首页 / 小说书库 / 万物皆计算:科学奇才的探索之旅 / 正文
点评
第19章 热词大荟萃:解读量子神经网络区块链人工智能

2018年4月1日

如果把今天最流行的四个热词串在一起会发生什么?结果有什么意义吗?鉴于今天是4月1日愚人节(同时也是复活节),我认为探索一下会很有趣,可以把它看作一个复活节彩蛋,或许会孵化出一些有趣的东西。申明一下:尽管把这些热词串在一起是在闹着玩,但我要说的内容细节完全是真实的。

在正式开始讨论热词串之前,我们先了解一下每个热词自身的一些背景。

说某件事是“量子”的,这听起来很摩登。但实际上,量子力学已经有一个世纪的历史了。它一直是理解和计算物理科学中许多事物的核心。但即便经过了一个世纪,“真正量子的”技术还没有到来。是的,我们有像激光、MRI(磁共振成像)和原子力显微镜这些基于量子现象和量子力学的发明。但是,当涉及工程实践时,我们所做的基本上都是基于经典物理,没有任何量子的东西。

近来有很多关于量子计算以及关于它可能会如何改变一切的讨论。实际上我在20世纪80年代初期就开始研究量子计算(所以它并不是最近才出现的概念)。不得不说,我一直对它是否真的有效有些疑问,或者说,我们可能得到的“量子收益”是否会被测量收益的低效所抵消?

无论如何,在过去的约20年时间里,人们进行了各种各样的理论工作,系统化地阐述了量子电路和量子计算的想法。很多事情是用Wolfram语言完成的,包括我们正在进行的一个项目,旨在建立量子计算的标准符号表达方式。但是到目前为止,由于Wolfram语言本身运行在普通的、经典的计算机上,我们所能做的只是量子计算中计算部分的事情。

有一些公司已经建造了所谓(小型的)真正的量子计算机。实际上,我们一直希望将Wolfram语言与它们连接起来,以便我们可以实现一个QuantumEvaluate(量子计算)函数。但是到目前为止,这还没有发生。所以我不能保证QuantumEvaluate将能够(或不能)做什么。

总体思想是这样的,在普通的经典物理学中,人们可以很明确地说世界上发生了什么确定的事情。一个台球可能滚向这个方向,或者那个方向,在任何特定的情况下,它有一个确定的运动方向。然而,在量子力学中,以一个电子为例,它并不是始终朝一个特定的方向前进。相反,它以特定的振幅朝所有可能的方向前进。只有当测量它的方向时,你才会得到一个确定的答案。如果多次测量,你只会看到它朝每个方向前进的概率。

量子计算试图做的就是以某种方式利用“所有可能的方向”这个概念,以有效地并行完成大量的计算。这是一件棘手的事,只有少数几类问题在理论层面得到了解决,其中最著名的就是整数因数分解。根据理论,一台大型量子计算机应该能够足够快地将一个大整数分解,这将使得今天的密码学基础设施瘫痪。但是到目前为止,人们号称完成的唯一一件作品就是一台微型量子计算机,它肯定还不能做任何非常有趣的事情。

量子力学的一个关键点是,不同路径(比如电子的不同路径)之间可能会有干涉。从数学角度看来,这类似于经典物理学中光波或水波发生的干涉。然而,在量子力学中,干涉背后有一些更本质的东西,导致了纠缠现象的产生。当发生纠缠现象时,人们基本上永远不可能“看到正在干涉的波”,只能看到其效果。

在计算中,我们还没有利用到任何类型的干涉。因为(至少在现代)我们总是试图处理离散的位,而典型的干涉现象(比如在光中)基本上都涉及连续的数。我个人的猜测是,光学计算将成功地实现一些了不起的加速,这一天必将来临,虽然它不是真正“量子的”(尽管可能会被宣传成这样)。(对于对技术方面有兴趣的人来说,如何将计算理论的结果应用到基于干涉的计算等连续过程,是一个复杂的问题。)

10年前,计算机没有任何系统化的方法来判断一张图片是大象还是茶杯,但在过去的5年里,得益于神经网络,这基本上已经变得很容易了。(有趣的是,我们3年前制作的图像识别器目前仍然差不多是最先进的。)

