(2) 如何用计算思维看待人工智能、宇宙和万物？
date_saved: 2024-03-25 23:20:13
Full Content:
本文提供了一个看待世界的新视角，作者认为计算不仅仅是科技和工程领域的工具，它实际上是一种基础科学概念，对于我们理解宇宙和自身存在具有根本性的意义。 作者在其演讲中展示了计算如何成为现代科学理论和技术进步的核心，解释了计算不可约性以及如何通过计算方法探索宇宙的基本法则。 此外，通过介绍Wolfram语言，他阐述了计算如何帮助我们以全新的方式定义问题和寻找解决方案。
对我们每个个体来说，本文可以帮我们打开一扇窗户，透过这扇窗户，我们能看到一个由计算定义和形塑的全新世界视角。
人类的语言、数学、逻辑——这些工具都是我们试图将世界形式化的方法。然而，在我们这个时代，出现了一种全新且更为强大的技术手段——计算（computation）。
过去五十年里，我十分荣幸能参与到这场以计算为核心的技术革命中，一步步搭建起了一座更为先进的科技大厦。今天，我想在这里和大家分享一些由此引发的思考和成果。
接下来的话题繁多，因此我会尽量简明扼要地进行讲解……有时候，我可能仅用一句话就概括了我所著的那些书籍的精髓。
你们可能还记得，我上一次站在TED的舞台上演讲是在13年前的2010年2月，那时距离Wolfram|Alpha刚刚推出也没多久。
（译者注：Wolfram|Alpha是一个基于知识的计算引擎，提供对各种查询和数据分析的答案。它利用自然语言输入，对数学、科学、地理和许多其他领域的问题进行计算和回答。）
我在那次演讲的尾声抛出了一个问题：计算是否真的是宇宙万物的根基？
没错，它就是计算。因此，计算不仅是形式化世界的一种可能方式，它还是构成我们宇宙的终极要素。
想象一下宇宙的一个初始版本。我们所见到的，是通过一套极其简单的计算规则不断作用，从而使空间及其内部的万物生长出来。而且要明白，这些点并非是我们已知空间中的原子，而是构成空间本身的原子——它们联结起来，形成了空间。没错，只要规则作用得的时间足够长，我们就能用这种方式构建出整个宇宙。
亿万年后，某个角落的空间里，两个微小的黑洞逐渐接近并最终合并，释放出引力辐射的涟漪.
要知道，这一切的构建都是基于纯粹的计算。正如流体动力学可以从分子行为中涌现一样，这里展现的是时空结构和爱因斯坦的引力方程。尽管可能存在我们能够探测到的微小偏差，比如空间的维度并不总是严格的三维。
但这还不是全部。我们的计算规则不可避免地允许以多种方式应用，每种方式都定义了不同的时间线（不同的历史轨迹），而这些时间线又会发生分叉与合流：
但作为生活在这个宇宙中的观察者，我们自己的存在也同样经历着分支与合并。实际上，量子力学的诞生，向我们揭示了一个关于如何感知这些分支宇宙的故事。
在科学的历史长河中，我认为我们到目前为止已经识别出了构建世界模型的四大范式——它们可以通过处理时间的方式来区分。
在古往今来的科学领域，人们常常关注的是“事物由什么构成”，而时间概念往往没有真正被考虑进去。但到了17世纪，人们开始尝试用数学公式来建模，这时时间概念也被引入，虽然它更多的是作为一种坐标值而存在。
但现在的情况更加复杂了：在我们的物理项目中，事情变成了所谓的“多重计算”，存在着多条时间线，而这些时间线只能由观察者来整合。
这开启了一种崭新的范式——这种范式似乎不仅能够帮助我们解开基础物理学中的谜题，还触及到了数学和计算机科学的根基，甚至可能对生物学、经济学等领域也具有深远的意义。
