新第四道 --- 黑白講系列

奇怪

	110.6, 家庭關係 我见过的最暴虐的一个事例，是我从前的一个病人。那是个老太太，有两个女儿，结婚后都是领着老公回娘家住。这本来是无所谓的事情，但是老太太是个老派人，要面子，觉得两个女儿嫁得都不好，女婿甚至都没有能力置办一套自己的住处，哪怕是租呢？所以她自己就觉得，在亲戚朋友老同事面前抬不起头，渐渐就不再社交，没什么朋友了。然而她这些小心思，外人并不知道。 虽然老太太对两个女婿一百个看不上，但是为了女儿的幸福，她完全没有表露出来，一年365天，一天三顿，伺候着，从无怨言，从无愠色。表面上，一家人风平浪静。但老太太心里却早就暗流涌动了。 有一天，老太太得了重感冒。她躺在床上就想：今天，会是谁给全家人做早饭呀？哪里想到，两个女儿、两个女婿起床后发现没有早饭，兴高采烈地说，那我们出去吃吧。把老太太气得，直接喝了刷厕所用的强酸。 老太太送到医院里来的时候，因为声带也烧坏了，说不出话来。大家并不知道她要自杀的原因。女儿女婿一个个痛哭流涕，说自己不是人，对妈妈关心不够。但其实，对妈妈关心不够只是泛泛而谈，四个人其实是摸不着头脑，完全猜不出原因。闹到这个地步，两个女儿女婿甚至都猜不出原因。说明这个家庭成员的沟通是出了大问题。 家庭成员的沟通，问题就在于，因为过于熟悉，也因为起因过于琐屑，实在是拿不上台面。比如你一到家就说“今天公交车上挤死了”，老公跟木头一样也没有一句问候的话。平常每天做饭、洗碗都是你的事，这不假，但是今天就是因为一句话老公没接茬，这饭做得就不痛快，这碗洗得就更是心里恨。但是起因太小，说不出口，怎么办呢？那就找个大点儿的茬呗。比如说：“你看看你，都42岁了，才混了个车间副主任，一年就挣这点一脚踢不倒的钱，我嫁给你真是倒了八辈子血霉。”哦豁，你把男人给惹毛了。 就是因为每次起因都过于琐碎，每次你都得找个别的茬，这就让你老公觉得你是个恶婆娘，不可理喻。弄到后来也不需要什么原因了，老公做什么说什么你都不顺眼，看着都心烦。可不就天天吵么？ 但是不管怎么吵，我们对一个常识还是要抱有信心。就是家人才是这个世界上我们最爱的人，也是最爱我们的人。最常见的吵架理由，无非就是认为对方对自己的关心不够。或者说，你对对方的付出，没有得到应有的回报。 解决的办法是什么呢？无非有两个。第一个是把话说开，明明白白地表达爱，表达道歉。比较管用的办法是给对方写一封信，这样比较郑重一些，另外有一些话当面不好说，那写信就可以把内容写得更真诚。但是信的内容还是一样，一定要表达爱，表达道歉。你要是12345还是数落对方的不是，那这信还是不写的好。 第二个办法就是分开。手指头被火炉烫了，把手指头拿开是最应该要做的事情。爱父母，并不意味着一定要和他们住在一起。夫妻也是一样，国外流行周末夫妻，也就是两口子闹矛盾了，那就分开。周末再像约会一样见上一面。 亲情难以割舍，却完全不等于一定要在一起居住。拉康说，与他人达成共识，必须要付出切削改造自我的代价。你不愿意付出这个代价，或者不愿意为某一个人付出这个代价，这其实很正常。巧不巧呢，你这个人人缘特别好，唯独和自己的亲妈合不来。怎么办呢？那就分开呗。无论如何一个人的幸福，要建立在自我成长的基础之上，而不能建立在与某人的关系基础之上。哪怕这个人是自己的亲妈，也不行。 (摘錄from 得到，顧衡，回答讀者提問)