那么,这里的主要思路是什么呢?20世纪40年代,人们开始认真考虑把大脑看作一台电子机器。这催生了“神经网络”数学模型,这些模型在计算能力上与数字计算机的数学模型等价。在接下来的时间里,人们建造了数十亿台真正的数字电子计算机。在此过程中,人们(包括我)都在试验神经网络,但没有人能让它们做些特别有趣的事情(尽管它们静静地被用于像OCR这样的事情很多年)。

但是,从2012年开始,很多人突然变得非常兴奋,因为似乎神经网络终于能够做一些非常有趣的事情了,最初这些事情主要与图像有关。

发生了什么?一个神经网络基本上可以对应一个大的数学函数,它通过连接许多较小的函数来形成,而连接的每个函数都涉及一定数量的参数(“权重”)。一开始,这个大函数基本上只给出随机的输出。但是,由于函数的设置方式,我们可以通过调整其中的参数来“训练神经网络”,使得函数最终给出我们希望的输出。

这不像普通的编程,我们在其中明确定义计算机应该遵循的步骤。相反,这里的思想只是给出我们希望神经网络做的事情的例子,然后期望神经网络在它们之间进行插值,以便为任何特定的输入产生特定的输出。在实践中,我们可能会展示一堆大象的图片和一堆茶杯的图片,然后对参数进行数百万次的小调整,以使得“喂”给神经网络大象时,它能输出“大象”,“喂”茶杯时,输出“茶杯”。

这里的关键点是:神经网络应该以某种方式对具体示例进行通用化。比如说,任何“像”大象示例的东西都是大象,即使其特定的像素不同。换句话说,可能会有许多图像被“喂”给神经网络,这些图像处在是“大象”而不是“茶杯”的“吸引域”中。机械地类比一下,比如在一处景观中,可能会有很多地方有水落下,但最终水还是会流向某一个湖而不是另一个湖。

某种程度上,任何足够复杂的神经网络原则上都可以被训练来做任何事情。很显然,在很多实际任务(恰好与我们的大脑能轻易做到的一些事情有很大的重叠)中,用有限的GPU时间来训练具有几百万元素的神经网络做有用的事情,是可行的。而且,在Wolfram语言中,我们现在已经有了一个相当复杂的符号框架来训练和使用神经网络,并且对所有事情都进行了自动化,而自动化本身就使用了神经网络。

“区块链”这个词最早出现在2008年。区块链的概念也有其先驱。在其最简单的形式中,区块链就像一个账本。在账本中,后续条目依赖所有先前条目进行编码。

整个过程的关键是哈希(hashing)的概念。哈希一直是我最喜欢的实践计算思想之一(我在1973年13岁左右时独立地提出了它)。哈希以一段数据,比如一个字符串为输入,生成一个数(比如在1和100万之间)。它通过使用一些复杂的函数“磨碎数据”来做到这一点,这些函数总是对同样的输入给出同样的结果,对不同的输入给出不同的结果。Wolfram语言中有一个叫作Hash的函数,比如将它应用于上一段文字会得到8643827914633641131。

那么这与区块链有什么关系呢?20世纪80年代,人们发明了“加密哈希”(实际上,它与我在计算不可归约性上做的工作非常相关)。加密哈希具有这样的特性:尽管很容易为特定数据计算哈希值,但找到能生成给定哈希值的特定数据却非常困难。

假设你想要证明你在特定的时间创建了一个特定的文件,那么,你可以计算出那个文件的一个哈希值,并在报纸上发布它(我相信美国贝尔实验室实际上在20世纪80年代每周都在做这个)。然后,如果有人在某天说“不,你还没有那个文件”,你就可以说:“你看,它的哈希值已经在当天报纸的每一份副本中了!”

区块链的思路是,我们有一系列的区块,每个区块都包含某些内容以及一个哈希值。重点是,计算出该哈希值的原始数据,是本区块内容和前一个区块的哈希值的组合。这意味着每个区块实际上都在确认区块链上之前的所有内容。

那么,人们是如何知道区块中的哈希值都被正确计算,且区块都被正确添加的呢?关键在于由全球成千上万的计算机构成的网络存储着区块链,其中有人成为添加新区块的人,并在新区块中记录他人提交的变更。

