1700524970
1700524971
1700524972
心智社会：从细胞到人工智能，人类思维的优雅解读 [:1700518680]
1700524973
心智社会：从细胞到人工智能，人类思维的优雅解读 H.人类思维的发展
1700524974
1700524975
人类思维的起源是什么？今天我们几乎可以确定，现存动物中和我们具有最近亲缘关系的是按照下图分布的几种动物。图中展示出现存的这些物种之间没有直接的继承关系，但它们有共同的祖先，不过早已灭绝。
1700524976
1700524977
1700524978
1700524979
1700524980
我们人类的起源和其他动物的起源有什么不一样呢？我们承认以上各类动物的脑和身体都很相似，但在说话和思考这些异常的能力方面，我们看上去当然是独一无二的。黑猩猩或大猩猩能够学会用我们的方式说话吗？经验显示，这些奇妙的动物确实可以在几百种不同的词语和理念之间建立联系，让它们产生像语言一样的符号串，用以表达像“把糖果放到盒子里”这种Trans-框架。然而同样的实验也显示出这些动物很难建立这样一种语言串，也就是特定框架的终端是用其他已经填充好的框架来填充的。换句话说，还没有人成功教会这些动物使用包含干扰从句的表达方式，比如“把糖果放进盒子里的那个桶中”。诚然，我们不能教会动物这件事并不代表它们本身没有能力做到，不过也没有人可以怀疑我们拥有祖先们所没有的能力。大脑经历了什么样的发展，使得我们拥有这种强有力的新思维形式呢？这里有几种可能的情况：
1700524981
1700524982
在旧K线上联结新的K线，让我们可以建构等级式记忆树。
1700524983
1700524984
拥有更多功能的临时记忆，使我们能够追求次级目标，并且能够容忍更复杂的干扰类型。
1700524985
1700524986
并行代原体，也就是桥接多个领域的代原体的发展，使得我们可以从若干个角度查看同一个问题。
1700524987
1700524988
额外的智能体层次出现使每个儿童都可以通过更多的阶段进行发展。
1700524989
1700524990
所有这些进展本身似乎都不会为进化过程制造什么特殊的困难，但这么多改变是出于什么原因这么快就出现了呢？我们的祖先与他们的亲戚大猩猩和黑猩猩分离开的时间只是在几百万年前，而我们人类的脑产生实质性发展也只是在几十万年前。关于这期间发生了什么，我们知道的内容很少，因为我们只找到过很少的祖先化石。（有一部分原因可能是我们的祖先群体数量一直都很少，但也有可能是因为他们已经变得很聪明，没有让自己变成化石。）这段进化间隔非常短，我们的许多基因和脑结构都保持着和黑猩猩差不多的样子。仅仅是因为脑的尺寸增加而使我们产生了这些新能力吗？脑尺寸增加这件事本身有可能造成思维混乱的缺陷，而且也会使头变重而觉得不方便。然而，如果我们在管理记忆方面先有重大进步，那么就能够利用更多记忆容量所产生的优势。与此相似，在旧的智能组中插入新的智能体层次只会产生坏的结果，除非旧的智能组在此之前已经形成了可以利用这种层次的机制，它们作为“中层管理者”不会干扰旧的功能。换句话说，我们的进化是以另一种方式进行的：首先是能力得到了加强，这使得我们可以管理更大的智能组；然后，一旦我们有能力使用更多的机器，自然选择就会青睐那些大脑长得更大的人。
1700524991
1700524992
1700524993
1700524994
1700524995
心智社会：从细胞到人工智能，人类思维的优雅解读 [:1700518681]
1700524996
心智社会：从细胞到人工智能，人类思维的优雅解读 后记与致谢
1700524997
1700524998
永远不要说得比你想得更清楚。
1700524999
1700525000
——杰里米·伯恩斯坦
1700525001
1700525002