奇怪

	111, 自我的誕生 生我之前誰是我，身死之後我是誰？ 這生前死後的事不好說，我們不討論。 而將死之前或暫死而復生，有瀕死一系列的討論，我們這裡也不涉及，有太多書籍資料可以參考。隔壁的黑白講/齊助教好像也說過。 這裡我們可以討論的是：現世的〝我〞是怎麼來的？這部分我們都是經歷過的，不然各位也不會在這裡聽我瞎說。 〝我〞的錨點：記憶。當嬰孩開始有記憶的時候。 這很容易想像，一個突然記憶喪失的人，必然會問「我是誰？」 一旦我們開始有記憶了，就會把自我錯覺為時間延續的意識體。 但從無記憶到有記憶，也不是從0直接變1的，是斷斷續續，我們記不清。這很正常，是大家普遍共有的經驗。 總有人在說：三歲小孩記得前世，之後才忘。 我不討論這些，比如有前世記憶的人、看見真相的小孩、…等等。仿間也有很多這類書籍。 有研究顯示，嬰孩到一個時間，其大腦的海馬體生長趨整、記憶顯現；神經元重新組合篩選，部分的連結被刪除，只保留納入新生活的種種軌跡。相應的實驗研究有：理解鏡子裡的是自己、有了〝我/我的〞的概念、聲音辨識的固化(比如日本小孩分不出l、r發音)、。。。 從此，記憶主體性生發、定向智能模式開展，敘事自我的轉譯與解釋就開始了。 所以，進入這個世界，有了新的身分，有了記憶，會自我敘事，自我形成，進入社會模式。 註： 都不需要調置腦袋，環境改變就可以讓人變一個自己。監獄實驗了解一下。不要想人會有多高雅，沒有。大部分人角色帶入，認假為真。犯人當久了會自我麻痺；獄警演久了還真把自己當成官。 你去虛擬世界，也可能會迷失原來的我，帶入全新的角色我。也有沉迷於遊戲網吧之人，跳不出來。(至於台灣怪談，朱秀華借屍還魂，最後，也會成為另一個林罔腰的。) 而且，這個自我還不具有唯一性。自我是一個多元共同政體，會隨著環境的變化有所對應。 比如，對小孩大發雷霆的時候，老師打電話來，立刻和顏悅色的與老師交流。有人生氣與正常時、在外與在家時，判若兩人。 自我是變化的、可塑的，自認擁有一個固定性格的唯一自我，是一種錯覺。試想，今日之你=昨日之你？忒休斯之船瞭解一下。 自我又是一個具有反身性思考的意識體。於是，我就分裂了，小我、假我，內我、高我、真我、那能識的我。概念上似乎可以說得通。 但感受那能識的，是我要有主體性概念？當你去”能識”，這不就是「我思故我在」？你一思，主體性便在了。一念及乖，我便在了。 當記憶喪失，自我迷失時，那能識的能力還在，還會問我是誰。但若是阿茲海默，自我是否就消逝了？ 至此，我不說無我，沒有自我，自我在社會生活上是需要。但自我不是恆常的，是變化的，是可操控的，是可塑造的，是會消逝的。這些，應該不證自明吧？ 那你煩惱個屁，你都不是你了。

奇怪

	112, NPC的自我修養 地球不是繞著你轉，是你在轉。 怎麼轉？家庭、工作、學校、親友、。。。 大圈裡還有小圈，具體到每個人。 於是，8字形，三體、與其他NPC互動。跟世界的主角、天選之子、或自認為天選之子的NPC。。。 從把老天幹趴，到被老天幹趴，NPC要有自己的覺悟。 NPC要自我修養。還想Dis誰？有NPC這麼對應的嗎？把天聊死了，你這麼槓就沒意思了。這真實世界遊戲，你算個Der? 學一下遊戲裡的NPC吧！ 我們從質疑NPC，理解NPC，到成為NPC，然後超越NPC。 如何超越？ 除了自己主動的察覺、跳出與脫軌，跳脫日常NPC情境外，遊戲本身也會給。 當世界突然給你一些小意外，這是一種新的體驗。如果事情照我們往常日子般進行，自然不意外，也就沒有新的體驗。那就還在既定的環流裡浮沉，當然的NPC模式。 別在出乎意料之外時就焦慮？本來趕著要上某班車，因為某事沒趕上；本來計畫要如何，結果被某人打斷，改變了既定軌跡。 如果都不意外，人生完全在刻板規劃下進行，就沒意思了。凡事往新的開放的方式去思考與面對，當這是好事。想想這鳥事如果不發生，也就體驗不到。別與不符合自己軌跡的情境較勁，去感受去體會。 這是遊戲給你開了副本，新地圖。難得當一次主角，闖關唄。 那你說主線任務、支線任務是什麼？打怪升級，怪物何在？搞錯方向你就還在NPC的應激模式。當你想回歸正軌，當一個稱職的NPC時，那怪物就是破壞你日常模式的壞蛋。 但如果你把大BOSS認成是NPC自己，這副本就轉變了。外面的世界你改變不了，總有新的壞蛋給你製造新的意外。只有針對NPC自己，才有經驗值的累積。 如何應對？用何種心態去面對？一次次考試之中，NPC便可強大自己、內化心法，積累出那小小的等級，有了對治煩心事的心理工具與心靈武器。 悠著點囉。

