--- author: Best Partners TV date: '2025-12-28' guest: '' layout: post.njk source: https://www.youtube.com/watch?v=Xfr0L52CGsw speaker: Best Partners TV tags: - artificial-intelligence - neural-networks - computational-irreducibility - computational-thinking - human-ai-collaboration title: 【人工智能】AI爆发的底层逻辑 | Stephen Wolfram | 计算不可约性 | 神经网络的质变 | 人类定义者的角色 | 计算思维革命 | 人机协作的终极形态 | AI意识 summary: 本文深入探讨了Stephen Wolfram对人工智能的深刻见解。文章揭示了AI（如ChatGPT）本质上是基于统计预测的复杂系统，并引入了计算不可约性（Computational Irreducibility）的概念，解释了AI行为的涌现性和不可预测性。同时，文章阐述了AI自动化“如何做”（How）的工作，促使人类转向定义“做什么”（What）的新角色，强调计算思维（Computational Thinking）的重要性。最终，文章将智能视为宇宙普遍存在的计算现象，并指出AI是人类文明的镜像，增强而非取代人类，人类的价值在于定义意义。 insight: '' draft: true series: '' category: ai-ml area: tech-engineering project: [] people: [] companies_orgs: - OpenAI products_models: - ChatGPT media_books: - A New Kind of Science status: evergreen --- ### AI的认知误区 大家好，这里是最佳拍档。当我们谈论人工智能，尤其是像ChatGPT这样的大语言模型时，我们往往会陷入两种极端的情绪：一种是将它视为无所不能的神谕，仿佛它在一夜之间就拥有了超越人类的灵魂；另一种则是将它贬低为单纯的统计鹦鹉，认为它只是在机械地拼接词句。但是真相，往往隐藏在这两极之间，而且比我们想象的要深邃得多。 今天，我们要带大家通过一位思想巨人的视角，去重新审视这场席卷全球的AI革命。他不是硅谷的风险投资人，也不是那种只会炒作概念的创业者。他是一位在15岁就开始发表粒子物理学术论文的神童，是著名的数学软件**Mathematica**和计算知识引擎**Wolfram Alpha**的缔造者，更是计算科学领域的奠基人之一。他就是**Stephen Wolfram**。在今天的视频里，我们将不再流于讨论表面的技术参数，而是跟随Wolfram的深邃目光，从科学史的维度、从宇宙计算本质的层面，去剖析AI到底是什么？它为什么会在现在爆发？以及在这个即将被算法彻底重构的世界里，我们人类究竟该处于什么位置？ ### AI爆发的历史契机 故事，得从半个多世纪前说起。Stephen Wolfram成长于上世纪60年代的英国。那个年代，虽然没有现在的互联网和智能手机，但是有着一种独特的、对未来的憧憬，那就是太空时代。人们憧憬着人类即将殖民火星，宇宙飞船即将带我们驶向星辰大海。正是这种对未知的渴望，让年幼的Wolfram痴迷于航天器的运作原理，并且顺理成章地，一头扎进了物理学的海洋。那是粒子物理学的黄金年代，夸克、轻子、标准模型，无数新粒子的发现让物理学界沸腾，年仅十几岁的Wolfram就已经置身于这场科学盛宴的核心。 但是有趣的是，当我们在回望那个时代时，会发现人类对智能机器的幻想，其实从未停止。甚至在Wolfram还是个孩子的时候，大众文化和科学界就已经在预言，会思考的机器近在咫尺。这听起来是不是很耳熟呢？没错，就像当时人们认为殖民火星指日可待一样，这种即将到来的错觉，伴随了我们几十年。但是历史总是充满了黑色的幽默感：五十年过去了，火星依然荒凉。但是在另一个维度，计算的维度上，我们却真的迎来了一场，甚至超越当年想象的爆发。 这让我们不得不思考一个关于科学发展的深刻命题：为什么有些想法，明明已经存在了很久，却需要极其漫长的等待，才能开花结果呢？以现在大红大紫的神经网络为例，很多人可能以为这是最近几年的新发明。但是事实是，神经网络的概念早在1943年，也就是二战时期，就已经由沃伦·麦卡洛克（Warren McCulloch）和沃尔特·皮茨（Walter Pitts）提出了。甚至人工智能（**Artificial Intelligence**）这个词，也是在1956年的达特茅斯会议上，就被正式确立了。