今天周末，跟大家聊点假装深沉的话题。

现在我们在讨论人工智能的时候，大都把卷积神经网络奉为圭臬。因为这种算法，号称是“平移不变的人工神经网络”，说人话就是人脑的高仿。

通过模拟人类脑皮层神经元的网状结构，能够提取和识别各种物体的特征，永不停机地进行学习，比最乖的人类小孩还要让人省心。

而且一旦训练好了，就能比人类做的更快更好。拳打九段棋手、脚踢世界冠军，是毫无问题的。

因此，卷积神经网络正在被大量地应用于各种AI系统上。似乎只要假以时日，就该“封神”了。

但，这是不可能的。

尽管看起来，这一波AI热正在让人类处于被广泛替代的危险境地，不过距离机器超越人类的那一天，其实还是非常遥远。

为啥呢？

说来你可能不信，关键原因还是在卷积神经网络身上。

送分题都不会，你怎么回事小老弟？

上古时代，流传着这样一道送分题：要把大象装冰箱，总共分几步？

如果让一个人类小孩来回答，他会分分钟告诉你标准答案——把冰箱门打开，把大象塞进去，把冰箱门合上。

但是如果让一个卷积神经网络机器人（我们就称呼它为“小卷”吧）来挑战呢？

它会先假设，某个叫做“塞”的动作能够将大象转移到冰箱里。于是立即行动，却发现怎么也塞不进去。可怜的“小卷”，遗漏了物理体积不匹配这个重要条件。

我们给它升级一下，让“小卷二号”能够识别大象和冰箱的个体特征对任务有何影响。它在任务开始前努力推演，正当它算出大象的皮肤颜色对完成任务不会有任何帮助，准备推算下一个特征的时候，大象已经不耐烦地跑走了，任务失败。

我们再升级一下，教它学会分辨哪些因素与任务是相关的还是无关的，“小卷三号”诞生了。但是，它一屁股坐冰箱旁边不动了，掏出一个小本本，开始记录千千万万个被确定与任务无关的东西，直到时间的尽头……

这么看起来，“小卷”们好笨呀，别说和人比了，和阿尔法狗这些前辈们比差距也很大啊！

这背后，其实隐藏着一个令AI科学家们困扰多年的变态难题——“框架问题”。

什么是框架问题？

想要搞懂什么是“框架问题”，先解释一下卷积神经网络是怎么工作的。

前面我们提到过，这种深度学习的神经网络是在模拟人类神经元系统的操作方式。不同算法都只为了完成一个目标：就是像人一样，忽略该忽略的信息，并在遇到重大的反常情况是保持足够的警觉。

如何能够在集中注意力的同时获得合理忽略的能力呢？

科学家们只能将一切变化多端、无穷无尽的生活经验压缩并生成一个“框架”，其中包含了一个内容丰富、细节详实的脚本纲要，所有现实世界的问题及事物之间的联系都囊括其中。

当机器想要解决一个问题时，就可以在“框架”中对某些特征加以注意，对那些偏移框架的重大误差保持警觉。

如果这个神经网络框架被建构得足够好、足够庞大，它可以展现出无穷大的能力。比如DeepMind用5000台TPU培育出来的AlphaZero，无需其他干预，就能在4个小时之内成为世界象棋冠军。

但是，在某些人类日常生活中需要用到的反应模型中，卷积神经网络的智商却和昆虫差不多。

D． Dennett在他的论文《AI的框架问题》中举了一个例子：制作午夜快餐。

一个肥宅半夜饿醒，想给自己做点吃的，于是他想到了冰箱里面有些剩下的鸡肉片，面包，还有一瓶啤酒。于是他很快就想出了一个完美的计划：查看冰箱，拿出需要的材料，做一份三明治，就着啤酒，美滋滋。哦，还需要带上刀、盘子和酒杯。

人类之所以能顺利完成这项任务，是因为我们已经了解了大量的知识。包括鸡肉加在面包里不会掉下来（摩擦力），啤酒如何倒入杯子（重力），甚至是左手拿着面包就不能再用来拿刀了。

这些“知识”或经验是人类“生而知之”的，我们自己或许都不知道是如何学会这些事情的，却能让我们不需要思考就轻松搞定一个又一个基本生活问题。

但对于任何事情都要从头学起的AI来说，如果这些大量而平凡的经验不能引起足够的注意，它就根本不可能完成这些不断出现的新任务。

当然，我们也可以选择给机器喂养世界上所有的知识，让它成为一个无所不知的百科全书。这样它就能和人一样具备这种弹性的思维能力了吗？

答案显然是否定的。

首先，让AI记住大量微不足道的细节中，遇到问题时再从中搜索和抽取出有用的那一部分，实在是太极端太超负荷了，人类就不需要记住“面包比太平洋小”“刀子接触面包时不会融化”这种知识。

