图源：Arterra/Getty

打算机科学发展的历史可以划分为“旧约”(理论)和“新约”(实践)两部分 ：电子数字化打算机及其产生的代码席卷环球之前和之后。
旧约时期中，包括Thomas Hobbes(托马斯⋅霍布斯)和Gottfried Lribniz(戈特弗里德⋅莱布尼茨) 在内的先知们为打算机供应了底层的逻辑;而新约时期的先知们如 Alan Turing(阿兰⋅图灵)，John von Neumann(约翰⋅冯⋅诺伊曼)，Claude Shannon(克劳德⋅喷鼻香农)，以及Norbert Wiener(诺伯特⋅维纳)，则创造了实现这些逻辑的机器。

图灵一贯在思虑如何才能使机器变得智能化;，冯⋅诺伊曼在思考如何才能让机器自我再生;喷鼻香农在思考的是，机器要若何在任意噪音的滋扰下实现可靠的通信;维纳则在探究机器何时能够学会自行掌握。

1949 年，就在第一代能够存储程序的电子数字打算机问世之时，维纳就对超出人类掌握范围的掌握系统发出了警示。
不过彼时，这些系统仍旧在人类程序员的监督下运行，这无疑就减少了维纳的担忧。
只要程序员能够掌握机器，那还会涌现什么问题？从那时起，关于机器自动掌握的风险的辩论与关于数字化编程的机器的能力与局限性的辩论，就一贯相伴相随。
他们认为，只管机器拥有惊人的能力，但实际上它们险些没有真正的自主权。
然而，这个假设是危险的。
一旦它们将这种能力用来做其他事情而不是进行数字化打算，又将发生什么？

在过去的一百年中，电子科学经历了两次根本性的转变：从仿照到数字化，从真空管道到固态。
这些转变同时发生并不虞味着它们之间就有一定的联系。
正如数字化打算利用利用真空管道元件实现一样，仿照打算也可以在固态中实现。
虽然商业运用已不再利用真空管道，但仿照打算却仍旧在被利用并且发展势头良好。

仿照打算和数字打算二者间没有切确的分别。
一样平常来说，数字打算处理的是整数、二进制序列、确定性的逻辑以及在空想状况下以离散增量形式存在的韶光，而仿照打算处理的则是实数、非确定性逻辑以及连续函数，包括现实天下中作为“连续统”(continuum)存在的韶光。

想象一下，如果你须要找到一条路的中点。
你可以利用任何可用的增量来丈量它的宽度，然后用数字打算打算出中点到最近的增量的间隔。
或者你可以把一段字符串当做仿照打算机利用，将路的宽度映射到字符串的长度上，然后通过将字符串的长度延长一倍，从而在字符串自身上找到中点的位置，而无需受到增量的限定。

许多系统可以跨仿照和数字环境操作。
一棵“树”集成了各种各样的连续函数形式的输入，但是如果你深入阐发这棵树，你会创造它一贯在以数字打算年份。

在仿照打算中，繁芜的是网络拓扑，而不是代码。
信息被处理成连续值函数(如电压和相对脉冲频率)，而不是通过对位的离散字符串做逻辑运算进行处理。
数字打算不能涌现缺点或歧义，因而它非常依赖于在每一个步骤中的缺点纠正(校验)机制。
而仿照打算则许可涌现缺点，打算可以与缺点并存。

不理解某样东西，也完备有可能构建出它。

自然界万物利用数字编码来存储、复制和重组核苷酸序列，但是要想实现智能和掌握，就须要依赖于在神经系统上运行的仿照打算。
每个活细胞的基因系统便是一个存储程序的打算机，而大脑却不是。

数字打算机会在两类比特之间进行转换：表示空间差异的比特和表示韶光差异的比特。
序列和构造这两种信息形式之间的转换是通过打算机编程掌握的，只要打算机还须要人类程序员来编程，我们就能保持对它们的掌握权。

仿照打算机还可以在两种信息形式之间进行转换：空间构造和韶光行为。
这种转换不须要代码，也不须要编程。
然而，我们并不完备理解自然界是如何进化出被称为神经系统的仿照打算机的，神经系统包含了从现实天下汲取的信息，并对这些信息进行学习。
它们学到的东西之一便是掌握。
它们学着掌握自己的行为，并尽可能地掌握周围能够掌握到的环境。

在实现神经网络方面，打算机科学有着悠久的历史(乃至可以追溯到打算机科学涌现之前)，但在很大程度上，这些事情都是通过数字打算机对神经网络进行的仿照，而不是自然界在原始环境下蜕变出来的神经网络。
不过这种情形正开始发生变革：自下往上来说，无人机、自动驾驶汽车和手机的三重驱动力推动了神经形态微处理器的发展，这种微处理器实现了真正的神经网络，而不是直接在硅(和其它可能的基质)上仿照神经网络;自上往下而言，我们最大和最成功的企业在渗透和掌握环境的过程中，正越来越多地转向利用仿照打算。