本书假定任何大脑、机器或其他具有思维的事物一定都是由更小的、不能思考的事物构成的。本书的结构本身就反映了这种观点：每一节都探索了一个理论或理念，而它们又都利用了其他节中的内容。有些读者可能更喜欢常见的故事情节模式。我试了几次，但似乎都不成功。我试过许多方法来把事物排列起来，但每种方法都会留下许多不适用的内容。思维太复杂，不适合那种由这里开始，到那里结束的叙事模式。人类的智能依赖于一个复杂网络中的各种联结，想把它们捋顺根本就行不通。
1700525003
1700525004
许多心理学家都梦想着能用一种简洁的方式描述思维，那么心理学就会变成一种简单而精确的学科，就像物理学一样。但人们不能把现实和梦想混为一谈。可以用很少、很简单的原理来描述世界上的大部分事物并不是物理学家们的远大理想，而是宇宙的本质。而我们的思维操作并不能也依赖于相似的几个简单原理，因为我们的大脑在经历过万古的进化后已经积累了许多不同的机制。这表示心理学永远不会像物理学一样简单，任何一个关于思维的简单理论都会损失“广阔图景”中的大部分内容。如果我们发展出的心理学概述无法给许多更小的理论提供空间，那么对心理科学是很不利的。
1700525005
1700525006
要组建本书中提出的概述，我不得不做出几百种假设。有些科学家可能反对这样做，因为像物理学和化学这种成功的科学已经发现，如果发展出的理论需要的假设最少，并且可以排除所有看上去并非本质的内容，那么这种理论所产生的成果更丰富。但是对于心理学而言，除非我们能有一个更为一致的框架，否则要剔除那些为了展示一种理论比另一种理论更好却未经证实的假设还为时尚早。因为不管怎样，当前的理论似乎都不太可能存活很长时间。在我们对心理学的森林有成形的概念之前，只能想象更多的书目，并且限制自己不要把它们过度简化至死。我们要做好足够复杂的准备来应对那些真实的存在。
1700525007
1700525008
人们开始有效地思考产生思想的脑机器的性质，距今还不到100年[1] 。在此之前，研究这件事的人都受到了阻碍。一方面是因为他们无法做实验，尤其是关于年幼儿童的实验；另一方面，他们缺乏描述复杂机器的概念。现在，人类第一次积累了足够的概念工具来开始理解由几千个组件构成的机器。然而，我们才刚开始应对由几百万组件组成的机器，而对于由数十亿机器构成的大脑，我们几乎还没有开始形成概念。在人们遇到更大、更不熟悉的系统时，新的问题总是会出现。
1700525009
1700525010
由于本书中的大部分陈述都只是推测，那么在每一页都重申这一点就太啰唆了。相反，我用了像“有可能”这样的字眼，并且删除了所有的科学证据文献。与此相应，本书不应该被当作科学学术文本来阅读，而应该当作一次可以展开想象的冒险故事。每个理念都不应被看作是关于思维的确切假说，而只是人们构建思维理论的工具箱中另一件工具而已。实际上，就某种意义而言，这是关于心理学唯一一种现实的思考方式，因为每个人的思维作为一个巨大的机器都是以某种不同的方式发展的。思维是机器吗？对此我毫不怀疑，但我还是会问，是什么类型的机器？尽管大部分人觉得如果被当成机器好像被贬低了，但我希望本书能让他们感到高兴，因为能做一台有如此神奇力量的机器是多棒的一件事啊。
1700525011
1700525012
科学家们喜欢褒奖那些第一个发现各种理念的人。但本书的中心概念，也就是思维是由许多小机器装置构成的社会，包含了多年的努力才有了今天的样子。我只能提到很少一部分人，他们对这一理念有着最重要的影响。在本研究中，我分享了人类思维所能享受的最大特权：与同时代最重要的知识分子一起构建新的理念。作为哈佛大学的一名学生，我沉浸在数学和心理学的海洋里，并且和两位伟大的年轻科学家建立了联系，一位是数学家Andrew Gleason，还有一位是心理学家George A.Miller。