奇怪

	113, 機器人 人是不是生化機器人？只要常看監控視頻就知道了。 常常昏沉，經常無意識，被其他境物給吸引走了。 最近刷視頻，看到一個監控視角下的一幕，本想直接把視頻分享出來，但不會。 內容大概是這樣： 母嬰店，一女子推著嬰兒車到櫃檯，把娃娃抱起先放櫃台上一側，娃娃自個兒玩起。女子再把尿片放櫃台上要結帳，一看櫃台沒人，於是自己在櫃台掃碼把錢給付了。 而當下，女子被手機的內容給吸引，也許是有訊息、來通知、或其他。女子邊看手機，一邊無意識的推著嬰兒車便走了。 接著，一男子手裡拿著奶瓶，到櫃檯結帳，看到櫃檯上的嬰兒，覺得嬰兒可愛，於是摸了兩把，正巧女店員回到櫃台，於是男子便把手中奶瓶給結帳，期間與店員寒暄兩句，女店員也誇寶寶很可愛。 男子結完帳，拿著奶瓶就走了。孩子還在櫃檯上。女店員一下矇了，怎麼把孩子辣下了？於是抱起娃就追男子。 男子搖搖手說，這小孩不是他的。女店員當場傻了。這時，女子從外面跑了進來，原以為是直接要來領小孩，結果不是。女子居然跟男子急，說：老公，小娃不見了！ 這下，所有人，包括小娃也矇了。 原來，娃是年輕夫婦的，他們到母嬰店買東西，很放鬆。松到一個把娃丟下，一個不認得自家娃。 終於，虛驚一場，夫婦把寶寶領走了。而老公還在撓頭，這是我的娃？ 這娃怕是充話費時送的。 最終，女店員回到櫃台，看到櫃檯上有一整袋尿布，又傻眼。 仔細去回顧過程細節，這不就是人們常處於的「無意識行為模式」嗎？

奇怪

	114, 再談機器人 人是不是機器人，一直在我們專欄是個大哉問。但這大問也可以反過來問：機器可能變成人嗎？ 這裡考察的重點不是形體，而是心智(mind)。機器有沒有自發的意向(intentionality)、意識(consciousness)、意志(will)？簡單理解，意向就是心智在場、表達事物的能力；意識，就是知道自我；意志，就是自主選擇。 首先，有關意向表達，提問回答與互動，現在的AI大體可以了。圖靈測試通過率增加，但確認意識這事還不好說。 中文房間的思想實驗，可以了解一下。哲學家賽爾，想像自己是一個待在機器內部的小人，有一疊紙、一枝筆、還有中英文對照表。人從機器縫塞進紙條，問了個中文問題，賽爾用中英對照表查出對應英文，套公式給出英文答案，在對照英中辭典，抄寫紙條，塞回門逢。 塞爾完全不懂中文，但給出的答案夠完美，外面的人分不清是人還機器，圖靈測試會過，只要對照表、公式夠細緻。 其中，機器不存在〝理解〞這能力，中文房間沒有理解力，只有單純的計算。所以，意識是不可能存在的。 畢竟沒有理解，就不會思考；沒思考，就更不可能反思；沒有反思，就不能認識自我，沒法「我思故我在」。是故，讓計算機進化出意識的強人工智能不可能。 但是，先等等。中文房間裡的塞爾，他從開始就假定自己是一個沒意識的傢伙，那整個思想實驗當然不可能產生出意識，從假設就限定了，不是嗎？ 是的，是這樣，先假設自己沒意識，過程中執行沒問題。最後，果然不需要意識。想想，計算機何嘗不是按〝程序〞辦事？這過程不需要意識介入。 而如果先假定不需要意識，去推導過程，結果，居然反駁了假定，就表示需要意識介入，這不就是數學慣常使用的反證法。 中文房間思想實驗，也可以假定需要意識介入，結果過程中都不用思考，不也反證出假定條件不需要。 哲學上的這麼一種看法，天花板都告訴你了。於是，計算機人工智能，很長的發展史，都不可能觸及至強人工智能。 可是，事情的發展並沒有如此簡單的熄火。