每个区块都会被很多人“确认”,他们会将这个区块包含在他们保存的区块链副本中,然后继续在此基础上添加新区块。

此外,每个节点还可以运行任意的计算。这些计算可以进行交互,定义自主运行的“智能合约”,规定在不同情况下的行为。

几乎任何复杂的智能合约最终都需要知道真实世界的一些事(例如“今天下雨了吗?”“包裹到了吗?”),这必须来自区块链之外——来自“谕示机”(oracle)。而碰巧的是(实际上,这是几十年的工作成果),我们的Wolfram知识库(Wolfram Knowledgebase,驱动Wolfram|Alpha等的知识库),提供了今天创建此类谕示机的唯一现实基础。

在20世纪50年代,人们认为,所有人类能做的事情,很快就会由人工(机器)智能做得更好。事实上,这比人们预期的要难得多。而且,“创造人工智能”的整个概念几乎陷入了不受欢迎的境地,几乎没有人愿意将他们的系统宣传为“人工智能”。

但是大约5年前,特别是在神经网络意外成功后,这些都改变了,人工智能回来了,而且比以往任何时候都更酷。

然而,人工智能应该是什么呢?宏观来看,我认为它是一个将人类过去需要自己做的事情自动化的长期过程,特别强调通过计算来实现。但是,是什么使得计算成为人工智能的一个例子,而不仅仅是“计算”呢?

我围绕着我称之为计算等价性原理的东西构建了一整套科学和哲学架构,该原理表明,所有可能的计算(即使是由简单系统完成的计算)构成的宇宙中,充满了与我们的大脑能够完成的计算一样复杂的计算。

在进行工程设计和程序构建时,我们强烈倾向于尽量防止发生过于复杂的事情,使构造的系统只遵循我们能预见的步骤运行。但是,计算远不止于此,事实上,我一生中大部分时间都在构建能利用这一点的系统。

Wolfram|Alpha就是一个很好的例子。它的目标是尽可能地获取关于世界的知识,使其可计算,然后尽可能专业地回答关于它的问题。从体验上来看,它“像人工智能”,因为你可以用自然语言像和人说话一样向它提问,然后它计算出答案,往往带有意想不到的复杂度。

Wolfram|Alpha内部的大部分东西都与大脑的运作方式不同,原因之一是它利用了我们过去千百年文明发展的形式化方法,使我们能够比自然条件下的大脑更加系统化。

现代神经网络做的一些事情(例如,Wolfram语言中的机器学习系统做的事情)可能更像大脑的工作方式。但在实践中,“看起来像人工智能”的真正原因可能只是它们基于我们无法轻易理解的复杂计算运行。

如今,我看到,计算宇宙中存在着惊人的计算能力,问题是我们能否将其用于有用的人类目的。是的,“一个人工智能”可以做各种各样与我们的大脑一样复杂的计算。但问题是:我们能否使它做的事情与我们关心的事情相一致?

我花了很多时间来构建Wolfram语言,目的是提供一种计算通信语言,使人类可以以适合计算的形式来表达他们想要的东西。在计算宇宙中有很多“人工智能能力”,我们的挑战是以对我们有用的方式利用它们。

我们还希望有一些计算智能合约,来定义我们希望人工智能如何行事(例如,“对人类要友好”)。是的,我认为Wolfram语言将是表达这些东西的正确方式,也是构建我们想要的“人工智能宪法”的正确方式。

一开始,人们可能会认为“量子”“神经网络”“区块链”和“人工智能”都是相当独立的概念,没有太多的共同点。但事实证明,它们存在一些令人惊喜的共同的主题。

其中最突出的一个主题与复杂度生成有关。实际上,尽管方式不同,但我们正在讨论的所有事物都依赖于复杂度生成。

我所说的复杂度生成是什么意思呢?也许有一天我不再需要解释,但现在我还需要说明一下。不知何故,我发现自己总是在展示同一张图片——我最爱的科学发现,规则30自动机,就是下面这张:

这里的重点是,即使规则(或程序)非常简单,系统行为也会自发地生成复杂度和明显的随机性,复杂到它显示出我所说的“计算不可归约性”,也就是说,你无法再减少查看其行为所需的计算工作量:你基本上只能跟随每一步来发现其随后的行为。