你看，我提到了通过反复应用一些计算规则来构建宇宙的过程。你可能会好奇，这些规则是如何被挑选出来的？实际上，事情并非如此简单。因为所有可能的规则其实都已经在使用中了。我们正在构建的，我称之为“ruliad”，是一个极度抽象且独一无二的实体，它将所有可能的计算过程缠绕在一起，构成了一个错综复杂的网络。下面用图灵机的一个简单示例来展示它的一小部分：
因此，“ruliad”就是万物之源。我们作为观察者，不可避免地成为其一部分。在“ruliad”的范畴内，所有在计算上可能的事情都有可能发生。但像我们这样的观察者，只能体验到“ruliad”的某些特定区域。
关于我们，有两个至关重要的事实。首先，我们的计算能力是有限的——我们的思维也是有限的。其次，我们相信自己在时间上是永恒的——尽管我们每时每刻都是由不同的空间原子构成的。
这带来了一些很重要的结果。具有这些特质的观察者所感知到的现象，必然遵循一定的规律。而这些规律，正是20世纪物理学中的三大核心理论：广义相对论（general relativity）、量子力学（quantum mechanics）、统计力学（statistical mechanics）以及热力学的第二定律（the Second Law）。
正是因为我们是这样的观察者，我们才能够感知到我们所说的物理定律。
我们可以想象，不同的思维存在于规则空间的不同位置。思想相近的人类相互靠近，而动物则处在更远的地方。再往前走，我们会遇到外星智慧的思维，那是个难以用我们的语言来沟通的领域。
如何能直观地理解这一切呢？我们可以使用生成式人工智能，从我们人类生成的图像中提取一个极小的片段来描述“ruliad”。
这就像我们用“戴着派对帽的猫”这个概念，来描述“ruliad”中的一个特定区域：
当我们放大看时，就能看到所谓的“猫岛”。但当我们深入探索，很快就会进入“概念间空间”。有时，我们会看到一些看似熟悉的东西，但大多数情况下，我们会遇到那些用人类的语言难以描述的事物。
在物理空间中，我们通过发射探测器来探索更广阔的宇宙。而在规则空间中，我们通过扩展我们的概念和理论框架来进行探索。
我们可以通过探索不同的可能规则来更好地理解这个外部世界——这就是我所说的“规则学”：
即使是极其简单的规则，也能展现出令人难以置信的复杂性和丰富性。但这里的问题是，大部分复杂性还未与我们人类的理解或关心的事项建立起联系。这有点像我们观察自然世界时的情况，我们逐渐意识到自然界的特性可以用于技术创新。尽管我们的文明已经取得了巨大的进步，但是我们对规则空间的探索才刚刚起步。
但我们对于人工智能的探索呢？正如我们可以通过规则学探索规则空间一样，人工智能理论上也可以去探索规则空间。但如果让它们自主行动，它们很可能会做出我们人类不理解或不关心的事情。
人工智能近年来的重大进展，尤其是在生成与人类密切相关的内容方面取得了显著成就。我们利用数十亿网页的数据对大语言模型（LLMs）进行了训练，使其能够生成与人类写作风格类似的文本。事实上，这种方法的成功无疑为我们提供了一些关于语言的语义、语法以及逻辑概念等方面的深刻科学见解，这些可能是我们几个世纪前就应该知道的。
你看，在人类历史的大部分时间里，我们解决问题的方式有点像是匹配大脑中的模式，就像大语言模型（LLMs）一样。但随着时间的推移，我们发展出了更加系统的形式化方法——最终演变为计算。有了计算，我们获得了全新的能力——创造真正的新事物，并且实际上能够在“ruliad”中前往任何我们想去的地方。
但是挑战在于找到一种方式，让我们的探索对人类和人工智能来说都是可理解的。
实际上，我花了大半生的时间致力于构建这座桥梁。这一切都旨在创建一种计算语言——一种能够以计算的方式表达自我的语言，一种计算思维的语言。