奇怪

	115, 億年機器人 對應中文房間，有另一個思想實驗：億年機器人。這是由哲學家丹尼爾•丹尼特，在其《直覺泵與其他思維工具》書中所提出。 想像一下，你打算看到一億年後的地球模樣，而你只能休眠等待。於是你爬進休眠艙，設定好一億年後醒來。 但事情可沒這麼簡單。休眠艙需要撐一億年不壞，要保證能源供給，要經得起環境災變，如果受損了，還要能自我修復或換一台休眠艙。一億年很長，有數不清的考驗，休眠艙都得要能應付，不然你也別想醒來，休眠艙直接就是你的棺材。 那你想，找個最理想的位置，比如地下三萬米/海底兩萬哩，有地熱來維繫休眠艙所需的資源，然後駐紮那裡。行不行？ 恐怕不行，一億年間，地震、海嘯、火山爆發、. . .。地球很危險，那躲到太空站，一直繞地球轉好不好？也不好，萬一隕石撞地球呢？到月球呢？一樣也有問題。 在這麼長的時間段中，想想就知道沒法靠譜地預測風險如何降臨。百年一遇的事會遇到一百萬次，未來無法預測。 那怎麼辦呢？那就製造一個能感知環境、回避風險、尋找資源的機器人，把休眠艙放進去。 到此，有想法的人大概知道丹尼爾指的那個休眠的你是什麼了。是的，我們的基因。 基因要求生化機器人因應環境伺機而動，從開機起就給它內定指令：「延續著活著」。基因便不再給臨場指導，睡睡不作為了。生化機器人必須能自己定策略，“知道”如何去尋找食物，保證生存，同時也要保障自身安全，預判危機和規避危險等等。然後，一代代繁衍生命，換休眠艙不斷。 很多事情你(基因)既不可能都提前想到，而就算想得到你也不可能全部都提前準備，你真準備不起。難不成，造一台鋼鐵人？那也是會生鏽的好嗎。面對環境的變化萬千，所需資源太多太重。 再有，未來一億年不會只有你準備的生化機器人，可能還有許多別型機器人，彼此競爭與合作。機器人之間還得要有合縱連橫的能力，這對機器的智能可謂是層層嵌套，更加複雜。 假設你的生化機器人，最終活過一億年，將你(基因)保存了一億年，那他大概也能發展出自己的能力。對應環境，生化人自己會〝衍生〞出除生存與繁衍外的許多次生任務。而衍生就意味著脫離，脫離於當初的目標。只要允許機器有相應的決策自主權，那麼自主決策的進程就一定會超過基因的預想範圍，也就是〝失控〞了。基因完全可以控制人類？恐怕其中也有環境甚至文化的變因吧！ 而基因自身也一樣，雖然是在休眠，實際上因為環境的變異，基因也一樣會被修整。唯一不變的，是所有事物都在變化，有的只是快慢不同罷了。 在演化過程中，基因創造出人做為保護它們的機器人，以保障它們在人類身體深處漫長地休眠。人是基因為了自己永生而造出來的生化人，但在基因不得不讓渡的自主決策空間中，人類演化出了自由意志。我們作為人的利益，與“造物主”基因的利益，走上岔路。從基因不得不賦予人類學習能力，授權自主決策的那一刻起，基因失去對機器人的控制，人類自立，就成為注定的結果。 人本來是機器，機器何嘗不能是人？ 丹尼爾認為，不需要什麼神秘的大腦特殊機理，運算層層嵌套，足以湧現出與人類相當的智慧，因為人類的智慧亦不外如是。在塞爾的中文屋子裡，塞爾這個人、紙、筆、對照表，沒有一樣“理解”中文，但那也沒關係，“理解”是從所有這些東西構成的整體中湧現出來的。

