论文部分内容阅读
当我们看到一堆积木或者一堆奥利奥 时，我们凭直觉就知道它们稳不稳定，会不 会倒，会向哪边倒。事实上，这是一个相当 复杂的计算过程，涉及物体的质量、材质、大 小、形状以及堆叠的方向。
约翰特南鲍姆领导下的麻省理工学院 研究员猜想，在我们的大脑内，有一个直觉 物理引擎：虽然通过感官收集而来的信息是 不确定的、嘈杂的，但我们还是能推断接下 来会发生什么，所以一袋大米掉落时，我们 会躲闪、会冲过去接住，或是捂住自己的耳 朵。这种“嘈杂的牛顿式”系统涉及概率理 解，而且可能出错。
几十年来，让人工智能具备常识已经成 为该领域最大的研究挑战之一——人工智 能“理解”现实世界中事物的功能以及事物 之间的联系，从而能够推断用意、因果和意 义。近年来，人工智能取得了惊人的进步，但 是目前大部分人工智能的发展都基于统计 机器学习，需要无数训练数据—一比如谷歌 上的大量图像——来构建统计模型。人们给 不同数据标记上“猫”、“狗”等不同标签， 机器的神经网络需要接触所有图片，直到机 器能够像人一样准确认出图片。
婴儿通过接触现实世界来学习，这一过 程好像在训练脑中的各种直觉引擎或模拟 器。用特南鲍姆的术语来说，这是一个物理 引擎，通过搭积木、打翻杯子、从椅子上摔下 来，来学习理解重力、摩擦力和其他牛顿定 律如何在我们生活中展现，并为我们能够做 什么设定参数。
另外，婴儿从出生开始就展现出一个社 交引擎，可以识别人脸、跟踪凝视，试图理解 世界上的其他社会个体如何思考、言行、与 他们以及与其他人如何交流。华盛顿大学 语言和听力科学教授帕特丽夏库尔提出了 “社交控制假说”，她认为婴儿时期通过社 交互动形成的社交理解力，与我们的说话能 力息息相关。哈佛大学认知心理学家伊莉莎 白史培基和她的同事一起研究，展示婴儿如 何发展“直覺心理”，从而推断人们在10个 月大时的目标。
丹尼尔卡尼曼在《思考，快与慢》中解 释，我们脑中的直觉部分并不擅长统计和数 学。他提出了以下问题：一个棒球棒和一个 棒球总计1.10美元，其中棒球棒比棒球贵1美 元，那么棒球售价多少？我们会凭直觉说， 10美分，但是答案错误。如果棒球是10美分， 棒球棒比棒球贵1美元，棒球棒就是1.10美 元，那么总计是1.20美元。正确答案是棒球 是5美分，棒球捧是1.05美元，总计是1.10美 元。显然，你可以迷惑我们对统计的直觉，就 像自然界中堆在一起的石头会使我们的内 部物理引擎感到困惑一样。
但是学者和经济学家常常以这些例子 为由，低估科学和学术研究中直觉的作用， 这是非常不对的。帮我们快速处理现实或社 会情景的直觉引擎，在做极其复杂的计算， 有些计算甚至无法解释，因为线性计算可能 无法处理这些情况。
你的大脑在婴儿时期经历了巨大转变。 婴儿大脑发育初期的神经元连接数是成人 的两倍，随着孩子大脑发育成熟，连接数量 会逐渐减少。当他们与楼梯、妈妈、爸爸、朋 友、汽车、雪山等复杂系统互动时，他们的大 脑会形成一种直觉理解能力。有些人会知道 几十种波浪之间的差别，帮助他们在海上航 海，有些人会知道各种雪的差异。随着大脑 的发育，那些对我们成熟时期不重要的连接 就会消失。
我们解释、争论、理解彼此使用的语言 十分重要，而且理解语言是一种简化的代 表，能够对不同的人产生不同含义也十分重 要。其实，我们所知道的许多想法和事物很 难用语言表达，就算表达，语言也只能对确 切想法或理解进行简要概括。
就像我们不应该解雇无法解释他们如 何滑雪的滑雪专家一样，我们不应忽视萨 满的直觉，他们能听到大自然告诉他们事 物失去了平衡。实际上，我们认为土著人的 许多感受力以及他们与自然的关系是“原 始的”，更多的是因为我们缺乏环境直觉引 擎。我们的感官可能已经去除了相应的神 经元，因为我们的城市生活并不需要这些 神经元。我们用了大半生时间埋头读书、看 屏幕、窝在小小的隔间里，接受教育，以此 来认识世界。我们用数学或经济学来解释 事物，真的就意味着我们理解诸如生态系 统等事物的能力，比那些从婴儿时期就沉 浸在自然世界、通过直觉理解生态系统的 大脑强吗？
也许怀着谦卑之心，努力融合非线性 和直觉理解的大脑——在我们看来受教育 程度低，不用教科书，而是通过实践和观察 来学习——可能会大大提高我们对事物的 理解能力，如理解事物如何运作以及我们 如何运用现代化工具来解决目前尚未解决 的问题。这也是目前多元化的一个论点。从 工程师的角度来看，化约论者的数学和经 济模型十分有用，但是我们应该有意识地 注意到，我们通过这些模型来捕述复杂白 适系统的能力有限，这些模型没有真正考 虑直觉，并且可能会忽略直觉在人类经验 中起到的重要作用。
如果特南鲍姆和他的同事成功研发可 以学习全世界各种直觉模型的机器，那么 他们可能会提出一些事物，这些事物他们 最初无法解释，或者太过复杂以至于我们 无法运用当前理论和工具来理解。无论我 们是谈论让机器学习和人工智能模型获得 更多的解释能力，还是我们试图深入了解 土著人如何与自然互动，我们都会触及解 释能力的局限。然而，超越解释范畴的，正 是令人激动的科学前沿，我们由此发现并 影响当前对世界的理解。