我们的目标是用计算术语来形式化我们对世界的理解。这意味着拥有一种方式，不仅能够表示城市、化学物、电影、公式等，还能表达我们对它们的认知。
这是一项宏伟的工程——贯穿了我四十多年的职业生涯。这是一件非常独特且与众不同的事。但我非常高兴地告诉你们，随着Mathematica的发展成为现在的Wolfram语言，我相信我们已经创建了一种真正稳定的、全面的计算语言。
Mathematica是一款由Wolfram Research开发的计算软件，广泛用于符号计算、数值计算、数据可视化和编程。它基于Wolfram Language，被学者、研究人员和工程师用于解决各种复杂的科学和数学问题。
Wolfram语言是一种高级编程语言，由Stephen Wolfram开发，是Wolfram Research公司的核心技术之一。它以其强大的符号计算能力、丰富的内置函数库和对Wolfram Alpha知识引擎的集成而闻名，广泛应用于科学、工程、数学和数据分析等领域。）
实际上，Wolfram语言里的每一个功能，都是对我们文明的智慧成就进行了形式化、用计算术语封装的精华：
这是我所知道的智慧表达的最集中形式：寻找一切事物的本质，并在我们的计算语言设计中做到连贯表达。对我来说，这是一段非凡的旅程，我年复一年地构筑着所需的知识和技术的高塔——而现在，我通过直播的方式，与全世界分享这一过程。
几个世纪前，数学符号及其发展成的“数学语言”为表达数学思想提供了系统的方法，使代数、微积分乃至所有现代数学得以发展。如今，计算语言为我们开辟了类似的道路——使我们能够为所有可想象的领域X创造一个计算版X。
我们见证了计算机科学——简称CS的崛起。但计算语言带来的，则是更为宏大和广阔的视野：计算体验（CX）。在过去的70年里，我们使用编程语言来指导计算机执行任务。然而，计算语言所涉及的智力范畴远远超出此类操作：它包罗万象，能够将抽象的思维以计算术语的形式变为现实。
事实上，我最初创建Wolfram语言是为了个人使用。如今，每当我使用它时，都感觉它赋予了我一种超能力：
我只需用计算的方式构想某个想法，然后这门语言几乎就像施了魔法一样，帮我将其实现，让我看到可能的结果，并在此基础上进一步构建。没错，正是这种超能力，使得我能够实施诸如物理项目之类的大胆尝试。
在过去的35年里，我有幸与无数人分享这种超能力，并目睹了它在各个领域带来的惊人飞跃。看着来自不同背景的人们——无论是研究人员、CEO还是孩子们——流畅地用我们的语言进行思考，用计算术语清楚地阐述自己的想法，然后实际上自动地调动计算的力量，这实在是太美妙了。
现在，这种能力不再仅限于人类，人工智能也能通过使用我们的计算语言作为工具来发挥作用。没错，它们不仅能帮助我们澄清现有的事实，还能创造出全新的事实。
我们的技术已经开始与大语言模型（LLMs）进行一些整合，而且你很快就会看到更多的应用。在构建新事物的过程中，一种极其强大的新型工作流程正在形成。它从大致告诉大语言模型（LLM）你想要的结果开始，然后尝试用Wolfram语言精确表达。接着——这是我们计算语言与编程语言相比的一个关键特性——作为人类的你可以“阅读代码”。如果代码达到了你的预期，你就可以将其作为一个可靠的组件来进一步构建。
但想象一下，随着人工智能和计算使用的日益增多，我们的世界将会怎样变化？自从工业革命以来，我们已经习惯了通过工程手段进行操作，实质上是能够“观察齿轮如何咬合”来“理解”事物是怎样运作的。然而，计算的不可约性现在向我们展示了一个不同的未来景象。我们无法仅通过简单的人类（或者说数学）叙述来完全解释或预测一个系统将如何行动。
