解碼“認知之輪”：AI與人類的終極一戰

今天週末，跟大家聊點假裝深沉的話題。

現在我們在討論人工智慧的時候，大都把卷積神經網路奉為圭臬。因為這種演算法，號稱是“平移不變的人工神經網路”，說人話就是人腦的高仿。

透過模擬人類腦皮層神經元的網狀結構，能夠提取和識別各種物體的特徵，永不停機地進行學習，比最乖的人類小孩還要讓人省心。

而且一旦訓練好了，就能比人類做的更快更好。拳打九段棋手、腳踢世界冠軍，是毫無問題的。

因此，卷積神經網路正在被大量地應用於各種AI系統上。似乎只要假以時日，就該“封神”了。

但，這是不可能的。

儘管看起來，這一波AI熱正在讓人類處於被廣泛替代的危險境地，不過距離機器超越人類的那一天，其實還是非常遙遠。

為啥呢？

說來你可能不信，關鍵原因還是在卷積神經網路身上。

送分題都不會，你怎麼回事小老弟？

上古時代，流傳著這樣一道送分題：要把大象裝冰箱，總共分幾步？

如果讓一個人類小孩來回答，他會分分鐘告訴你標準答案——把冰箱門開啟，把大象塞進去，把冰箱門合上。

但是如果讓一個卷積神經網路機器人（我們就稱呼它為“小卷”吧）來挑戰呢？

它會先假設，某個叫做“塞”的動作能夠將大象轉移到冰箱裡。於是立即行動，卻發現怎麼也塞不進去。可憐的“小卷”，遺漏了物理體積不匹配這個重要條件。

我們給它升級一下，讓“小卷二號”能夠識別大象和冰箱的個體特徵對任務有何影響。它在任務開始前努力推演，正當它算出大象的皮膚顏色對完成任務不會有任何幫助，準備推算下一個特徵的時候，大象已經不耐煩地跑走了，任務失敗。

我們再升級一下，教它學會分辨哪些因素與任務是相關的還是無關的，“小卷三號”誕生了。但是，它一屁股坐冰箱旁邊不動了，掏出一個小本本，開始記錄千千萬萬個被確定與任務無關的東西，直到時間的盡頭……

這麼看起來，“小卷”們好笨呀，別說和人比了，和阿爾法狗這些前輩們比差距也很大啊！

這背後，其實隱藏著一個令AI科學家們困擾多年的變態難題——“框架問題”。

什麼是框架問題？

想要搞懂什麼是“框架問題”，先解釋一下卷積神經網路是怎麼工作的。

前面我們提到過，這種深度學習的神經網路是在模擬人類神經元系統的操作方式。不同演算法都只為了完成一個目標：就是像人一樣，忽略該忽略的資訊，並在遇到重大的反常情況是保持足夠的警覺。

如何能夠在集中注意力的同時獲得合理忽略的能力呢？

科學家們只能將一切變化多端、無窮無盡的生活經驗壓縮並生成一個“框架”，其中包含了一個內容豐富、細節詳實的指令碼綱要，所有現實世界的問題及事物之間的聯絡都囊括其中。

當機器想要解決一個問題時，就可以在“框架”中對某些特徵加以注意，對那些偏移框架的重大誤差保持警覺。

如果這個神經網路框架被建構得足夠好、足夠龐大，它可以展現出無窮大的能力。比如DeepMind用5000臺TPU培育出來的AlphaZero，無需其他干預，就能在4個小時之內成為世界象棋冠軍。

但是，在某些人類日常生活中需要用到的反應模型中，卷積神經網路的智商卻和昆蟲差不多。

D. Dennett在他的論文《AI的框架問題》中舉了一個例子：製作午夜快餐。

一個肥宅半夜餓醒，想給自己做點吃的，於是他想到了冰箱裡面有些剩下的雞肉片，麵包，還有一瓶啤酒。於是他很快就想出了一個完美的計劃：檢視冰箱，拿出需要的材料，做一份三明治，就著啤酒，美滋滋。哦，還需要帶上刀、盤子和酒杯。

人類之所以能順利完成這項任務，是因為我們已經瞭解了大量的知識。包括雞肉加在麵包裡不會掉下來（摩擦力），啤酒如何倒入杯子（重力），甚至是左手拿著麵包就不能再用來拿刀了。

這些“知識”或經驗是人類“生而知之”的，我們自己或許都不知道是如何學會這些事情的，卻能讓我們不需要思考就輕鬆搞定一個又一個基本生活問題。

但對於任何事情都要從頭學起的AI來說，如果這些大量而平凡的經驗不能引起足夠的注意，它就根本不可能完成這些不斷出現的新任務。

當然，我們也可以選擇給機器餵養世界上所有的知識，讓它成為一個無所不知的百科全書。這樣它就能和人一樣具備這種彈性的思維能力了嗎？

答案顯然是否定的。

首先，讓AI記住大量微不足道的細節中，遇到問題時再從中搜尋和抽取出有用的那一部分，實在是太極端太超負荷了，人類就不需要記住“麵包比太平洋小”“刀子接觸面包時不會融化”這種知識。