围绕复杂度生成和计算不可归约性有各种重要的现象。显然,实现复杂计算很容易,这在某种意义上使得像人工智能这样的东西成为可能。

这与区块链有什么联系呢?复杂度生成使得加密哈希成为可能。它使得一个简单的算法能产生足够明显的随机性,从而被用作加密哈希。

对于区块链,还有另一个联系:协议要求人们必须投入一些资源才能将自己的块添加到区块链中,而实现这一点的方式(很奇怪)是强制执行实际消耗计算机时间的不可归约计算。

那神经网络呢?最简单的神经网络并不涉及太高的复杂度,如果为不同的输入画出它们的“吸引域”,它们只是简单的多边形。但在有实际用途的神经网络中,“吸引域”要复杂得多。

这一点在使用递归神经网络时表现得尤为明显,但在任何神经网络的训练过程中都会出现这种情况:计算过程能有效地产生复杂性,来模拟世界上的事物,例如“大象”与“茶杯”的差别。

那么量子力学呢?量子力学在某些层面充满了随机性。在量子力学的传统数学形式下有一个公理,即人们仅可以计算概率,而无法“看穿随机性”。

我个人认为这很可能只是一个近似,如果我们能够深入到像空间和时间这样的东西“之下”,我们将能看穿随机性是如何产生的。

但即使在量子力学的标准形式中,也有互补的地方,即随机性和复杂度生成很重要,并且处于神秘的测量过程中。

让我们从物理学中的另一个现象开始谈起:热力学第二定律,或称熵增定律。举例来说,这个定律表明,如果一开始一堆气体分子在一个非常有序的构型中(比如说都在一个盒子的一角),那么,它们很快就会以压倒性的概率随机化(比如说,随机地分布在盒子里所有地方)。是的,这种随机性趋势是我们一直以来的观测结果。

这里奇怪的是,如果我们观察单个气体分子的运动规律,它们是完全可逆的——它们既说明分子可以随机化自己,又说明分子应该可以反随机化自己。

为什么我们从来没有看到这种情况发生呢?这一直是一个有点神秘的问题,但我认为有一个明确的答案,这与复杂度生成和计算不可归约性有关。关键在于,当气体分子随机化自己时,它们事实上是在加密自己的初始状态。

放置气体分子使其会反随机化而不是随机化,这并不是不可能的,只是要想有效地做到这一点,需要做一些相当于破坏加密的事情。

那么,这与量子力学有什么关联呢?量子力学本身基于概率幅以及不同事物之间的干涉。但我们关于世界的经验是,确定的事情会发生。量子力学与这种经验之间的桥梁,涉及一个“附加”的概念:量子测量。

量子测量是指,一些小的量子效应(例如“电子最终带有向上的自旋,而不是向下的自旋”)需要放大到我们可以确定发生了什么的程度。换句话说,测量设备必须确保可以与单个电子相关的量子效应级联,这样能保证效应可以传播到多个电子和其他东西上。

这里有个棘手的问题:如果想避免可能的干涉(从而可以真正感知到“确切的”事情发生),那么人们需要有足够的随机性,以确保事情不会以同样的程度倒退回去,就像在热力学中一样。

所以,尽管人们为实用量子计算机设想的纯量子电路通常数学结构非常简单,本质上(大概)并不会生成复杂度,但对它们所进行的测量过程必然会产生复杂度。(因此,合理的问题是,从某种意义上说,我们所看到的随机性是否实际上来自这里……不过这是另一回事了。)

可逆性和不可逆性是一个异常普遍的主题,至少在“量子”“神经网络”和“区块链”中是这样。如果不考虑测量的问题,量子力学的一个基本特征就是它是可逆的。这意味着,如果你取一个量子系统,让它随时间演变,那么无论你得到的是什么,原理上你总是能够把它逆转过来,精确地重现它开始时的状态。

典型的计算并不是可逆的。比如或(OR)门,这是计算机中的一个基本组件。在中,如果 为真或者 为真,结果为真。但只知道结果为真,不知道 和 哪个为真(或都为真)。换句话说,或操作是不可逆的:它没有保留足够的信息供你反转操作。

在量子电路中,人们使用的门可能是,接受两个输入(比如 和 ),并给出两个输出(比如 和 )。从这两个输出中,你总是可以唯一地重现这两个输入。

现在我们来谈谈神经网络。通常认为神经网络从根本上是不可逆的,原因是这样的:(再次)想象一下,你创建一个神经网络来区分大象和茶杯。为了使其工作,必须把很多不同的输入图像映射到“大象”。它就像或门,但更加不可逆。只知道结果是“大象”,没有唯一的方法可以反向计算。这就是问题:你希望任何与你展示的大象图片足够像的东西都被认为是“大象”。换句话说,不可逆性是这种神经网络操作的核心。

那么,我们怎么创建一个量子神经网络呢?也许这就是不可能的。但如果不可能的话,大脑是怎么运作的呢?因为大脑的工作方式与神经网络非常相似,而大脑又很可能是遵循量子力学的物理系统。那么,大脑是怎么做到的呢?