确实，这好比是科学在其内部逐渐消解自身。借助数学科学的诸多成就，我们曾相信存在着能够预测一切的公式，只要我们能够发现它们。但计算的不可约性挑战了这一信念，表明并非所有事物都能通过简单的公式预测。实际上，要了解一个系统将会如何行动，我们必须执行与该系统本身一样复杂的计算步骤。
这确实暴露了科学的局限性。但这也解释了为什么时间的流逝如此重要且富有意义。我们无法直接跳跃到终点获取答案；我们必须亲自“经历这些步骤”（live the steps）。
这将成为未来一个重大的社会挑战。如果我们让人工智能充分利用其计算能力，它们将充满计算的不可约性，我们无法预测它们将采取什么行动。但如果我们对它们加以限制，使之变得可预测，那么我们就会限制它们的能力。
那么，如果我们的世界充斥着计算的不可约性，那将是一种怎样的体验？其实，这并非全新的境遇——因为这正是大自然的真实面貌。在自然界中，我们发现了一系列运行的规律——尽管自然界依然充满了令我们惊叹的未知之处。
人工智能的发展也提出了类似的问题。我们虽然可以为它们制定一套“宪法”，但总归会有一些我们没法预料的后果。确实，即使仅仅是搞清楚我们希望人工智能在社会中扮演什么角色，这本身就是一项挑战。也许，我们需要的是一种即时的统治方式，鼓励人们通过撰写提示词（prompts）而不只是通过投票来表达自己的意见。然而，似乎每一个旨在控制结果的方案都不可避免地会陷入政治哲学和计算上的复杂性中。
如果我们回顾整个人类历史的发展脉络，一个明显的变化趋势是越来越多的事务被自动化处理。大语言模型（LLMs ）就给我们提供了一个戏剧性且出乎预料的例证。这是否意味着最终人类将没有工作可做？历史似乎告诉我们，当某个领域实现自动化后，总会诞生出更多新的活动领域。随着经济的不断发展，工作机会的“饼图”似乎变得更加多样化和细碎。
而当我们再次将视线转向所谓的“ruliad”，我们发现自动化正开辟着更多的可能性。在这些可能性之间并没有一个抽象的准则来指导我们如何选择，这归根到底是一个关于人类希望得到什么的问题，需要我们亲自“动手”来明确这一点。
在一个不受人类直接控制的人工智能社会里，机器能够自由探索宇宙的每一个角落。但很多时候，它们的行为对我们来说看起来完全没头没脑，就像自然界的许多现象一样，似乎并没有什么特定的目的。
过去，人们总认为要创造出对我们有用的东西，需要一步步小心翼翼地去做。然而，人工智能和计算科学的发展却告诉我们，我们真正需要做的，其实只是明确地告诉机器我们想要什么。只要有了这个目标，计算机、人工智能和自动化技术就能帮我们达成愿望。
我个人认为，要清晰地定义我们的目标，关键在于使用计算语言。就拿Wolfram语言来说，即便35年过去了，对许多人而言，它仍像是一件来自未来的神奇工具。对于编程人员来说，使用它就像拥有了作弊器，能让你在一小时内完成通常需要一周的工作量。但这也可能让人感到不安，因为一旦迅速完成了一项任务，你就得立刻开始思考下一个任务了。当然，对于那些总是准备迎接新挑战的CEO、CTO和行业领袖们来说，这无疑是件好事，也难怪它在这些人中间如此受欢迎。
在某种程度上，正在发生的变化是Wolfram语言从专注于力学问题转变为更关注于概念化问题。这种转变的核心在于计算思维的广泛应用。那么，我们如何才能学习到这种技能呢？这并不单单是计算机科学的领域，它其实更接近于计算体验（CX）。从教育的角度来看，它更像是文科而不是理工科的范畴。
随着技术实现越来越多的自动化，重要的不再是弄清楚如何去做某件事，而是要明确我们究竟想做什么。这更多关乎于广泛的知识和通用思维能力，而非某个狭窄的专业领域。
