第2章-为什么人脑的学习能力比目前的人工智能机器更强-3

然而，我们的脑似乎具有用一种思维语言构建方程式的流畅本领。比如，它可以表达无穷集的概念，因为脑具有一个内部语言，其天生就具有否定(negation)和量化的抽象功能（无穷＝非有限＝超越任何数字）。美国哲学家杰里·福多尔(Jerry Fodor)根据这项能力发展了一个理论，他认为，我们的思考包含了会根据“思想的语言”的系统规则来组合的符号。[注]这一语言的力量源于其循环往复的天性，即每个新创造的客体（比如“无限”这个概念）都可以不受限地立刻被重新使用在新的组合里。有多少无限可能存在着？数学家格奥尔格·康托尔(Georg Cantor)问了他自己这个看似荒谬的问题，却引导他构建了超限数理论。威廉·冯·洪堡(Wilhelm von Humboldt)认为，对有限方法进行无限使用的能力就是人类思维的特征。


一些计算机科学模式尝试掌握儿童对抽象数学规律的习得。但是它们不得不结合一种完全不同的学习方式，这是一种涉及规则和语法，并能在最短时间内选择出最合理规律的学习方式。[注]在这一观点中，学习变得与编程相似，即它包括了从思维语言的所有选项里选择出符合数据的最简单的内部公式。


现行的人工神经网络大部分无法表达人脑模拟世界时所运用的一系列抽象词组、公式、规则和理论。这大概不是巧合，因为这当中涉及人特有的一些东西，一些不曾在动物脑中发现的、也尚未被现代神经科学解释的、人类独有的面貌。在灵长类动物中，似乎只有人脑能根据一个复杂的树状句法的组合来表征一组符号。[注]比如，我的实验室数据发现，人脑在听到一连串的声音，如“哔哔哔啵”时，会不由自主地将其背后的抽象结构（3个相同的声音之后是一个不同的声音）理论化。在同样情况下，猴子探测到了连续的4个声音，发现最后一个声音的不同，但似乎不会把这样的片段性知识整合到一个单独的公式里。我们认识到这一点，是因为在检测猴子的脑活动时，我们看到数字和序列回路明显地活跃起来，但从来没有在被称为“布罗卡区”的人类语言区[注]观察到整合性激活。

类似地，猴子需要几万次测验才会理解如何将序列的顺序颠倒（从ABCD转变成DCBA），而对一个4岁的孩子而言，尝试5次即可[注]。甚至几个月大的婴儿就已经能够用抽象和系统的规则编码外部世界。这是人工神经网络和其他灵长类物种完全无法企及的能力。


组合。一旦我们学会了两个数字相加这样的本领，这个能力就会变成我们的整体才能中的一部分，即刻就能被用于达到其他目标。我们可以在各种情况下把它用作子程序，比如在餐厅付钱时，或检查我们的税表时。最重要的是，我们能把这项能力与其他习得的技能重组，比如，我们可以轻松地根据一个运算指令，在一个数字上加上2，然后判断其结果大于还是小于5。[注]


令人惊讶的是，当下的人工神经网络尚未显示出这样的灵活性。它们习得的知识还局限于隐秘的、无法获取的联结中，从而很难将它重新运用于其他更复杂的任务中。将之前所学技能进行组合的能力，也就是重组技能并运用于解决新问题的能力，超越了当下的人工神经网络模型。如今的人工智能只能解决极其有限的问题：AlphaGo程序虽然打败了所有围棋冠军，却是一个固执的“专家”，它无法将其才能运用到其他的游戏中，哪怕这个游戏只与围棋有些许差异，如使用15×15的棋盘，而不是19×19的标准棋盘。而在人脑中，学习几乎总是代表着使知识显性化，从而使之被再次使用、重组，并能向他人解释。我们再次看到了人脑独有的本领，与语言相关且已证实无法被机器复制。早在1637年，笛卡尔在其名著《方法论》(Discourse on Method)中就预测了这个问题：

如果存在与我们的身体相似并尽可能真实地模仿我们行动的机器，总有两条确凿的途径来识别他们不是真正的人类。第一条途径是，机器绝不可能像人一样，能通过讲话或组建其他符号来向他人表达自己的想法。我们能很容易地想象，一台机器的制造方式使它能够说话……但它无法将词语以不同方式排列以回应在其面前所说的一切话，而最愚笨的人都能做到这一点。第二条途径是，即便它们能与人类媲美，把许多事做好，甚至比任何人都做得更好，它们也绝对会在其他事情上失败。由此我们可以发现，机器的行动不是以知识为基础的，而仅仅只是由其零件的属性决定的，因为理性是一种能被用于各种情况的普遍工具，而机器零件需要对每一个特定的行为作出特定的处置。