在某种程度上,答案与大脑散发热量有关。热是什么?在微观层面,热是分子等物质的随机运动。热力学第二定律(熵增定律)的一个表述方式是,在正常情况下,这些随机运动不会自发地变成某种形式的有序运动。理论上,所有分子可能开始以某种方式运动,从而转动一个飞轮。但在实践中,这样的事情从未发生过。热始终是热,不会自发地转化为宏观机械运动。

但是让我们假设一下,分子碰撞等微观过程是精确可逆的——事实上,根据量子力学,它们确实如此。那么关键在于,当涉及大量分子时,它们的运动可能会变得高度“加密”,以至于看起来完全随机。如果我们可以查看所有的细节,我们仍然能掌握足够的信息来逆转所有的变化。但在实践中我们无法做到这一点,因此看起来似乎系统中发生的任何运动都已经“转变为热”。

那么,如何产生“神经网络行为”呢?关键在于,当系统的一部分正在系统地“决定回答‘大象’”时,重回初始状态所需的详细信息正在随机化,并转化为热。

客观地说,这忽略了很多因素。实际上,我认为没人知道如何搭建以这种方式工作的量子系统(比如量子电路)。不过这样做会非常有趣,可以让我们了解很多关于量子测量过程的知识。

为了解释人们是如何从“一切都只是振幅”的量子力学过渡到“确定的事情会发生”的实际体验的,人们有时会试图引入意识的某些神秘特性。但是量子神经网络的关键在于它是量子力学的,而它“得出了明确的结论”(例如大象与茶杯)。

这样的东西有对应的玩具模型吗?我想人们可以用显示相变行为的量子版元胞自动机创建一个这样的模型,实际上与真实量子磁性材料的详细原理没有什么不同。必要的是,系统有足够的组件(比如自旋),从而使补偿其明显的不可逆行为所需的“热量”远离不可逆行为被观察到的地方。

让我来加一个稍稍令人困惑的备注。当人们谈论“量子计算机”时,人们通常是在谈论在量子比特(二进制比特的量子模拟)上操作的量子电路。但有时人们实际上表达的是不同的东西:他们指的是量子退火设备。

想象有一堆多米诺骨牌,你正在试图在平面上排列它们,以满足它们身上标记的匹配条件。这可能是一个非常困难的问题,与计算不可归约性有关(还可能与整数因数分解之类的问题有关)。但最后,为了找出在任何情况下都最满足匹配条件的配置,人们可能必须尝试所有可能的配置,看看哪一个最有效。

假设多米诺骨牌是分子,匹配条件是排列分子以使能量最小化。这样,找到最佳总体配置的问题就相当于找到分子的最小能量配置的问题,这在物理上对应分子的最稳定的立体结构问题。

这计算起来可能会很困难。但是一个实际的物理系统呢?当它冷却下来时,其中的分子实际上会做什么呢?如果分子很容易达到最低能量配置,它们就会这么做,人们就会得到一个不错的结晶体。

人们有时会假设“物理总能解决问题”,即使计算起来很困难,分子也总能找到最优解。但我认为实际上不是这样。我认为,在很长一段时间内材料会变成糊状,不完全是液体,也不完全是固体。

不过,还有一个观点是,如果人们以量子力学的方式解决能量最小化问题,那么物理系统将成功找到最低能量状态。而且,在量子力学中,由于有隧道效应等的影响,更可能避免陷入局部极小值。

但是这里有一个令人困惑的部分:当人们训练一个神经网络时,他们最终必须有效地解决上述最小化问题(“哪些权重值可以使得网络的输出与人们期望之间的误差最小?”)。所以人们有时会谈论“量子神经网络”,指像多米诺骨牌一样的阵列,人们认为量子神经网络可以解决能量最小化问题,关于这一问题它们在数学上等价于神经网络。