有趣的是，所有这一切都非常人性化。我们可能以为，随着科技的发展，人类的作用会越来越微不足道。但实际情况恰恰相反。实际上，一切——包括我们的物理学——都在某种程度上取决于我们如何对这个宇宙进行探索和理解。
在我们的物理项目之前，我们不确定我们的宇宙是否真的是可计算的。但现在，我们清楚地认识到，它确实是可以计算的。由此，我们不可避免地踏入了“ruliad”的浩瀚之中——其规模远超我们宇宙中的所有物理空间。
那么，在“ruliad”中我们将前往何方？计算语言赋予了我们规划道路的能力。它使我们这些人类能够定义我们的目标和旅途。令人赞叹的是，“ruliad”中蕴含的全部力量和深度，都是每个人都可以利用的。人们只需要学习如何运用这些计算上的超能力。我们可以从这里开始我们的“ruliad”探索之旅：
Highlights
人类的语言、数学、逻辑——这些工具都是我们试图将世界形式化的方法。然而，在我们这个时代，出现了一种全新且更为强大的技术手段——计算（computation）。 ⤴️
Wolfram|Alpha是一个基于知识的计算引擎，提供对各种查询和数据分析的答案。它利用自然语言输入，对数学、科学、地理和许多其他领域的问题进行计算和回答。） ⤴️
计算是否真的是宇宙万物的根基？
没错，它就是计算。因此，计算不仅是形式化世界的一种可能方式，它还是构成我们宇宙的终极要素。 ⤴️
在科学的历史长河中，我认为我们到目前为止已经识别出了构建世界模型的四大范式——它们可以通过处理时间的方式来区分。
在古往今来的科学领域，人们常常关注的是“事物由什么构成”，而时间概念往往没有真正被考虑进去 ⤴️
在我们的物理项目中，事情变成了所谓的“多重计算”，存在着多条时间线，而这些时间线只能由观察者来整合。 ⤴️
我们正在构建的，我称之为“ruliad”，是一个极度抽象且独一无二的实体，它将所有可能的计算过程缠绕在一起，构成了一个错综复杂的网络 ⤴️
因此，“ruliad”就是万物之源。我们作为观察者，不可避免地成为其一部分。在“ruliad”的范畴内，所有在计算上可能的事情都有可能发生。但像我们这样的观察者，只能体验到“ruliad”的某些特定区域。 ⤴️
关于我们，有两个至关重要的事实。首先，我们的计算能力是有限的——我们的思维也是有限的。其次，我们相信自己在时间上是永恒的——尽管我们每时每刻都是由不同的空间原子构成的 ⤴️
具有这些特质的观察者所感知到的现象，必然遵循一定的规律。而这些规律，正是20世纪物理学中的三大核心理论：广义相对论（general relativity）、量子力学（quantum mechanics）、统计力学（statistical mechanics）以及热力学的第二定律（the Second Law） ⤴️
在物理空间中，我们通过发射探测器来探索更广阔的宇宙。而在规则空间中，我们通过扩展我们的概念和理论框架来进行探索。 ⤴️
即使是极其简单的规则，也能展现出令人难以置信的复杂性和丰富性。但这里的问题是，大部分复杂性还未与我们人类的理解或关心的事项建立起联系。这有点像我们观察自然世界时的情况，我们逐渐意识到自然界的特性可以用于技术创新。尽管我们的文明已经取得了巨大的进步，但是我们对规则空间的探索才刚刚起步。
但我们对于人工智能的探索呢？正如我们可以通过规则学探索规则空间一样，人工智能理论上也可以去探索规则空间。但如果让它们自主行动，它们很可能会做出我们人类不理解或不关心的事情。 ⤴️
你看，在人类历史的大部分时间里，我们解决问题的方式有点像是匹配大脑中的模式，就像大语言模型（LLMs）一样。但随着时间的推移，我们发展出了更加系统的形式化方法——最终演变为计算。有了计算，我们获得了全新的能力——创造真正的新事物，并且实际上能够在“ruliad”中前往任何我们想去的地方。 ⤴️
