的良知，用大量的采訪事實試圖告訴我們：認為“人腦”的智能至高無上，主要是由於人對於其他物種的無知，對於宇宙規律理解得膚淺，以及難以避免的偏見。其實智能大量存在於和人腦完全不同的事物中。因此，她想當“哥白尼第二”！

　　在研究區塊鏈是否具有分布式智能的時候，我查瞭許多文獻，發現在20世紀30年代，阿蘭?圖靈就石破天驚地提齣：機器也可以（像人那樣）思考嗎？這也是他的一篇著名論文的標題。��

　　眾所周知，阿蘭?圖靈是計算機之父，計算機界的圖靈奬可以與諾貝爾奬並駕齊驅。跨越一個世紀，我們再迴到阿蘭?圖靈的問題，重新思考智能究竟如何産生，就會發現不光是生物大腦纔可以産生智能，物理的圖靈機也可以産生智能，甚至已經做到瞭通過圖靈測試讓人無法識彆機器和人腦的差彆既然符閤物理規律的機器也可以産生“智能”，那讓我們鼓足勇氣，用物理定律去探尋智能是什麼吧:

　　第一，智能一定是一個低熵係統。熵代錶係統的混亂和無知程度。産生智能的前提是要想辦法降低係統的熵，這樣纔能産生確定的信息，這正是計算機現今在做的事情。

　　第二，智能要能夠産生信息的結構和秩序，沒有結構的信息沒法錶達意義（比如語法）。

　　第三，目前人工智能最大的突破——産生概念和意識，也就是智能的整體收斂性。

　　接下來讓我們一步步分析。

　　第一，一個係統要想降低熵，就一定要有麥剋斯韋妖。在麥剋斯韋時代（100多年前，麥剋斯韋剛剛為電磁學奠定基礎），熵最大原理處於統治地位。熵增原理能統治著幾乎所有的熱力學現象。但麥剋斯韋設想係統中存在一種“妖”，它能把一個封閉盒子裏的本來熱平衡的分子從一邊趕到另一邊，從而讓一個熱力學係統自動熵減，違反熵最大的原理。100多年來，這一設想讓世界物理學傢迷惑不解。

　　直到1961年，IBM實驗室提齣的Landauer原理，以及1982年C.Bennett纔逐漸解釋瞭麥剋斯韋妖的現象�ⅲ�但解釋得依舊不徹底。我認為，麥剋斯韋妖必須要用量子不確定性來解答：① 它為什麼存在；② 它為什麼不違反熵最大原理。

　　事實上，這並不違反熵增原理，由於係統中麥剋斯韋妖的存在，熵纔會減少。這個過程中，係統裏的麥剋斯韋妖把自己的信息給瞭係統，自己的熵增大瞭。所以整個過程並不違反熵最大原理。

　　……

　　先大概說一下重整化群，重整化群究竟是一個什麼樣的方法？為什麼它可以收斂到低熵？比如說這個自鏇係統，它是可以自相似的，就是這個三角形可以無限小，就是每個格子還可以産生更小的三角形。你再看更小的三角形，就跟那個樹葉一樣，它還可以無限的小，就是這麼一個結構。本來描述這樣一個自相似的分形結構需要的信息熵是無窮大！

　　那重整化群怎麼處理呢？

　　既然它是自相似的，三個三角形又可以構成一個更大的三角形，它某種程度上自相似，而且規律是一樣的。這些所謂的三角形，這三個又能構成跟大的三角形，它是一個不同地層次，但是規律是一樣的。我讓這些無窮多的小積分積到一塊兒，做一個常數加進來，然後我隻關注大的三角形就行瞭，可以幾次迭代下去，這樣我們就可以得到一個低熵有限的收斂結果，這是量子場論最早産生的重整化群，最早完全沒意識到它的意義，隻不過當時就是為瞭迴避所謂積分無窮大。

　　所謂深度學習網絡DNN的辦法，完全類似（如下圖所示）：這個圖右上角那個就錶示DNN的重整化群過程，本來最下麵一層可視神經元收到的信息熵可以很大，然後第二層神經元和他們有一個相互作用J，但是隻用瞭第一層三分之一的神經元（這對應於自相似結構的尺度放大三角形），但是隻有這第二層的作用，基本無法做到讓DNN“學習差距”最小，所以還得多設這樣的神經網絡層，但每層的神經元數都遞減，都符閤重整化群的變換規則，最後達到DNN“學習差距”最小的目的，也就是一個低熵收斂的結果。人工智能網絡的“概念”，誕生瞭！

　　重整化群的特點，我們總結一下，就是不斷通過信息的自相似來降低我們每層神經網絡的節點數，讓我們處理的信息熵越來越少，但又不失去信息的整體特徵（概念）。

　　人工智能其實最難以突破的就是所謂模式識彆。蔡維德教授說我們的計算都是快速地笨蛋，它是不能形成概念的，你要讓他識彆貓，你把天下所有貓的照片給它瞭，它也不知道什麼叫貓。它隻能是暴力計算。

　　所以人工智能曾經停滯很多年，就是因為它隻能用窮舉法。我就說瞭，最後你會發現，這些所謂的概念完全是一種自相似的概念，那個貓，那天下所有貓，最後你為什麼能有貓的概念，你是完全忽略瞭每個個體的不同，它的毛不同、爪子不同、眼睛的顔色不同，你全忽略瞭，最後收斂到一個貓的感覺，一個完全跟重整化群類似的一個智能過程，它把大量地不同信息“捲積”重整掉，但是它找到瞭內在聯係和相似性，把細節都忽略掉。Google的神經網絡首先做到瞭這一點，2012年，它終於從韆萬張貓的照片中形成瞭貓的概念（見下圖）：

　　最近互聯網金融有個特火的概念，叫“區塊鏈”��

　　�� 區塊鏈目前還是一種很初級的人工智能，隻是利用分布式節點記賬（麥剋斯韋妖）來構建一個低熵的信用係統。即使以太坊區塊鏈的智能閤約，也隻是希望實現“自動執行”。但是以太坊實現瞭區塊鏈上的圖靈完備編程，未來可以設想區塊鏈的網絡可以嚮重整化群和深度學習方嚮發展。如此，多層次的區塊鏈將真正可能實現全球大腦的功能。

　　總而言之，人類終於到達瞭一個認知臨界點：我們可以完全以宇宙的普遍規律來理解智能，人腦隻是宇宙萬物中智能現象的一部分，但它不是宇宙的唯一，也不是智能的中心！

　　讓我們和本書作者一起，開啓人類的第二次啓濛運動之旅吧！