(另一个联系是,卷积神经网络——用于图像识别等的那种——的结构非常像元胞自动机,或者像动态自旋系统。但在训练神经网络以处理图像中的多尺度特征时,人们似乎会得到类似于在自旋系统或其量子类似物的临界点看到的尺度不变性,这些都是通过重正化群法分析得出的。)

回到我们的热词。区块链呢?区块链的一个重点就是要尽可能地不可逆。一旦信息被添加到区块链上,人们绝对不希望它能被逆转、撤销。

这是如何实现的呢?它的工作方式与热力学或量子测量中的方式奇妙地相似。想象一下,有人在他们的区块链副本上添加了一个区块。随后要做的是,全世界的其他人都在他们自己的区块链节点上添加该区块副本,然后在此基础上再独立添加更多区块。

如果很多维护区块链节点的人决定串通起来不添加区块,也不修改区块等,那么就会产生糟糕的后果。这有点像气体分子(或量子测量中的自由度),当所有的东西都在足够多的不同组件中分散开来时,它们再次集中在一起产生某种系统效应的可能性极小。

当然,人们可能不完全像气体分子(尽管,我们观察到的人们的总体行为,比如在人群中挤来挤去,与气体分子非常相似)。但世界上的许多事情似乎都依赖随机性的假设。而且,这可能是在进行交易的市场中维持稳定性和鲁棒性的必要条件。

所以当区块链试图确保有一个“确定的历史”时,它在做的事情非常类似量子测量做的事情。为了使叙述更完整,让我们了解一下量子区块链可能会是什么样的。

我们可以想象使用量子计算以某种方式破解标准区块链中的密码,但更有趣的(在我看来也更现实的)可能是让区块链本身的实际操作具有量子力学特性。

在典型的区块链中,如何添加区块,以及谁有权添加区块,有一定的任意性。例如,在“工作量证明”机制中,为了找出如何添加一个新的区块,人们会寻找一个“一次性随机数”(nonce)——一个使哈希值以特定方式输出的数。有许多可能的一次性随机数(尽管每一个都很难找到),典型的策略是随机寻找它们,逐个测试候选数。

我们想象这个过程的量子版,人们并行搜索所有可能的一次性随机数,并且因此产生许多可能的区块链,每一个都有一定的概率幅。为了完善这个概念,可以想象区块链上进行的所有计算都是可逆的量子计算(例如,通过以太坊虚拟机的量子版来实现)。

但是,人们会用这样的区块链来做什么呢?它将是一个动态的并且有趣的量子系统。但是,要将其与世界相连,人们必须在区块链上上传和下载数据——换句话说,人们必须进行测量。而这种测量的行为实际上将迫使量子区块链选择一个“确定的历史”。

那么“神经网络区块链”又如何呢?到目前为止,关于神经网络最常用的策略是首先进行训练,然后将它们投入使用。(人们可以通过向它们提供固定的样本集来“被动”地训练它们,也可以通过让它们“请求”它们想要的样本来“主动”地训练它们。)与人类类似,神经网络也可以进行“终身学习”,在此过程中,它们基于已有“经验”不断得到更新。

那么,神经网络如何记录这些经验呢?通过改变各种内部权重。在某些方面,这与区块链相似。

科幻小说有时会讲到“大脑到大脑”的记忆转移。在神经网络的语境下,这可能意味着从一个神经网络中取出一组权重放入另一个网络。将一个网络的一定层转移到另一个网络(例如转移图像挑选特征的信息)的效果可能非常好。但是,如果你试图在网络深处插入“记忆”,情况就不同了,因为在网络中表示记忆的方式取决于网络的整个历史。

这与区块链类似:你不能只替换一个区块,然后期望其他一切都能正常工作。整个系统都已经被编织进了随时间发生的事件序列中。神经网络中的记忆也是如此:一旦记忆以某种方式形成,后续的记忆将会在当前记忆的基础上构建。

在本章开始时,你可能会认为“量子”“神经网络”和“区块链”(更不用说“人工智能”了)没有什么共同点(除了它们都是现在的流行词)。实际上,它们在某种意义上可能是不兼容的。但是我们看到的是,它们之间实际上有千丝万缕的联系,基于它们的系统之间共享着各种各样的基础现象。

那么,“量子神经网络区块链人工智能”可能是什么样子呢?

