只服這篇“神文”：基於老子哲學、相對論的超級人工智慧模型

作者 | Anonymous authors

譯者 | TroyChang

出品 | AI科技大本營（ID：rgznai100）

在此前我們為大家介紹 ICLR 2020 論文投稿情況時，提到了一篇“神作”在論文中作者們提出一個 ASI 概念（Artificial Super Intelligence），在實現 ASI 時構建了一個 Multi-Agent RL 模型，而這個模型結合了廣義相對論（General Relativity）和廣義達爾文主義（Universal Darwinism）。

之後，AI科技大本營（ID：rgznai100）也一直 關注著這篇文章的錄用結果，不過結果是被拒絕。聽起來如此“高大上”的論文是為何被拒絕的？寫這篇被拒絕的論文又是意在何為呢？

和幾位 AI 研究者交流過程中，拋開這些是否是民科內容，還是沒有嚴謹的科學邏輯，讓人不明覺厲的內容的拼湊，大家都提出了一個共同的質疑：這篇文章提出的模型具體工作是什麼呢？在論文根本沒有具體的闡述。

彷彿今天在對這篇“神文”做過多的評價已經沒有過多的意義，很多網友的評論與反應想必已經發出了很多人的心聲，在試圖學習這篇論文的“深刻內涵”過程中發現，對想法，對實力都是一種考研。

而且還得從哲學、廣義相對論、達爾文主義學起：

廣義相對論和達爾文主義分別是宇宙和生命的基石。廣義相對論概括了狹義相對論，完善了牛頓的萬有引力定律，提供了對引力的統一描述，這種引力是時空的幾何效應，或者說是時空術語（SpaceTime）。時空的曲率可以模擬重力，並且與存在的任何物質和輻射的能量和動量直接相關。該關係由愛因斯坦域方程式指定。

達爾文主義是達爾文等人發展起來的一種生物進化論，聲稱所有生物物種都是通過自然選擇，遺傳的變異而產生和發展的，這些變異可以提高個人的競爭，生存和繁殖能力。新達爾文主義也稱為現代進化綜合，表示通過自然選擇將查爾斯·達爾文的進化論、自然遺傳奠基人格雷戈爾·孟德爾的遺傳學理論和數學人口遺傳學相結合；通用達爾文主義是將達爾文主義和新達爾文主義擴充套件到其在地球上生物演化的原始範圍之外的多種方法，並以廣義形式制定，用於解釋物理學、心理學、經濟學、文化，醫學、電腦科學等其他廣泛領域的演化。

宇宙、多元宇宙、基因、大腦、經濟、遊戲、區塊鏈、AI 和 ASI，甚至流體動力學，它們都有一個共同點：在複雜動力學系統中都是非線性的。從圖靈、馮·諾依曼、維納、薛定諤、夏農、麥卡錫和明斯基等人提出人/腦與機器/計算機之間相似性的見解，然後沃森和克里克發現了DNA結構之後，人工智慧開始了經歷了幾次繁榮和蕭條。

然而，即使近些年在深度學習、強化學習、元學習（AutoML和AutoDL），元學習，遷移學習等領域取得了一些進步，它們嘗試模仿人類和其他生命系統如何與環境互動以及基於DNN形式的神經網路如何在軟體和硬體中實現，高效能的深度強化學習通過各種啟發式方法取得了令人矚目的成就，但在很多情況下，它還是不能完全發揮作用或與現實生活中很好地配合，而作者認為根本原因在於未能為 ASI 建立一致的數學基礎，同時能未成功地從生物物理角度去理解ASI的本質。

賢者 老子的著作《道德經》中曾寫道：道生一，一生二，二生三，三生萬物。在 2500 年前，提出這一宇宙開始的說法自然是合理的；同期，希臘哲學家畢達哥拉斯相信多元宇宙是由數學方程式支配的，metempsychosis（靈魂的遷徙）派認為靈魂在不同身體間迴圈是不朽的，但是這些說法到目前為止都還沒有證據加以證明，增加的是哲學意義；德國哲學家黑格爾表示：理想的就是現實的，現實的就是理想的，那這些存在於哲學中的理論在現實中被證明的如何了？作者是如何做的？