而且，机器固然可以用一百万年解决任何问题，但这既不智能，对人类来说也没有任何价值。如果不能在有限的时间内可靠高效地给出解决方案，我要这祖传AI有何用？

既不能穷尽一切答案，又不能快速找出最佳方法，这就是目前限制AI智商的“框架问题”。

卷积网络：我不生产智商，我只是人脑的搬运工

一代代研究者都致力于让机器模仿人类的心理机制和认知结构。但是，科学家们真的完全掌握了人类的思考之钥吗？

从机器智能遭遇的困境来看，显然不是。

“框架方法”，本身就对思维套路有着极强的依赖，只能依靠人类预先观察并解决机器可能遇到的所有框架型问题。

然而人类思索“如何把钢琴搬上楼”这样有一定难度的新问题时，恐怕不会拿出笔来画一张逻辑清晰的思维导图。更常见的做法是，用一种无意识的快速反应直接指向了答案，甚至来不及详细观察推理过程，比如“什么三段论使我相信钢琴可以被抬起来”之类的。

一些思维模式是可以被明确化、系统化的，但更多的心理推理过程是抽象的、内省的，就像是被魔术师掩盖起来的奥秘，至今没有谁能看出端倪。

这种不用思考的 “内省”式经验，是让人类能够“先思而后行”的关键，也是机器无法模仿的。

时至今日，还没有人能够提供什么切实可行的证据来充分而精准地描述出，人类的内省式经验是如何指导他生成思维框架或编写脚本的。

因此，哪怕，从简单的语义到末梢神经元，卷积神经网络已经对人类的“认知之轮”模仿的惟妙惟肖，那些都是建立在能够被描述和形成计算机映射的认知过程上。

AI从整体效果上对认知的各个层级进行模拟，与我们尚未发现的人类大脑的真实活动方式，有可能完全不同。

既然“人类如何思维”还无法被解释，那么给AI一个“高仿大脑”就更是不可能实现的事情了。那么，今天被广泛使用的机器智能构造体系，还靠谱吗？

人类的安全锁：认知之轮的终极悖论

如果我们用“人脑能做什么”来要求智能体，比如在行动前进行周密的思考和架设，三思而后行；又或者是回答非常跳跃的脑筋急转弯，那么AI是永远不可能比人类更智能的了。

这里面存在着一个关于机器智能的悖论：就是如果AI不模仿人类的“认知之轮”，向这个巨大的并行处理器学习如何提取特征、如何生成模型、如何判断，那它就不可能变得智能；

但如果我们想把AI当做“认知之轮”的齿轮箱，试图借由它来一步步推倒到终极问题，搞清楚人脑是如何实现那些惊人的认知功能的，那也会让事情变得一团糟。

就像我们都知道植物通过光合作用能产生葡萄糖，但谁也不会认为，通过观察光合作用并将其计算机程序化，就能创造出糖分。

目前的神经科学家，根本没有提供有效线索，能让我们了解大脑的认知功能究竟是怎样实现的。

如何为这些隐秘的“心理实体”找到合适的程序对应，目前还没有什么答案。在这种制约条件下，我们有一点不成熟的小建议：

1． 尝试用心理学而不是神经科学去解释人脑。

神经科学家特别关心及时的神经元和解剖学，在已经设计出的神经元计算机模型中，很多都是“冯诺依曼式”的构造体系，关注未经过解释的细胞激活方式。但人类认知问题、解决问题的能力，更像是一场思维的魔术表演，和已经被充分认识的大脑组织功能之间，有着一大片空白地带。通过跨学科的认知科学、生物学，生成多维的、更加抽象的“神经矩阵”，可能更快洞悉大脑的秘密；

2． 让AI辅助人类变魔术，而不是相反。

将认知能力与脑组织功能之间的空白详尽地填补起来，才有可能真正创造出快速、灵敏、可以评估风险与价值的智能体，中间还有很长的一段路要走，在这之前，拜托不要再将AI神化成魔术师了，它应该是“自下而上”解决问题的工程师，帮助人类“魔术师”奉献出更精彩的表演。

正如一个研究者自嘲的那样，“（过去）我们放弃了设计智能机器人的目标，转而去设计一杆枪，用它去摧毁别人设计的任何智能机器人！”

总而言之，在人类“认知之轮”的最底层，被盖上了一把密码锁。尽管我们自己也不能打开、无法解释，但就是能隔空取物，成为一个真正的智能担当。

谢天谢地，我们安全了。

文 ／ 脑极体