这中间隔了整整80年。在这80年里，并不是科学家们在偷懒，而是我们缺乏了两个关键的要素：足够强大的算力，以及海量的数据。Wolfram提到，在1950年代，计算机被称作电子大脑。那时的先驱们天真地认为，既然我们造出了能够计算的机器，那么自动化人类的思维，就像用推土机自动化挖掘泥土一样，顺理成章。但是他们低估了思维这件事的复杂性，或者更准确地说，他们低估了实现这种复杂性所需的工程量。直到2011年左右，深度学习开始在图像识别领域崭露头角，人们才惊觉，原来那个被冷落了半个世纪的老古董——神经网络，只要给它喂足够多的数据，再加上亿万次的并行计算，它真的能产生奇迹。 ### 神经网络的运作机制 那么，这个奇迹到底是如何发生的？现在的AI，比如ChatGPT，它的黑盒子里究竟在捣鼓什么呢？Wolfram给出了一个极度祛魅的解释：如果你剥开ChatGPT那层看似拥有人性的外衣，你会发现它在做的事情，其实单纯得令人发指。它只是在不停地问自己：根据前面的一串词，下一个词最应该是什么？这听起来似乎有些不可思议。我们看到它写出的诗歌、代码、甚至是充满哲理的散文，难道都只是下一个词预测的产物吗？Wolfram说，是的，这就是量变引起质变的极致体现。 让我们来拆解一下这个过程：想象一下，你给AI输入半句话，比如，“这只猫坐在……”。在庞大的互联网文本中，后面接的词可能是“垫子上”、“椅子上”或者是“地上”。AI通过读取了数十亿乃至数万亿的网页内容，它并没有像人类那样去理解猫是一种有毛的动物，垫子是一种软的物体。相反，它做的是一种高维度的统计学游戏。Wolfram解释道，在AI的神经网络内部，有着数以千亿计的参数，我们称之为权重。你可以把这些权重想象成无数个可以调节的旋钮。当AI还在训练阶段的时候，它可能像个没头苍蝇一样乱猜，它可能会说“这只猫坐在乌龟上”。这时候，系统会告诉它，“错了”。根据大多数的文本，应该是“垫子”。于是，一种被称为**反向传播**（Backpropagation）的算法就会启动。它会往回走，微调那数千亿个旋钮中的一部分，让下次预测“垫子”的概率稍微高一点点，预测“乌龟”的概率稍微低一点点。这个过程重复了无数次，消耗了几个月的时间和堪比一座小城市的电力。最终，当我们拿到训练好的模型时，这些旋钮已经被调校到了一个极其精妙的状态。当你再次输入“这只猫坐在……”时，它会输出一串数字，代表着下一个词是“垫子”的概率是99%，是“地板”的概率是0.5%，是“乌龟”的概率是0.001%。然后，AI会根据这个概率分布来掷骰子。通常它会选概率最高的那个词，但是为了让回答显得不那么呆板，偶尔它也会选那个次优的词。这就是为什么你问它同样的问题，它可能会给出不同回答的原因。 ### 计算不可约性：AI的本质 但是这引发了一个让Wolfram都感到惊讶的问题：为什么仅仅通过统计下一个词的概率，就能产生符合人类逻辑、甚至带有某种智慧光芒的内容呢？Wolfram认为，这其实揭示了一个关于人类语言的秘密：人类语言的结构性可能比我们想象的要强得多，也简单得多。我们一直以为语言是人类灵魂的神秘产物，但是也许，语言在很大程度上只是遵循了一套特定的、可被计算的语义语法。当神经网络的参数量大到一定程度，它实际上是在高维空间中学会了这套语法。它不是在理解意义，而是在复刻结构。这就像是一个看了无数张建筑图纸的人，虽然他不懂力学原理，也不懂居住的感受，但是他能极其精准地画出一栋房子的草图，甚至连哪里该放承重墙都丝毫不差。这种结构性的模仿，在达到极致的时候，就表现为我们眼中的智能。 但是这是否意味着，AI已经解决了所有的问题呢？并不是。这里我们要引入Wolfram提出的一个非常核心，也是非常具有哲学意味的概念：**计算不可约性**（Computational Irreducibility）。在过去的300年里，从牛顿开始，科学的范式一直是预测。我们相信，只要掌握了公式，我们就能跳过过程，直接算出结果。比如，我们要知道地球一年后在哪里，不需要等地球转一圈，只需要把参数代入万有引力公式，几秒钟就能算出答案。这种走捷径的能力，是我们现代科学的基石。 但是，Wolfram在他2002年的巨著《**一种新科学**》（A New Kind of Science）中指出，这个宇宙中存在着大量的系统，是无法通过公式来走捷径的。最典型的例子就是天气。我们要知道明天的天气，不能只靠一个简单的公式来计算，我们必须在计算机里模拟大气中的每一个流体单元，一步一步地推演。要想知道结果，你必须完整地经历计算的过程。这种无法简化、无法跳过、必须按部就班运行的特性，就是计算不可约性。 这和AI有什么关系呢？关系大了。现在的AI，尤其是深度学习模型，本质上就是一个巨大的、复杂的计算不可约系统。