在作者從廣義相對論、達爾文主義、哲學各論觀點到基因與環境的互動等多角度闡述後，提出了他們的觀點：人類智慧和其他自然智慧由先天的基因設計，然後通過學習，與環境的互動得到發展，因此 ASI 也應該通過 Multi-Agent 來完成設計與學習，將上面這些深奧思想集於一身提出一種智慧設計方法：擴充套件廣義相對論和達爾文主義來建模 Multi-Agent RL的 ASI 模型。

如今，深度學習已應用於與計算機視覺，語音識別，自然語言處理，音訊識別，社交網路過濾，機器翻譯，生物資訊學，藥物設計，醫學影像分析，材料檢查和遊戲這些領域，並且產生了優於人類的結果。儘管取得了如此巨大的成功，深度學習工作原理仍然是一個黑匣子，大家不斷進行各種嘗試來理解深度學習在數學層面上的規則，其中一項重要的工作就是通用近似定理。定理指出，簡單的神經網路（例如FNN）大約可以在給定適當的引數和適當的活動函式的情況下表示各種連續函式。但是，它沒有解釋為什麼這些神經網路如何用數學證明可學習性、智慧性。

在這個工作中通過人工設計解決 AI 和 ASI 中深度學習的黑盒難題，將 HMMMPDRL 視為多元宇宙，不考慮 Multi-Agent 和 Multi-Environment 之間的互斥，重用了基於廣義相對論的 4維偽黎曼流形時空模型來完成 HMMMPDRL 的強化學習部分；對 T 對稱性進行廣義相對論的擴充套件，替換了 N 維 GeneSpace 中使用的 N 維空間，併為 HMMMPDRL 的深度學習部分建立基於 N 維黎曼流形的 GeneSpace 模型，深度學習架構則用近似HMMMPDRL中非常複雜的由狀態-動作空間組成的環境。

通過這些方式用人工設計嚴格地對 ASI 進行建模，作者表明，無論是自然的，人工的還是超人工的智慧，它只是由幾何化導致的N維GeneSpace的幾何效應，為實現理論上的通用設計自動化ASI鋪平了道路。當然，我們的多元化努力不會止步於此，會支援我們以您可能想像的各種方式人為地共促進人類文明。

強化學習本身可以用數學來解釋，深度強化學習並不是用於功能逼近的深度學習的黑盒性質。分層多代理多環境系統（自組織系統）是一個複雜的分層系統，由與多個環境互動的多個互動智慧代理組成。分層多代理多環境系統可以解決單個代理或整體系統難以解決或無法解決的問題。包括策略，戰 術和反應控制在內的層級智慧。

廣義相對論通過概括狹義相對論和牛頓理論，提供了對重力的統一描述，作為空間和時間的幾何屬性（SpaceTime），它產生了一些驚人的發現，如黑洞，引力波和大爆炸。早期的宇宙，在廣義相對論中，沒有將空間和時間建模為單獨的實體，而是將其建模為4維時空，三個空間維和一個時間維，並且將重力視為這種4維時空的彎曲幾何形狀的結果。

時空的曲率與能量和動量直接相關。愛因斯坦場方程，非線性偏微分系統方程是廣義相對論的核心，描述了時空拓撲中的四維偽黎曼流形的幾何形狀與該時空中包含的能量動量之間的關係。由於本質上是非線性的，因此很難解決，除了在有限條件下的幾個已知精確解（例如Schwarzschild解，Reissner-Nordstrom解，Kerr解）之外，這些解中的大多數都是基於基於計算的數值方法的近似值例如採用基於深度學習的方法的攝動或函式逼近。其中一種解決方案是宇宙膨脹。