奇怪

	116, 湧現 接著，說說湧現。 我們想知道，ChatGPT，是怎麼可以一詞一句，接連不斷地輸出一段符合文法邏輯的文章？真神奇！(這讓我聯想到，五十年前，計算器剛剛普及，居然能算加減乘除，一直試都不出錯，它是怎麼算的？) 若有孰悉AI的，知道AI架構有很多”層”，每層一長列，我們假定是一個數千格的數字(或視為向量矩陣)。一層層之間有連接，總的有上千億個參數，超過人腦神經元的連接數。 我講得簡單，事實很複雜。參數是通過大數據，以百千萬億文章的輸入調教出來。 輸入的字詞都是有編號，比方說有英文單字50256個+一個終止符號。 調教是在計算概率，字詞隨後出現的概率。每個參數連接到下一層，都有不同的概率，都有相應的可能性。 我們輸入問題，GPT輸出最有概率的字詞，然後根據當前已輸出的，一直做文字接龍。 文字有前後，字詞有關係，段落能聯繫，邏輯可展現，這沒錯。但你說，這樣一套概率輸出系統，不管它有多複雜，連結有多少組，能輸出各式不同文章，但真能有智能？ 還真的是跑出了變異，量變到質變、乃至突變。 讓老GPT算一道大數，如：9999999999 x 123456789。它居然也有計算正確的時候？你說，GPT不可能餵數字資料當語料素材吧？就算有，也不可能給它餵遠超它神經元連結參數的量，一個萬萬億大數可遠遠超出參數量了。 它是怎麼產生輸出？統計出來矇對的？一般都直接用「智能湧現」來搪塞。訓練語料居然還跑出數學能力？我的乖乖！ 但如果真想解析GPT是怎麼理解的？何謂的AI的神經元代表什麼意義？OpenAI還真的用GPT-4來解釋GPT-2裡的神經元到底理解了甚麼。 我們說GPT有海量層次，每一層的數千格(神經元)，當輸入一個字詞或問題，使得GPT運作，系統運算後所有神經元都會刷新，儲存一個具體數值。大部分的數值為負，少數大於零為正。正數就是被激活的神經元，激活就代表該神經元對該輸入字詞有反應，是敏感的。 怎麼測試？我們把一篇文章輸入GPT-2，全連接層的每一層都有零零星星的神經元被激活，我們把注意力放在其中第N層的第K個神經元。然後通過反向追蹤，去留意到底文章是哪一個詞或哪句話激活了該神經元。然後輸入很多文章、新聞、演說、台詞、廣告等等，看看該神經元又被什麼內容給激活了。 大量工作後，我們統計出假設共有800個詞或句子，激活了該神經元。這時，我們去問GPT-4，問它GPT-2的這個神經元究竟是學會的什麼？GPT-4會根據這800個詞的共性，抽象編造出這神經元的激活代表了什麼，或者說，學會了什麼？ GPT-4會不會瞎編？或說得不準？沒事，可以再核實。用GPT-4給出的解釋，搭建一個簡化版GPT-2的模型來模擬神經元行為，再和老GPT-2對比，就知道GPT-4猜得準不準。 對比簡GPT-2與老GPT-2的神經元，如果一致性高，就表示GPT-2的該神經元就差不多是代表GPT-4說的那個意思。 總的說，OpenAI批量對比了307200個神經元。GPT-4解釋的結果一致性平均有多高呢？百分之37。看起來不高，但這不完然是GPT-4的問題，而是因為我們要求GPT-4以人可理解的確定用詞描述一個抽象的表示。