尽管是我们设计了它的架构，是我们训练了它的参数，但是当它开始运转起来的时候，我们就无法用一个简单的公式来预测它下一句会说什么，或者在面对某个复杂的伦理抉择时，它会做什么。这就解释了为什么AI安全如此之难。我们总是想给AI设定一些绝对的规则，比如永远不要做坏事。但是在一个计算不可约的系统里，你无法预知所有可能的情境，就像你无法预知蝴蝶扇动翅膀会不会在两周后引起龙卷风一样。AI的行为是涌现出来的，而不是被预设好的。这也打破了我们作为造物主的傲慢：我们创造了一个我们无法完全预测、甚至无法完全理解其内部逻辑的智能体。这听起来有点恐怖，但也正是它强大的地方。如果AI的一切行为都能被我们简单的公式预测，那它的智能水平也就被锁死在人类的理解力之下了。正是因为这种不可约性，它才有可能涌现出超越人类预期的能力。 ### 人类新角色：定义者 那么，在这个充满不确定性的AI时代，我们人类该干什么去呢？如果写代码、做翻译、甚至画画写诗，都能被自动化了，人类还有什么价值吗？Wolfram对此持有一种审慎的乐观态度。他更习惯用历史的眼光看待这一切：一百多年前，绝大多数人类都在从事农业。如果那时的农民穿越到现在，看到只有极少数人在种地，他们可能会惊恐地问：那剩下的人都在干嘛？都饿死了吗？当然没有。自动化消灭了旧的岗位，但是也催生了前所未有的新需求。以前我们有电话接线员这个职业，他们负责手动插拔线路来接通电话。随着自动交换机的出现，这个职业消失了。但是通信行业的爆发，创造了无数的网络工程师、软件开发者、甚至是现在的视频博主。 Wolfram认为，AI正在将执行这个层面的工作彻底自动化。无论是写一段Python代码，还是撰写一份法律文书，这些都是How，怎么做层面的问题，AI非常擅长解决How。但是，AI并不擅长解决What，做什么。这就是人类的新角色：从执行者进化为定义者。我们需要从关注如何写代码，转向关注我们要用代码解决什么问题；从关注如何遣词造句，转向关注我们想表达什么思想。这就是Wolfram一直倡导的**计算思维**（Computational Thinking）。这不仅仅是学会编程语言，而是学会如何用计算的视角去拆解世界，去定义目标。为此，他花费了40年时间，打造了**Wolfram Language**。这是一种完全不同于C++或者Java的语言。传统的编程语言是写给机器看的，关注的是内存、循环、变量。而Wolfram Language试图成为一种计算知识语言，它内置了关于现实世界的知识，包括城市、化学元素、股票数据、甚至绘画风格。在这个体系下，你可以直接告诉计算机：我要对比一下这种化学元素和另一种元素的属性趋势，而不是去写一行行代码去爬取数据、清洗数据、画图表。这种让计算机直接理解人类意图，并且自动调动知识去解决问题的能力，正是未来人机协作的终极形态。在这个层面上，人类并不会被取代，而是被增强了。我们将会拥有一个具备无穷知识和算力的外骨架。 ### 智能的普遍性与AI意识 最后，主持人抛出了那个最敏感的话题：AI会有意识吗？它会像科幻电影里那样觉醒吗？Wolfram回答道：当我们寻问AI是否有意识的时候，我们其实是在用人类的体验作为唯一的标尺。Wolfram提出了一个非常激进，但是也非常自洽的观点：那就是在宇宙中，计算是普遍存在的。流体力学中的湍流是在计算，天体的运行是在计算，我们大脑中的神经元放电，也是在计算。从计算等价性原理的角度来看，这些过程在本质上并没有高低贵贱之分。我们之所以觉得大脑特殊，是因为我们就在大脑里，我们能够感受到那种主观的体验，我们能理解同类的悲欢，是因为我们有着相似的生物硬件和文化软件。而AI，虽然它的底层逻辑和我们不同，但它同样是在进行着极其复杂的计算。或许，我们不应该去寻找那个神秘的机器幽灵，而是应该接受这样一个事实：智能并不是人类的专利，它是一种可以从简单的规则中涌现出来的普遍现象。AI的思考方式可能与我们不同，它没有血肉之躯的痛感，没有激素调节的情绪，但是它确实在以一种我们未曾设想的方式，处理信息、构建模型、推演未来。如果我们将这种视角推向极致，甚至可以说，整个自然界都在进行着一场宏大的计算，而我们，以及我们创造的AI，都是这场宇宙级计算中的一部分。 ### AI的镜像与人类价值 所以，回到最开始的问题：AI是神谕还是鹦鹉呢？它既不是神，也不是简单的复读机。它是人类文明积淀的镜像，是我们为自己打造的一面超级透镜。它折射出的，不仅是海量的数据，更是人类思维的结构本身。在这个被AI加速的时代，我们不需要感到恐慌。因为历史告诉我们，每一次工具的进化，最终都让人类从繁重的重复劳动中解放出来，去探索那些更具创造性、更具人性的疆域。以前我们用锄头耕作土地，现在我们用提示词耕作知识。工具虽然变了，但是人类探索未知的冲动没有变。定义意义的权利，依然掌握在我们手中。在这个充满了计算不可约性的未来，希望我们每个人都能找到属于自己的那个，不可被计算的价值。感谢收看本期视频，我们下期再见。