我们回顾一下各个部分。单个区块链节点有些像一个具有特定记忆的单个大脑。某种意义上,整个区块链网络通过不同区块链节点之间的交互变得稳定,这有点像人类社会和人类知识的发展。

假设我们有一个能够做各种计算的“原始人工智能”。那么,问题在于我们是否能够找到一种方法,将它能做的事情与我们人类想做的事情相对应。为了做到这一点,我们必须在超越其工作细节的抽象层面上与人工智能进行沟通。也就是说,我们必须建立双方都理解的符号语言,从而使人工智能可以将这种语言翻译成其具体操作的细节。

在人工智能内部,它可能最终会使用各种“概念”(例如用于区分一类图像与另一类图像)。但问题是,这些概念是否在某种意义上是我们人类“文化上可理解”的概念。或者说,是否有关于这些概念(以及指代它们的词汇)的为我们广泛理解的故事?

从某种意义上说,我们人类认为对交流有用的概念,是那些在不同人之间的各类互动中使用的概念。这些概念被“编织”到互动交流中的大脑的思维模式中,从而变得稳定,就像通过区块链节点之间的交互,区块链上的数据成为“集体区块链记忆”稳定的一部分。

不过这里还有些奇怪。起初,QNBAI似乎必须是一些完全陌生的东西(也许也是不可能的)。但是当我们回顾它们的特性时,它们开始变得熟悉——实际上非常像我们。

根据物理学,我们知道自己是“量子”。神经网络捕获了我们大脑工作方式的许多核心特性。区块链作为一个通用概念,在某种程度上与个人和社会记忆有关。而人工智能在试图捕捉计算宇宙中与人类目标和智能相一致的东西——这也是我们正在做的。

那么,最接近QNBAI的东西是什么呢?可能就是我们自己!

也许这听起来很疯狂。为什么2018年的一串流行词会这样联系在一起呢?有一个明显的答案:我们倾向于创建和研究与我们相关、围绕我们的东西。更进一步,今天的流行词代表我们目前能够用已有概念来思考的范围内的事物,并且它们以某种方式通过这些概念相互联系。

我必须承认,当我选择这些流行词时,我根本不知道它们会联系在一起。但当我在写这篇文章的时候,我发现了如此多的联系,这是非常了不起的。是的,在一段奇异的旅程以一种既合适又奇怪的方式结束时,一串来自今天的流行词宇宙的字符与我们自身高度相关。也许最终,至少在某种意义上,我们自身就是我们的流行词!

[181]纠缠(entanglement)是量子力学中的一个重要概念,是指量子粒子在由两个或两个以上粒子组成的系统中相互影响的物理学现象。当一个量子粒子的状态发生改变时,与之纠缠的其他粒子的状态也会立即发生相应的变化,无论这两个粒子之间有没有直接的物理联系。

[182]指上一段文字的英文原文。

[183]量子退火设备(quantum annealing device)是一种使用量子退火算法来解决组合优化问题的设备。量子退火算法是一种基于量子力学原理的算法,用于寻找问题的最优解。这种设备的设计和构建旨在利用量子比特的特性来加速求解复杂问题,尤其是一些特定类型的优化问题。

[184]多米诺骨牌上通常标有各种点数或符号,需要按照特定规则来匹配和放置骨牌。——编者注

[185]隧道效应(tunnel effect),又称势垒贯穿,由微观粒子波动性所确定的量子效应,指的是粒子能够穿越在经典力学中看起来不可能逾越的势垒。

[186]动态自旋系统(dynamic spin system)是指系统内粒子的自旋状态随时间发生动态变化的物理系统。

[187]原文是“quantum neural blockchain AI”,下文简称QNBAI。——编者注

本章共 6 页 (每页约 2000 字) 分页阅读 →
上一章
目录
下一章
纠错
加书签
详情
加书架
打赏
投票
自动滚动
设置
夜间

评论 0条

加载中...

设置

阅读主题
正文字体
字体大小
18
页面宽度
滚动速度
5
语音朗读
翻页模式
💎

余额不足

您的水晶或能量余额不足,请充值后再试。

立即前往充值

🎫 投月票

1 张月票 = 1.00 水晶。感谢支持!

🎁 打赏作品

打赏将直接扣除水晶余额,鼓励作者创作。