列纳德·蒙洛迪诺（LeonardMlodinow）和他的《弹性：在极速变化的世界中灵活思考》（中信出版集团，2019年）他曾与霍金合作完成《时间简史（普及版）》（ABrieferHistoryofTime）和《大设计》（TheGrandDesign）。他曾是一名真正的理论物理学家，后来怀揣梦想带着6000美元去好莱坞打拼，成为《星际迷航：下一代》等剧的编剧。

　　之前，一则“波士顿动力机器人”备受人类虐待后奋起反击的视频刷爆社交网络，虽然这条视频中的机器人是由波士顿动力公司的工作人员人扮演的，人们的疑虑与担心却并非毫无根据——机器人真的已经如此智能，能够产生反抗意识了吗？人工智能真的已经对外界刺激有了主动应对的能力？人工智能和人类的差距到底还能有多远？

　　在这个基本功能不断转型的社会中，我们每个人都必须为个人生活设计出新的应对方法，因此“思维的品质”正变得越来越重要，而衡量这种品质最关键的一个因素就是“变通的能力”——我将这种能力称为“弹性”。

　　高等生物与低等生物在思考过程中最重要的一个区别就是面对变化时能否“本能地”激发灵活应对的方法，因为“弹性”是一种多元化的思维能力，它能够先于大脑（即逻辑思维）对信息进行处理，这种能力非常重要。而当下基于数据和算法的人工智能，研究的其实更多还是大脑“学习”的过程，而非真正的“智能”,因为真正的智能一定是具备非常高的弹性的。

　　我们先来说一个简单的例子：

　　仔细看，上图中的单词拼写都是错的，或许有许多计算机程序可以识别朗读打印的文本，但是当文本与标准的拼写有严重的偏差时，它们会无能为力（不信你试一下）。相比之下，我们人类却可以毫不费力地理解它们，对于有基本英语能力的人，读起来基本可以说都毫无压力，至少，你也可以明白它大致的意思。

　　事实上，在20世纪50年代，电子计算机刚问世不久，信息科学家就认为人工智能很快会打败人类的大脑，但这些计算机语言学家还是过度低估了我们人类大脑的无意识语言处理能力。他们认为可以很容易用计算机程序复制这个过程，但是他们并没有成功。

　　当时流传着一个早期计算机翻译的故事，它将一句谚语 “心有余而力不足”（The spirit is willing，but the flesh is weak）翻译成俄语，然后又从俄语翻译成英语，却得到了“伏特加是烈酒，但肉已经腐烂了” （The Vodka is strong，but themeat is rotten）的结果。

　　之所以会有这种差距是因为机器智能本质上都是在自上而下地执行指令，即所谓的逻辑分析思维；而人脑除了能自上而下，还能自下而上地处理信息，这就是人类特有的应变能力，反映的是人类智能中 “弹性”的力量。

　　因此，可以说，如何让机器人真的获得灵活应变的能力，懂得反击，就成了现在人工智能领域最有待核心攻克的难题之一。那么，现在这个阶段，人工智能和人类大脑在应对变化方面有哪些不同，机器人智力进化的机会又可能出现在哪些领域呢？

　　先不说争夺或者反击，其实不论是人类还是人工智能，面对客观物理世界的第一步都是“看见世界”本身，但我们人类和人工智能对世界上各种物体的识别模式本身就是不一样的。

　　麻省理工学院经济学家戴维·奥特尔提到过一个“视觉识别椅子”的任务。任何学龄儿童都可以轻松做到，但靠程序和算法生存的计算机要如何做到呢？你可以尝试确定关键性的定义特征，例如拥有水平表面、靠背和腿。不幸的是，这些特征还包含许多不是椅子的物体，例如带腿的灶台和内置的后挡板。另一方面，那些没有腿的椅子则不符合这个定义。

　　椅子很难通过合理的、基于规则的描述来定义，因为定义不仅包括典型的椅子，还包括各种新型的椅子。那么三年级学生是如何识别它的呢？答案是：非算法的弹性思维。解释一下就是，人类要实现我们的想法和解决方案，并不需要明确的步骤定义。我们并不是通过深思熟虑又能够明确表达出来的定义去判断什么是一把椅子，相反，我们潜意识的神经网

　　络通过多年的观察，甚至已经学会用一种我们自己都意识不到的方式来描述物体的复杂特征。

　　谷歌公司一些聪明且具前瞻性的计算机科学家现在正在尝试用模拟我们大脑神经网络的方法来改进普通计算机。他们制造了一台机器，这台机器能在没有人工监督的情况下学习识别“猫”的视觉图像。这项工程需要1000台计算机联网合作。然而，一个三岁的孩子在吃着香蕉抹着花生酱的时候就可以做到。

　　这让我们看到了人类大脑和数字计算机结构上的一些关键差异，同时也告诉我们一些有关自身的重要信息。与我们的大脑相比，计算机由相互关联的开关组成，我们可以通过电路和逻辑图来理解，它们通过遵循明确定义的一系列步骤（程序或算法）以程序员根据特定任务制定的线性方式执行分析。谷歌的科学家连接1000台这样的计算机构成一个神经网络，他们取得了令人印象深刻的成就，这也是一种很有前景的方法。但是我们的大脑做了更令人印象深刻的事情，形成了由数十亿个细胞构成的神经网络，每个细胞又与其他数千个细胞相连，这些网络被纳入更大的结构，而这些结构又被更高一级的结构吸纳，以此类推，形成了一个科学家才开始理解的复杂的层级结构。