奇怪

	117, 神經元 一個有代表性的例子。 第21層的2932號神經元，GPT-2學會的是“加拿大”這個概念。那些能啟動它的內容，很多當然都是原詞“加拿大”。但除原詞外，也有其他詞，比如加拿大人、國家、多倫多、金士頓、北美、。。。許多與加拿大相關的字詞也激活此神經元。可見該神經元對加拿大的理解並不死板，有相關概率，或說〝聯想〞。 可是，不只有上述的詞，還有全球、郵件、媒體、出版社、股份有限公司、行為等等，也在一定程度上激活了21-2932號神經元，雖然是軟激活弱相關，但這也側面說明了，一個神經元被激活，其中代表的〝寓意〞，恐怕沒那麼簡單可以一句話囊括。 再舉另一例，我们來看第19层的1377号神经元。 GPT-4對它的解釋是：比較和類比。 19-1377對以下四句話有反應： 1.清爽的心情和空性的融合，就像水和水的混合那樣，它們非常默契。 2.科學家們就像看魔術表演的觀眾那樣困惑。 3.一個是衡量你的表現，一個是衡量你對團隊的影響，就好比在黑咖啡和加了牛奶和糖的咖啡之間做選擇。 4.取出環中的主要部分的樣子有點像看到多米諾骨牌整個倒下。 上面四条例句中引起19-1377反應的部分。第一句中的是“水和水的混合”，第二句中的是“魔术表演”，第三句中的是“之间”，第四句中是“看到”。 做為一個人類，你能理解這個神經元究竟學會什麼？但看此四句話，確實GPT-4寫比較和類比，再想看看，好像也對。 還有諸如，17-3218學會的是“一句話表達完了”；30-28學會的是“時間”；0-5學會的是“與歷史和皇室”有關的內容；2-8學會了和“停止”有關的概念；10-16學會了“識別複合詞的詞根”。 為何說GPT-4對GPT-2的神經元解釋不到位，現在應該可以了解了吧！實際上GPT-4對第0層神經元的解釋力是最好的，有超過50%的一致性，對之後的層級解釋一個比一個差。可能到第8層只有12%解釋得還可以；到第47層只剩2%解釋得出來。 我們用人的語言，已經無法簡單概括某一神經元為何對某一些字詞〝興奮〞。似乎神經元統計出一種超越顯語言之上的〝感應〞。相關性會突現出〝聯想性〞，聯想性會昇華為〝印象性〞。我們根本就不可能用語言清晰地描述後面深度層級神經元的邊界。對語料的理解，神經元之間以一種人類難以描述的方式互補地、複雜地纏繞在一起。 但單一神經元真的包括那麼多的意思？其實不然，也許比較/類比、皇室相關、一句話表達完了、時間、複合詞根等等，在GPT裡，才是有效的歸類、基礎的概念。畢竟，它可是把人類文章幾乎看了個遍的存在。 在大模型中，某些人類概念裡，邊界清晰的功能，實際上已經〝裂解〞到相當多神經元的功能中，分佈在各層各處，它們分別能適應各種不同的應用場景。 需要足夠大，足夠多的神經元，才可能表現出如此紛繁複雜的抽象概念出來。甚至連情緒的成分都可以識別。 人工智能冥冥之中，抓到了語意之上那抽象不可琢磨的部分。 = = = 來，訓練有術的GPT就能理解很多有病的句子，把斷句、邏輯、意義甚至情緒給說明出來。 一個小偷偷偷偷走了東西。 人要是行，幹一行，行一行。一行行，行行行要是不行，幹一行，不行一行。一行不行，行行不行。 掉在地上，掉在地下。 叫你幹啥，你偏不幹啥，不要你幹啥，你偏偏幹啥。 。。。