而且，機器固然可以用一百萬年解決任何問題，但這既不智慧，對人類來說也沒有任何價值。如果不能在有限的時間內可靠高效地給出解決方案，我要這祖傳AI有何用？

既不能窮盡一切答案，又不能快速找出最佳方法，這就是目前限制AI智商的“框架問題”。

卷積網路：我不生產智商，我只是人腦的搬運工

一代代研究者都致力於讓機器模仿人類的心理機制和認知結構。但是，科學家們真的完全掌握了人類的思考之鑰嗎？

從機器智慧遭遇的困境來看，顯然不是。

“框架方法”，本身就對思維套路有著極強的依賴，只能依靠人類預先觀察並解決機器可能遇到的所有框架型問題。

然而人類思索“如何把鋼琴搬上樓”這樣有一定難度的新問題時，恐怕不會拿出筆來畫一張邏輯清晰的思維導圖。更常見的做法是，用一種無意識的快速反應直接指向了答案，甚至來不及詳細觀察推理過程，比如“什麼三段論使我相信鋼琴可以被抬起來”之類的。

一些思維模式是可以被明確化、系統化的，但更多的心理推理過程是抽象的、內省的，就像是被魔術師掩蓋起來的奧秘，至今沒有誰能看出端倪。

這種不用思考的 “內省”式經驗，是讓人類能夠“先思而後行”的關鍵，也是機器無法模仿的。

時至今日，還沒有人能夠提供什麼切實可行的證據來充分而精準地描述出，人類的內省式經驗是如何指導他生成思維框架或編寫指令碼的。

因此，哪怕，從簡單的語義到末梢神經元，卷積神經網路已經對人類的“認知之輪”模仿的惟妙惟肖，那些都是建立在能夠被描述和形成計算機對映的認知過程上。

AI從整體效果上對認知的各個層級進行模擬，與我們尚未發現的人類大腦的真實活動方式，有可能完全不同。

既然“人類如何思維”還無法被解釋，那麼給AI一個“高仿大腦”就更是不可能實現的事情了。那麼，今天被廣泛使用的機器智慧構造體系，還靠譜嗎？

人類的安全鎖：認知之輪的終極悖論

如果我們用“人腦能做什麼”來要求智慧體，比如在行動前進行周密的思考和架設，三思而後行；又或者是回答非常跳躍的腦筋急轉彎，那麼AI是永遠不可能比人類更智慧的了。

這裡面存在著一個關於機器智慧的悖論：就是如果AI不模仿人類的“認知之輪”，向這個巨大的並行處理器學習如何提取特徵、如何生成模型、如何判斷，那它就不可能變得智慧；

但如果我們想把AI當做“認知之輪”的齒輪箱，試圖藉由它來一步步推倒到終極問題，搞清楚人腦是如何實現那些驚人的認知功能的，那也會讓事情變得一團糟。

就像我們都知道植物透過光合作用能產生葡萄糖，但誰也不會認為，透過觀察光合作用並將其計算機程式化，就能創造出糖分。

目前的神經科學家，根本沒有提供有效線索，能讓我們瞭解大腦的認知功能究竟是怎樣實現的。

如何為這些隱秘的“心理實體”找到合適的程式對應，目前還沒有什麼答案。在這種制約條件下，我們有一點不成熟的小建議：

1. 嘗試用心理學而不是神經科學去解釋人腦。

神經科學家特別關心及時的神經元和解剖學，在已經設計出的神經元計算機模型中，很多都是“馮諾依曼式”的構造體系，關注未經過解釋的細胞啟用方式。但人類認知問題、解決問題的能力，更像是一場思維的魔術表演，和已經被充分認識的大腦組織功能之間，有著一大片空白地帶。透過跨學科的認知科學、生物學，生成多維的、更加抽象的“神經矩陣”，可能更快洞悉大腦的秘密；

2. 讓AI輔助人類變魔術，而不是相反。

將認知能力與腦組織功能之間的空白詳盡地填補起來，才有可能真正創造出快速、靈敏、可以評估風險與價值的智慧體，中間還有很長的一段路要走，在這之前，拜託不要再將AI神化成魔術師了，它應該是“自下而上”解決問題的工程師，幫助人類“魔術師”奉獻出更精彩的表演。

正如一個研究者自嘲的那樣，“（過去）我們放棄了設計智慧機器人的目標，轉而去設計一杆槍，用它去摧毀別人設計的任何智慧機器人！”

總而言之，在人類“認知之輪”的最底層，被蓋上了一把密碼鎖。儘管我們自己也不能開啟、無法解釋，但就是能隔空取物，成為一個真正的智慧擔當。

謝天謝地，我們安全了。