约翰特南鲍姆领导下的麻省理工学院 研究员猜想，在我们的大脑内，有一个直觉 物理引擎：虽然通过感官收集而来的信息是 不确定的、嘈杂的，但我们还是能推断接下 来会发生什么，所以一袋大米掉落时，我们 会躲闪、会冲过去接住，或是捂住自己的耳 朵。这种“嘈杂的牛顿式”系统涉及概率理 解，而且可能出错。
几十年来，让人工智能具备常识已经成 为该领域最大的研究挑战之一——人工智 能“理解”现实世界中事物的功能以及事物 之间的联系，从而能够推断用意、因果和意 义。近年来，人工智能取得了惊人的进步，但 是目前大部分人工智能的发展都基于统计 机器学习，需要无数训练数据—一比如谷歌 上的大量图像——来构建统计模型。人们给 不同数据标记上“猫”、“狗”等不同标签， 机器的神经网络需要接触所有图片，直到机 器能够像人一样准确认出图片。
婴儿通过接触现实世界来学习，这一过 程好像在训练脑中的各种直觉引擎或模拟 器。用特南鲍姆的术语来说，这是一个物理 引擎，通过搭积木、打翻杯子、从椅子上摔下 来，来学习理解重力、摩擦力和其他牛顿定 律如何在我们生活中展现，并为我们能够做 什么设定参数。
另外，婴儿从出生开始就展现出一个社 交引擎，可以识别人脸、跟踪凝视，试图理解 世界上的其他社会个体如何思考、言行、与 他们以及与其他人如何交流。华盛顿大学 语言和听力科学教授帕特丽夏库尔提出了 “社交控制假说”，她认为婴儿时期通过社 交互动形成的社交理解力，与我们的说话能 力息息相关。哈佛大学认知心理学家伊莉莎 白史培基和她的同事一起研究，展示婴儿如 何发展“直覺心理”，从而推断人们在10个 月大时的目标。
丹尼尔卡尼曼在《思考，快与慢》中解 释，我们脑中的直觉部分并不擅长统计和数 学。他提出了以下问题：一个棒球棒和一个 棒球总计1.10美元，其中棒球棒比棒球贵1美 元，那么棒球售价多少？我们会凭直觉说， 10美分，但是答案错误。如果棒球是10美分， 棒球棒比棒球贵1美元，棒球棒就是1.10美 元，那么总计是1.20美元。正确答案是棒球 是5美分，棒球捧是1.05美元，总计是1.10美 元。显然，你可以迷惑我们对统计的直觉，就 像自然界中堆在一起的石头会使我们的内 部物理引擎感到困惑一样。
但是学者和经济学家常常以这些例子 为由，低估科学和学术研究中直觉的作用， 这是非常不对的。帮我们快速处理现实或社 会情景的直觉引擎，在做极其复杂的计算， 有些计算甚至无法解释，因为线性计算可能 无法处理这些情况。
你的大脑在婴儿时期经历了巨大转变。 婴儿大脑发育初期的神经元连接数是成人 的两倍，随着孩子大脑发育成熟，连接数量 会逐渐减少。当他们与楼梯、妈妈、爸爸、朋 友、汽车、雪山等复杂系统互动时，他们的大 脑会形成一种直觉理解能力。有些人会知道 几十种波浪之间的差别，帮助他们在海上航 海，有些人会知道各种雪的差异。随着大脑 的发育，那些对我们成熟时期不重要的连接 就会消失。
我们解释、争论、理解彼此使用的语言 十分重要，而且理解语言是一种简化的代 表，能够对不同的人产生不同含义也十分重 要。其实，我们所知道的许多想法和事物很 难用语言表达，就算表达，语言也只能对确 切想法或理解进行简要概括。
就像我们不应该解雇无法解释他们如 何滑雪的滑雪专家一样，我们不应忽视萨 满的直觉，他们能听到大自然告诉他们事 物失去了平衡。实际上，我们认为土著人的 许多感受力以及他们与自然的关系是“原 始的”，更多的是因为我们缺乏环境直觉引 擎。我们的感官可能已经去除了相应的神 经元，因为我们的城市生活并不需要这些 神经元。我们用了大半生时间埋头读书、看 屏幕、窝在小小的隔间里，接受教育，以此 来认识世界。我们用数学或经济学来解释 事物，真的就意味着我们理解诸如生态系 统等事物的能力，比那些从婴儿时期就沉 浸在自然世界、通过直觉理解生态系统的 大脑强吗？
也许怀着谦卑之心，努力融合非线性 和直觉理解的大脑——在我们看来受教育 程度低，不用教科书，而是通过实践和观察 来学习——可能会大大提高我们对事物的 理解能力，如理解事物如何运作以及我们 如何运用现代化工具来解决目前尚未解决 的问题。这也是目前多元化的一个论点。从 工程师的角度来看，化约论者的数学和经 济模型十分有用，但是我们应该有意识地 注意到，我们通过这些模型来捕述复杂白 适系统的能力有限，这些模型没有真正考 虑直觉，并且可能会忽略直觉在人类经验 中起到的重要作用。
如果特南鲍姆和他的同事成功研发可 以学习全世界各种直觉模型的机器，那么 他们可能会提出一些事物，这些事物他们 最初无法解释，或者太过复杂以至于我们 无法运用当前理论和工具来理解。无论我 们是谈论让机器学习和人工智能模型获得 更多的解释能力，还是我们试图深入了解 土著人如何与自然互动，我们都会触及解 释能力的局限。然而，超越解释范畴的，正 是令人激动的科学前沿，我们由此发现并 影响当前对世界的理解。