　　事实上，近年来，计算机界已经认识到生物系统在处理信息方式方面的优越性。人工智能领域的研究人员也已经在试图复制这种处理方式，设计一种软件来模仿人类大脑自下而上的神经网络。但这仅仅是一个开始，因为认识世界才是第一步，智能更重要的表现当然是实际地解决问题。

　　早在20世纪50年代，许多信息科学的先驱就曾认为，如果把世界上所有的顶级专家聚在一起开个会，他们就可以创造出一台计算机，解决所有人类甚至人类解决不了的问题，其智能可以与人类思维相媲美。但他们并没有发现分析性思维和弹性思维的区别。这些科学家认为，我们人类的大脑不过是一台“有血有肉”的计算机。他们筹集了足够的资金，终于在1956年举办了达特茅斯人工智能夏季研究计划会议，但他们没有兑现之前的承诺。

　　当时最著名和最有影响力的项目被称为“通用问题解决程序”，听起来就像你在深夜电视上看到的广告，它类似于一个能够做意大利面的九合一搅拌机/开罐器，或者一个能用来磨指甲的水果刀。通用问题解决程序这个名字听起来很夸张，但它实际上体现的是那些研究者对这一项目存在潜力的天真想法。

　　为什么通用问题解决程序不可行？因为计算机本质上不过就是个符号操作器。这些符号可用来表示关于世界的事实，也能表现描述不同事实之间关系的规则，还可以表现如何操作这些符号的规则。通过这种方式，早期的科学先驱推断，计算机可以通过程序来思考。

　　这一努力已经取得了成果，如电脑可以在围棋比赛中击败最优秀的人类选手，谷歌翻译软件功能大大增强，但是今天的人工智能神经网络系统的内部表征方式还是专门为其应用而定制的，如果针对的任务改变了，它们就没有能力调整自己的处理进程，更不用说将它们的智能广泛应用到不同的领域了。一位人工智能专家表示，它们在“高度结构化的情况下”非常擅长学习，但“这并不是真正的人类层面的理解”。

　　举个例子，如果简喜欢桃子派，而鲍勃刚好烤了块桃子派的话，那么计算机是不是就能计算出简对鲍勃烤的东西的喜爱程度——甚至是对鲍勃本人的喜爱程度呢？这真的就像计算数字“2”的平方根一样容易吗？事实显然并非如此，因为该程序忽略了现实世界问题中固有的模糊性，简喜欢桃子派并不表示她就会喜欢鲍勃烤的桃子派，又或者，即使她不喜欢鲍勃烤的桃子派也不能说明她就不喜欢鲍勃，这里面的因果关系有很多是很模糊的，可能存在各种变数，而要处理变数，必须具备弹性思维。

　　安德鲁·摩尔曾任谷歌公司副总裁，后来辞职，去了著名的卡内基–梅隆大学主管计算机科学学院。用他的话来说，今天最精密的计算机也不过是只能“解决特定问题的智能计算器”。例如，计算机可以计算物理学神秘的方程，计算黑洞碰撞时会发生什么，但首先人类必须通过从更一般的理论中推导出特定过程的方程来“建立”这个问题，而没有计算机可以自己创造理论，要创造同样需要弹性。

　　因此，也许人工智能成功的关键在于，必须发明一台自己乐于解决问题的计算机，而“主动的力量”本身就是弹性的一种反映。

　　于是，这也就引发了另一个更难的问题——“人性的本能”。没错，现在的科学证明，所谓本能其实是各种神经反应的集合，但这种下意识的反应，对人工智能领域的研究而言恰恰是最难的。如果能够实现，这种突破将是里程碑式的。这种不用经过逻辑分析而产生的反馈，也就是通常我们说的“感受能力”，是一个超级复杂的过程。

　　这种能力可能是你听到一个笑话时候抓住笑点的大脑反应，也可能是你听到简单的英文单词 “heart” （心）和“broken heart”（心碎）时所激发的情感状态。人的大脑可以理解种种“隐喻”，是左右大脑共同作用的结果，而这种“多任务训练”也是当下人工智能前沿研究的一个难点。

　　这里再用一个形象的案例来解释一下，我们人类可以一边和朋友喝茶，一边下围棋，如果朋友里有外国人，我们还能即时做翻译，但是即使是当今最先进的计算机，也没有真正实现先前通用问题解决程序希望达到的人工智能水平。

　　于是，计算机科学家不得不制造一台机器去玩围棋，制造另一台去做翻译。而人的大脑，可以同时处理这两项任务，甚至更多，它可以同时让你保持平衡，因此你就可以一边单脚站立一边处理多个任务。这种灵活性在动物的大脑中显然是必要的，因为我们在生活中面临多种情况，不能为每一种情况都进化出单独的大脑。正是为了解决复杂生命形式所面临的前所未见的问题，我们进化出了弹性思维，这种思维能够自发地、不受外界干扰地创造表征，这是我们在这个不断变化的世界中生存下去所必需的技能，也是生物处理信息的奇迹。

　　所以，如果你想在今天创造出一个通用问题解决程序，最好的方法仍然是找一个伴侣，生一个孩子。

　　人类的智慧很难被超越，但随着人工智能领域研究的不断进化发展，要实现真正的智能，人类思维领域的弹性能力，或许就值得更深入地了解一下。

　　（作者为加州理工学院教授）