Joi lto

當我們看到一堆積木或者一堆奧利奧 時，我們憑直覺就知道它們穩(wěn)不穩(wěn)定，會不 會倒，會向哪邊倒。事實上，這是一個相當 復雜的計算過程，涉及物體的質(zhì)量、材質(zhì)、大 小、形狀以及堆疊的方向。

約翰特南鮑姆領導下的麻省理工學院 研究員猜想，在我們的大腦內(nèi)，有一個直覺 物理引擎：雖然通過感官收集而來的信息是 不確定的、嘈雜的，但我們還是能推斷接下 來會發(fā)生什么，所以一袋大米掉落時，我們 會躲閃、會沖過去接住，或是捂住自己的耳 朵。這種“嘈雜的牛頓式”系統(tǒng)涉及概率理 解，而且可能出錯。

幾十年來，讓人工智能具備常識已經(jīng)成 為該領域最大的研究挑戰(zhàn)之一——人工智 能“理解”現(xiàn)實世界中事物的功能以及事物 之間的聯(lián)系，從而能夠推斷用意、因果和意 義。近年來，人工智能取得了驚人的進步，但 是目前大部分人工智能的發(fā)展都基于統(tǒng)計 機器學習，需要無數(shù)訓練數(shù)據(jù)—一比如谷歌 上的大量圖像——來構(gòu)建統(tǒng)計模型。人們給 不同數(shù)據(jù)標記上“貓”、“狗”等不同標簽， 機器的神經(jīng)網(wǎng)絡需要接觸所有圖片，直到機 器能夠像人一樣準確認出圖片。

嬰兒通過接觸現(xiàn)實世界來學習，這一過 程好像在訓練腦中的各種直覺引擎或模擬 器。用特南鮑姆的術語來說，這是一個物理 引擎，通過搭積木、打翻杯子、從椅子上摔下 來，來學習理解重力、摩擦力和其他牛頓定 律如何在我們生活中展現(xiàn)，并為我們能夠做 什么設定參數(shù)。

另外，嬰兒從出生開始就展現(xiàn)出一個社 交引擎，可以識別人臉、跟蹤凝視，試圖理解 世界上的其他社會個體如何思考、言行、與 他們以及與其他人如何交流。華盛頓大學 語言和聽力科學教授帕特麗夏庫爾提出了 “社交控制假說”，她認為嬰兒時期通過社 交互動形成的社交理解力，與我們的說話能 力息息相關。哈佛大學認知心理學家伊莉莎 白史培基和她的同事一起研究，展示嬰兒如 何發(fā)展“直覺心理”，從而推斷人們在10個 月大時的目標。

丹尼爾卡尼曼在《思考，快與慢》中解 釋，我們腦中的直覺部分并不擅長統(tǒng)計和數(shù) 學。他提出了以下問題：一個棒球棒和一個 棒球總計1.10美元，其中棒球棒比棒球貴1美 元，那么棒球售價多少？我們會憑直覺說， 10美分，但是答案錯誤。如果棒球是10美分， 棒球棒比棒球貴1美元，棒球棒就是1.10美 元，那么總計是1.20美元。正確答案是棒球 是5美分，棒球捧是1.05美元，總計是1.10美 元。顯然，你可以迷惑我們對統(tǒng)計的直覺，就 像自然界中堆在一起的石頭會使我們的內(nèi) 部物理引擎感到困惑一樣。

但是學者和經(jīng)濟學家常常以這些例子 為由，低估科學和學術研究中直覺的作用， 這是非常不對的。幫我們快速處理現(xiàn)實或社 會情景的直覺引擎，在做極其復雜的計算， 有些計算甚至無法解釋，因為線性計算可能 無法處理這些情況。

你的大腦在嬰兒時期經(jīng)歷了巨大轉(zhuǎn)變。 嬰兒大腦發(fā)育初期的神經(jīng)元連接數(shù)是成人 的兩倍，隨著孩子大腦發(fā)育成熟，連接數(shù)量 會逐漸減少。當他們與樓梯、媽媽、爸爸、朋 友、汽車、雪山等復雜系統(tǒng)互動時，他們的大 腦會形成一種直覺理解能力。有些人會知道 幾十種波浪之間的差別，幫助他們在海上航 海，有些人會知道各種雪的差異。隨著大腦 的發(fā)育，那些對我們成熟時期不重要的連接 就會消失。

我們解釋、爭論、理解彼此使用的語言 十分重要，而且理解語言是一種簡化的代 表，能夠?qū)Σ煌娜水a(chǎn)生不同含義也十分重 要。其實，我們所知道的許多想法和事物很 難用語言表達，就算表達，語言也只能對確 切想法或理解進行簡要概括。

就像我們不應該解雇無法解釋他們?nèi)?何滑雪的滑雪專家一樣，我們不應忽視薩 滿的直覺，他們能聽到大自然告訴他們事 物失去了平衡。實際上，我們認為土著人的 許多感受力以及他們與自然的關系是“原 始的”，更多的是因為我們?nèi)狈Νh(huán)境直覺引 擎。我們的感官可能已經(jīng)去除了相應的神 經(jīng)元，因為我們的城市生活并不需要這些 神經(jīng)元。我們用了大半生時間埋頭讀書、看 屏幕、窩在小小的隔間里，接受教育，以此 來認識世界。我們用數(shù)學或經(jīng)濟學來解釋 事物，真的就意味著我們理解諸如生態(tài)系 統(tǒng)等事物的能力，比那些從嬰兒時期就沉 浸在自然世界、通過直覺理解生態(tài)系統(tǒng)的 大腦強嗎？

也許懷著謙卑之心，努力融合非線性 和直覺理解的大腦——在我們看來受教育 程度低，不用教科書，而是通過實踐和觀察 來學習——可能會大大提高我們對事物的 理解能力，如理解事物如何運作以及我們 如何運用現(xiàn)代化工具來解決目前尚未解決 的問題。這也是目前多元化的一個論點。從 工程師的角度來看，化約論者的數(shù)學和經(jīng) 濟模型十分有用，但是我們應該有意識地 注意到，我們通過這些模型來捕述復雜白 適系統(tǒng)的能力有限，這些模型沒有真正考 慮直覺，并且可能會忽略直覺在人類經(jīng)驗 中起到的重要作用。

如果特南鮑姆和他的同事成功研發(fā)可 以學習全世界各種直覺模型的機器，那么 他們可能會提出一些事物，這些事物他們 最初無法解釋，或者太過復雜以至于我們 無法運用當前理論和工具來理解。無論我 們是談論讓機器學習和人工智能模型獲得 更多的解釋能力，還是我們試圖深入了解 土著人如何與自然互動，我們都會觸及解 釋能力的局限。然而，超越解釋范疇的，正 是令人激動的科學前沿，我們由此發(fā)現(xiàn)并 影響當前對世界的理解。