那是科学化运动（后来被称为控制论）的时代，而我特别着迷于Nicholas Rashevsky和Warren McCulloch的研究，他们构建了第一批理论来说明简单的细胞机器组合在一起可以做到识别物体和记住它们所看到的内容。1950年，我刚开始在普林斯顿大学读研究生的时候，已经对如何制作多重智能体学习机器有了一个足够清晰的理念。George Miller筹集了制作这台机器的资金，于是就做出了第7章所说的Snarc。这是和我的同学Dean Edmonds一起建构的，它能够以特定的方式学习，但它的局限性让我确信，要想制作具有更多功能的“思维机器”，一定还需要利用许多其他原理。
1700525013
1700525014
我在普林斯顿的老师正处于数学的黄金年龄，他对心理学不是特别有兴趣，但思维方式比学科本身更重要，我从Albert Tucker、Ralph Fox、Solomon Lefshetz、John Tukey、Salomon Bochner和John von Neumann那里学到了新的思维策略。我从和我同时代的普林斯顿的学生那里学到了更多，尤其是John Nash、Lloyd Shapley、Martin Shubik和John McCarthy。1954年，我作为哈佛大学研究员协会的初级研究员回到了哈佛，没有其他负担，只需要追求看上去最重要的目标即可。似乎没有办法可以避开低水平、分布式联结的学习机器所具有的明显局限性，所以我转向了一个关于经验泛化的新理论，这个理论是由Ray Solomonoff开创的。我还与Warren McCulloch和Oliver Selfridge建立了联系，直到我成为麻省理工学院的数学教授之前，一直在与他们紧密合作。正是他们让我获得了如何建立实验室工作的概念。
1700525015
1700525016
1959年，John McCarthy从达特茅斯学院来到麻省理工学院，之后我们开始了麻省理工学院人工智能项目。我们一致认为最关键的问题是思维如何进行常识性推理。McCarthy更关注为推理建立逻辑和数学基础，而我更关注我们如何利用识别和类比模式进行推理的理论。这种理论与实践相结合的研究吸引了许多能力很强的学生，而我们的实验室氛围结合了数学的力量和工程学的冒险精神，这不仅产生了关于计算机的新理论，而且开发出了第一批自动化机器人。1963年，McCarthy离开并在斯坦福大学建立了一个新的人工智能实验室，而现在人工智能领域已经有了三个主要的研究中心，还包括Allen Newell和Herbert Simon较早前在卡内基-梅隆大学建立的研究中心。第四个中心将很快出现在斯坦福研究实验室，我们所有人都会紧密合作。
1700525017
1700525018
为我们的工作提供人力和设备支持的资金主要来自一个高级研究项目机构的办公室，这个机构主要关注的是信息加工技术。这个办公室实际上是由科学家本身监管的，最初的总监是J.C.R.Licklider博士，我在哈佛上学时，他就是我的老师和朋友。Licklider已经在马萨诸塞州剑桥市的“Bolt，Beranek and Newman”公司组织过一个研究中心，McCarthy和我，还有我们的几名学生曾经和这个组织紧密合作过几年。后来，Licklider回到麻省理工学院成了一名教授，信息加工技术办公室就由Lawrence G.Roberts和Ivan Sutherland（曾是我们在麻省理工学院的学生）接管，之后又由Robert Taylor和Robert Kahn接管，他们所有人都做出了重要的智力贡献。所有这些研究合同的实际细节都由海军研究办公室（ONR）的Marvin Denicoff管理，他关于未来的愿景对整个领域产生过实质性影响。我自己的研究在很长一段时间里都是由ONR支持的，它从我在普林斯顿读拓扑学研究生的时候就开始为我提供支持，后来Denicoff的接任者Alan Meyrowitz在我完成本书期间也为我提供了支持。
1700525019