当我们谈论数字打算机的智能化时，仿照打算正悄然取代数字打算，办法就跟二战后真空管等仿照元件被重新设计用以制造数字打算机一模一样。
在现实天下中，各个运行有限代码的确定性有限状态处理器正在形成大规模的、不愿定性的、非有限状态的“多细胞动物”生物体。
就像电子流在真空管中被处理一样，由此产生的稠浊仿照/数字系统会共同处理比特流，而不是由产生比特流的离散状态的设备单独处理比特。
比特便是新型的电子。
这样的话，仿照又重新得以运用，并且它的实质属性便是攫取掌握权。

这些系统掌握着从商品流到交通流再到思想流的统统事物，它们以统计的办法进行操作，就像脉冲频率编码的信息在神经元或大脑中进行处理一样。
智能的涌现引起了智人(人类)的把稳力，但是我们该当担心的是掌握的涌现。

想象一下，如果现在是1958年，你正试图保卫美国大陆免受空中打击。
为了区分敌机，除了打算机网络和预警雷达站，你还须要一张实时更新所有商业空中航线的交通舆图。
当时美国建立了一个这样的系统，并将其命名为 SAGE(半自动地面防空防备系统)。
SAGE接着又催生了第一个用于实时预订航空旅程的综合预订系统Sabre。
Sabre 和它的后续产品很快就不仅仅是一张显示可选择的座位的舆图，而是开始成为具有去中央化智能的自动掌握系统，能够掌握飞机将在何时飞往何处。

但这里是否仍旧存在一个人为进行掌握的掌握室呢？大概没有。
比如说，你可以通过仅让车辆访问舆图，并将其实时速率和位置反馈给舆图，来建立一个可以实时绘制高速公路交通路况的系统。
终极，你可以得到的是一个完备去中央化的掌握系统。
而除了系统本身，不存在任何系统掌握模型。

想象一下，在 21 世纪的第一个十年中，你想要实时跟踪人际关系的繁芜性。
针对一所规模较小的学院里面的社交生活，你可以建立一个中央数据库并使其保持更新，但如果学校扩大规模，其掩护事情就会超出你的掌握能力。
你最好能够将一个大略的半自动化代码的免费副本分发出去，在本地托管这些副本，并让社交网络自行更新。
该代码将由数字打算机实行，但是仿照打算要由系统实行，由于它的全体打算的繁芜度要远超过底层代码。
由此产生社交网络图的脉冲频率编码模型终极会变成社交网络图。
它会在校园里广泛传播，然后传遍全天下。

打算机领域的下一次革命的标志将是仿照系统的崛起，而数字化编程不再具有统治地位。

如果你想要开拓一台机器来节制人类所已知的统统知识，这意味着什么？有了摩尔定律的支持，将天下上所有的信息数字化并不须要太长的韶光。
你可以扫描每一本印刷好的书，网络每一封写好的电子邮件，每 24 小时就能网络 49 年间拍摄的***，同时实时跟踪人们在哪里，他们在做什么。
但是，你如何理解这统统的“意义”?

纵然是在万物数字化的时期，这也不能以任何严格的逻辑意义来定义，由于对付人类来说，“意义”从根本上来说是不合逻辑的。
一旦你网络了所有可能的答案，你能做的最好的事情，便是提出一些被很好地定义了的问题，并体例一个描述所有事物之间联系的脉冲频率加权的映射。
在你弄清楚问题的答案之前，你的系统将不仅仅是不雅观察和映射事物的意义，它也将开始“构建”意义。
随着韶光的推移，它将“掌握”意义的定义，这就像是如果看上去没有人在掌握交通流，交通舆图系统就会开始掌握一样。

人工智能领域有三条定律：

第一定律被称为阿什比定律(Ashby'slaw)，该定律由《大脑的设计》(Design for a Brain)一书的作者、掌握论科学家 W.Ross Ashby 提出，他认为任何有效的掌握系统都必须和它所掌握的系统一样繁芜。

第二定律由冯诺依曼提出。
它指出，一个繁芜系统的定义特色是，它构成了自身最大略的行为描述。
有机体最大略的完全模型便是有机体本身。
任何试图将系统的行为简化为正式的描述的做法，都会使事情变得更繁芜，而不是更大略。

第三条定律指出，任何足够大略易懂的系统都不会繁芜到能够实现智能化的行为，而任何足够繁芜到实现智能化行为的系统都会繁芜到难以理解。

对付那些相信“在我们理解智能之前，我们不必担心机器产生超人类的智能”的人来说，第三定律为他们带来了抚慰。
但是第三定律中存在一个漏洞，由于你完备有可能在不理解某些东西的情形下去创建它。
你不须要完备理解大脑是如何事情的，就可以创建一个可以利用的大脑模型。
这确实是一个程序员和他们的道德顾问对算法进行再多的监管也无法填补的漏洞。
能够被证明的「好的」人工智能还是一个神话。
我们与真正的人工智能的关系将永久是一个崇奉(唯心)的问题，而不是证明(唯物)的问题。

我们过于关注机器的智能，对自我再生、通信和掌握等问题却不足重视。
打算机领域的下一次革命的标志将是仿照系统的崛起，而数字化编程不再具有统治地位。
对付那些相信自己可以制造出一台能掌握统统的机器的人来说，自然界的反应将会是：让他们制造一台机器来掌握他们自己吧。

本文出自John Brockman 编辑的《POSSIBLE MINDS: Twenty-Five Ways of Looking at AI》一书。