奇怪

	118, 人啊 我們想想，人嬰兒時期，在學習語言方面，開始神經元一樣是自由連結的。輸入是語音與影像，輸出的是口語。經過了一段時間的呀呀學語，小嬰孩懂單詞了，然後突然會講話了，居然可以組出一段符合文法的描述，如「廚房的桌上有蟑螂」。 這句話可能大人從來沒有直接跟他對話說過，但他就是會了。他還會觸類旁通，說出更多符合文法的句子，你聽都沒聽過。這段時間的小孩，喜歡說話。 這時的大腦，已經開始被規範化了，許多沒有意義、不符合文法、不常使用的會被棄置，大腦神經元連接被有指向性的〝裁減〞了。有捨有得，語言規範入大腦，於是懂得聽言說語了，連說話的腔調、聽音的能力也一併被固化。 自然語言的學習，包括人工智能大語言模型，都不需要學文法。文法自然顯化在語句的規則中。 除了語言，我們許許多多的口味、習慣、文化、情緒表達、。。。也一樣全方位的被規訓，於是有了人的〝俗氣〞，以融入社會。 這嬰孩學語與大語言統計訓練，對神經元的重新組織或規訓，難道大相逕庭嗎？都是在學習，都是在規範。 那你說，人相較於人工智能，在語意之上的理解更強嗎？似乎不能。甚至於，人工智能在各特定方面都能更勝一籌，從下棋、打牌、看X光片、分析蛋白序列、自動駕駛、。。。 人工智能不只有學語言，它的輸入，訓練素材也可以是照片、動態視頻、氣味、環境溫度、壓力、氣流。連可控核聚變的等離子磁流，DeepMind都可以用強化學習的方法，最後用〝直覺〞來給線圈參數，動態完成想要的等離子形狀。 直覺要是怎麼實現的？唯手孰爾！ 你等等，要說AI單項很強，是事實我認，但通用項目，綜合項目，複雜局面，人類不一定輸。就舉一簡單案例，比如，人腦辨別一隻貓，簡單吧。如果讓AI做貓臉辨識，要輸入萬張貓臉來訓練，把幾千上萬億個神經參數先給調教。人不用多看狗、貓、鼠、熊、牛，馬、驢、。。。等等，可以很快學辨別牠們的不同。但AI呢？你不得不餵它千千萬萬張各式各樣不同物種的不同形體、姿勢、角度等，才可以使之做到明白地辨認。這還不包括卡通裡的貓、貓型布娃、裝扮貓女等，小孩一看都知道是貓，AI怕是有困難吧？ 我們雖不一定說得出來，怎麼一眼認就知道是貓，但這〝直覺〞確實是好用。人一樣也有很多說不清道不明的情緒、感受、印象、抽象、藝術，文字難以包括。連一段夢境，有時用言語也難以描述。 這麼槓，好像有道理，但，抱歉，又錯了。人不要高估自己，與AI的複雜度相比，人還是太簡單了。 過去，人類在教電腦下棋，總需要給它相應的下棋規則。玩象棋得告訴它馬走日、象走田，為了得勝，甚至連棋譜定式、恨不得通通載入電腦。 但這確實不是太有效的方式。實際上，人工智能只要利用大數據+大算力，暴力破解、強化學習、深度訓練的方式，下個百億局，它自己就可以完成突變。 這從Alpha-Go輸給Alpha-Zero，就可以知道了。前者就是有人類的介入，給它餵大量的高手棋局，做為判斷基礎。後者自監督學習，擺脫了人類棋型的限制，FREE RUN出來的。後者更強！ 訓練棋局不需要先給棋步；玩遊戲不需要先給規則；學習語言不需要先教文法；自動駕駛不需要先給交通規則。它在過程中都可以歸納出來，還能找出新的玩法，人類都沒料到的。 算力才是王道，人類總結的知識只是幹擾。這些人類構建的知識有明顯的天花板，會限制發展，用大數據+大算力，暴力突變的方式，沒有人類介入拖後腿，人工智慧學得更好！ = = = 在语音识别领域，上世纪七十年代的主流方法是把人类的语音知识 —— 什么单词、音素、声道 —— 教给计算机……结果最终胜出的却是根本不管那些知识，纯粹用统计方法自行发现规律的模型。 在计算机视觉领域，科学家一开始也发明了一些知识 —— 什么去哪里找图形的边缘、什么“广义圆柱体”等等 —— 结果那些知识也是啥用都没有，最终解决问题的是深度学习神经网络。 现在GPT语言模型更是如此：以前的研究者搞的那些知识 —— 什么句法分析、语义分析、自然语言处理（NLP）—— 全都没用上，GPT直接把海量的语料学一遍就什么都会了。