我们见证了计算机科学——简称CS的崛起。但计算语言带来的，则是更为宏大和广阔的视野：计算体验（CX）。在过去的70年里，我们使用编程语言来指导计算机执行任务。然而，计算语言所涉及的智力范畴远远超出此类操作：它包罗万象，能够将抽象的思维以计算术语的形式变为现实。 ⤴️
我们的技术已经开始与大语言模型（LLMs）进行一些整合，而且你很快就会看到更多的应用。在构建新事物的过程中，一种极其强大的新型工作流程正在形成。它从大致告诉大语言模型（LLM）你想要的结果开始，然后尝试用Wolfram语言精确表达。接着——这是我们计算语言与编程语言相比的一个关键特性——作为人类的你可以“阅读代码”。如果代码达到了你的预期，你就可以将其作为一个可靠的组件来进一步构建。 ⤴️
借助数学科学的诸多成就，我们曾相信存在着能够预测一切的公式，只要我们能够发现它们。但计算的不可约性挑战了这一信念，表明并非所有事物都能通过简单的公式预测。实际上，要了解一个系统将会如何行动，我们必须执行与该系统本身一样复杂的计算步骤。
这确实暴露了科学的局限性。但这也解释了为什么时间的流逝如此重要且富有意义。我们无法直接跳跃到终点获取答案；我们必须亲自“经历这些步骤”（live the steps） ⤴️
这将成为未来一个重大的社会挑战。如果我们让人工智能充分利用其计算能力，它们将充满计算的不可约性，我们无法预测它们将采取什么行动。但如果我们对它们加以限制，使之变得可预测，那么我们就会限制它们的能力 ⤴️
人工智能的发展也提出了类似的问题。我们虽然可以为它们制定一套“宪法”，但总归会有一些我们没法预料的后果。确实，即使仅仅是搞清楚我们希望人工智能在社会中扮演什么角色，这本身就是一项挑战。也许，我们需要的是一种即时的统治方式，鼓励人们通过撰写提示词（prompts）而不只是通过投票来表达自己的意见。然而，似乎每一个旨在控制结果的方案都不可避免地会陷入政治哲学和计算上的复杂性中。 ⤴️
如果我们回顾整个人类历史的发展脉络，一个明显的变化趋势是越来越多的事务被自动化处理。大语言模型（LLMs ）就给我们提供了一个戏剧性且出乎预料的例证。这是否意味着最终人类将没有工作可做？历史似乎告诉我们，当某个领域实现自动化后，总会诞生出更多新的活动领域。随着经济的不断发展，工作机会的“饼图”似乎变得更加多样化和细碎 ⤴️
在一个不受人类直接控制的人工智能社会里，机器能够自由探索宇宙的每一个角落。但很多时候，它们的行为对我们来说看起来完全没头没脑，就像自然界的许多现象一样，似乎并没有什么特定的目的。
过去，人们总认为要创造出对我们有用的东西，需要一步步小心翼翼地去做。然而，人工智能和计算科学的发展却告诉我们，我们真正需要做的，其实只是明确地告诉机器我们想要什么。只要有了这个目标，计算机、人工智能和自动化技术就能帮我们达成愿望。
我个人认为，要清晰地定义我们的目标，关键在于使用计算语言。就拿Wolfram语言来说，即便35年过去了，对许多人而言，它仍像是一件来自未来的神奇工具。对于编程人员来说，使用它就像拥有了作弊器，能让你在一小时内完成通常需要一周的工作量。但这也可能让人感到不安，因为一旦迅速完成了一项任务，你就得立刻开始思考下一个任务了。当然，对于那些总是准备迎接新挑战的CEO、CTO和行业领袖们来说，这无疑是件好事，也难怪它在这些人中间如此受欢迎。 ⤴️
随着技术实现越来越多的自动化，重要的不再是弄清楚如何去做某件事，而是要明确我们究竟想做什么。这更多关乎于广泛的知识和通用思维能力，而非某个狭窄的专业领域。 ⤴️