偽-黎曼流形是黎曼流形的推廣，其中正定性的要求得到了放寬，度量張量不需要是正定的，而只需要是非退化雙線性形式。愛因斯坦流形是一種黎曼流形或偽黎曼流形，黎曼曲率張量根據 LeviCivita 連線 ∇ 通過以下公式給出：R（u，v）w =∇uvv-∇v∇uw-∇[u，v] w。對於每對切線向量，u，v，R（u，v）是流形切線空間的線性變換，它在u和v中是線性的，因此定義了張量，對於流形M上的度量g，流形M上每個點的切向量可分為三種不同型別，

愛因斯坦場方程可用於為HMMMPDRL的ASI增強學習部分建模，其列出如下：

在上面用於HMMMPDRL的Ainstein方程中指出時空（真/準空間動作-時態狀態空間）告訴ASI的強化學習如何演示代理智慧/計算智慧/計劃智慧/開發智慧，以及ASI的強化學習告訴SpaceTime如何彎曲。因此，代理智慧/計算智慧/計劃智慧/開發智慧被建模為4維時空的曲率。

當時間倒轉時，系統的行為沒有差異時，則表示為T對稱。熱力學第二定律解釋了任何孤立的系統的不可逆性現象，其熵在自然界中不斷增加。因此，我們可以對智慧基於CPT（電荷，奇偶校驗，時間）對稱性進行T對稱擴充套件（物理學中最基本的對稱性之一），這種擴充套件利用了黎曼流形的曲率對稱性，這是偽黎曼流形缺少的空間對稱性的一部分，因為曲率歸類保留了黎曼張量。

在上面基於 HMMMPDRL 的 ASI 模型中，深度學習部分的擴充套件 Einstein 方程指出 GeneSpace 告訴 ASI 深度學習如何演示環境智慧/學習智慧/試驗和錯誤智慧/探索智慧，而 ASI 的深度學習部分告訴GeneSpace如何彎曲。因此，環境智慧/學習智慧/試驗和錯誤智慧/探索智慧被建模為N維GeneSpace的曲率。

我們擴充套件工作不僅為 ASI 奠定了一致的數學基礎，還使解決方案空間可見和透明，也為我們正在進行的降低 ASI 複雜性的工作鋪平了道路。無論是離散的還是連續的，確定性的還是隨機的，線上的還是離線的，精確的或近似的（有/沒有嚴格的（上下）界限最佳解決方案，對於AI 和 ASI 來說，降低計算和學習的複雜性仍然是巨大的挑戰。

優化可以分為不同的方法：離散優化（例如整數程式設計和組合優化）與連續優化；基於梯度的（一階相對於二階優化）與約束優化；凸優化與非凸優化。所有問題都可以分為P，NP，NP完全和NP困難。很少有最優/精確但貪婪的演算法可以利用特殊結構的優勢，必須求助於各種啟發式方法，以進行有無複雜度的逼近；同時，在AI和ASI時代，相關性主導因果關係，由於計算複雜性和學習複雜性之間的內在差異不斷增加，這些都需要在時間與空間資源之間進行權衡；此外，量子計算不會改變計算複雜性的性質。但是，實現 ASI 並不需要 100％ 的計算可處理性，對於棘手的問題，只需要一個可行的解決方案，而不是最佳的解決方案。

新科學理論和新技術實踐是任何工業革命的兩大支柱。很難否認的是，而後者必須從一開始就被大多數人所接受。無論是自然的、人工的還是超人工的，如ASI那樣的智慧，都是4維時空和N維GeneSpace的幾何效應的組合，這是由幾何計量引起的，就像廣義相對論和普遍達爾文主義，也是與直覺思維相悖的。

上面已經在有限範圍內對這篇涉獵如此之廣的論文進行了簡要的介紹，最後總結就是：這篇文章可真是太難了。

https://www.toutiao.com/i6766177483264885262/

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/69946223/viewspace-2667250/，如需轉載，請註明出處，否則將追究法律責任。