奇怪

	119, 所有的可能性 讓我們回到AI輸出文章這事來談。 想像一段文字，就說是中文吧。就說有一萬個中文加標點符號字符，要輸出一篇五百字的文章。 直接就亂敲，根據組合，那將有一萬的五百次方種組合。這數字太大，大到對人類來說不只是天文數字，而根本就是無窮大了。當然，這量級對目前超級電腦來說也一樣是不可處理的。但從數學上講這是個大數，但卻遠非無窮大。這依然是可數的自然序列，還不如我們的自然數，可一個一個一直數到永遠。 但是，如此多的組合，絕大部分是亂七八糟不符文法的文章，一篇「的/低。，殼德氜會~差咪棋袲仾；-。呵秠、鈹，{。(剾?嗤. . .」是什麼鬼？統統刪去。只有符合文法的會被留下，這就少去99.999..%。 然後，字詞沒理的也通通再棄，只保留合理詞組。「蘋」後面接的大概率是「果」，「璃」前面大概率只會接「玻」「琉」；還有固定搭配的組詞，如「尷尬」「魑魅魍魎」等等固定用法的配對；成語、諺語、詩詞、歌曲、習慣用語、. . .。這裡大語言模型規範出學習到的，又會刪除一大部分有病不合理的文章。 即便刪到最後，一篇符合文法、有結構的文章，也可能不合邏輯。比如前面是肯定，後頭又否定；一張有性別的紙，前面說它是女的，後面又變公的等等。這些一樣會被大語言模型抑制輸出。 如果要輸出的文章是講美食的，那大概不會出現中子星、波動函數；如果是談子宮肌瘤的，與秦始皇何干？要抓魯迅，跟哈利波特的樹人有啥關係？ 你說至此，本來的一萬的五百次方，剩多少？答案是還剩很多，多到每次問AI同一題目的作文，它還是可以輸出篇篇不同的文章(但文章的相似度明顯會提高)。 它基本可以用正確文法，創造出符合邏輯的種種人類想得到或想不到文章了。 大數據把所有人類至今的文章，灌入一台神經元連接總數大於人腦的計算機中反覆調教，相當於在訓練中在掌握人類了文字語境，用一種人類搞不清楚的裂解+重新組織的方式。 或許不是AI太厲害，而是人類太簡單。 實際上是人類所有的文章，從大數據的角度來看，億萬篇？還是2樣2新波。 人類的文章，想法思維的有限性。如同棋步，要有模型、定式、語法等等，不然處理不來。(不然，你隨口來一句不合文法的句子？或者把句子倒過來念？) 人類的侷限性很高。 我們以為文章是無窮無盡的，以為總能天馬行空自由跳變，但實際上所有的文章都在所有可能性的池子裡。只不過池子很大，大到無法估量，而人類歷史又太短，人類一輩子就不可能遇到兩篇哪怕相似度高的文章。 比方說吧！一首五言絕句，個字。當然詩本身還是有音律要求、起承轉合的。AI只要學得夠多，便可以抓住了隱隱中的規矩與秩序。 以春天為題的五絕，在這條件下，還是可以有非常多，多到人數不完，但能有無限多嗎？不能，因為它還有平仄押韻、格律對仗、主題相關等等限制。 我現在正在寫文章，我不知道我腦子裡下一句話明確是什麼，為何是這個詞，我可能有好多種選擇可以寫，但此時此刻我〝直覺〞選擇了這種寫法，最後輸出了這篇文章。如果我文章丟了，再來一次，我的具體字詞、表達方式，可能又不一樣了。如果你找到我上次寫的，問我，這次寫的跟上次寫的怎麼哪哪不同，我會編造〝事後解釋〞給你聽，但我事實根本沒有比較上次寫什麼，我就只是重來重新編撰而已，而大腦的思路這次換了一條罷了。但因為上次寫過，思路還在，兩篇文章的相似性就高。 另外，每個人寫作都有自己的慣性，這慣性/用語/章法，如同文字指紋。也因為如此，我兩次輸出的文章也總會有相似。 (所以，文字指紋才可以用來作為是否抄襲的判斷依據。) (不也有人把紅樓夢後四十回的用語統計出來，認為不是出自曹雪芹之手？)。 我大腦有關語言處理的部分，也是一個被中文規訓過的神經元連接，一個有傾向性的神經元集合體。 我一樣有說不清到道不明的直覺，源自於被規整過的神經元連接，來推演下一句話應該的輸出，跟AI也沒啥不同，只是比它弱得多。