今天周末，跟大家聊點假裝深沉的話題。

現在我們在討論人工智能的時候，大都把卷積神經網絡奉為圭臬。因為這種算法，號稱是“平移不變的人工神經網絡”，說人話就是人腦的高仿。

通過模擬人類腦皮層神經元的網狀結構，能夠提取和識別各種物體的特征，永不停機地進行學習，比最乖的人類小孩還要讓人省心。

而且一旦訓練好了，就能比人類做的更快更好。拳打九段棋手、腳踢世界冠軍，是毫無問題的。

因此，卷積神經網絡正在被大量地應用于各種AI系統上。似乎只要假以時日，就該“封神”了。

但，這是不可能的。

盡管看起來，這一波AI熱正在讓人類處于被廣泛替代的危險境地，不過距離機器超越人類的那一天，其實還是非常遙遠。

為啥呢?

說來你可能不信，關鍵原因還是在卷積神經網絡身上。

送分題都不會，你怎么回事小老弟?

上古時代，流傳著這樣一道送分題：要把大象裝冰箱，總共分幾步?

如果讓一個人類小孩來回答，他會分分鐘告訴你標準答案——把冰箱門打開，把大象塞進去，把冰箱門合上。

但是如果讓一個卷積神經網絡機器人(我們就稱呼它為“小卷”吧)來挑戰呢?

它會先假設，某個叫做“塞”的動作能夠將大象轉移到冰箱里。于是立即行動，卻發現怎么也塞不進去。可憐的“小卷”，遺漏了物理體積不匹配這個重要條件。

我們給它升級一下，讓“小卷二號”能夠識別大象和冰箱的個體特征對任務有何影響。它在任務開始前努力推演，正當它算出大象的皮膚顏色對完成任務不會有任何幫助，準備推算下一個特征的時候，大象已經不耐煩地跑走了，任務失敗。

我們再升級一下，教它學會分辨哪些因素與任務是相關的還是無關的，“小卷三號”誕生了。但是，它一屁股坐冰箱旁邊不動了，掏出一個小本本，開始記錄千千萬萬個被確定與任務無關的東西，直到時間的盡頭……

這么看起來，“小卷”們好笨呀，別說和人比了，和阿爾法狗這些前輩們比差距也很大啊!

這背后，其實隱藏著一個令AI科學家們困擾多年的變態難題——“框架問題”。

什么是框架問題?

想要搞懂什么是“框架問題”，先解釋一下卷積神經網絡是怎么工作的。

前面我們提到過，這種深度學習的神經網絡是在模擬人類神經元系統的操作方式。不同算法都只為了完成一個目標：就是像人一樣，忽略該忽略的信息，并在遇到重大的反常情況是保持足夠的警覺。

如何能夠在集中注意力的同時獲得合理忽略的能力呢?

科學家們只能將一切變化多端、無窮無盡的生活經驗壓縮并生成一個“框架”，其中包含了一個內容豐富、細節詳實的腳本綱要，所有現實世界的問題及事物之間的聯系都囊括其中。

當機器想要解決一個問題時，就可以在“框架”中對某些特征加以注意，對那些偏移框架的重大誤差保持警覺。

如果這個神經網絡框架被建構得足夠好、足夠龐大，它可以展現出無窮大的能力。比如DeepMind用5000臺TPU培育出來的AlphaZero，無需其他干預，就能在4個小時之內成為世界象棋冠軍。

但是，在某些人類日常生活中需要用到的反應模型中，卷積神經網絡的智商卻和昆蟲差不多。

D. Dennett在他的論文《AI的框架問題》中舉了一個例子：制作午夜快餐。

一個肥宅半夜餓醒，想給自己做點吃的，于是他想到了冰箱里面有些剩下的雞肉片，面包，還有一瓶啤酒。于是他很快就想出了一個完美的計劃：查看冰箱，拿出需要的材料，做一份三明治，就著啤酒，美滋滋。哦，還需要帶上刀、盤子和酒杯。

人類之所以能順利完成這項任務，是因為我們已經了解了大量的知識。包括雞肉加在面包里不會掉下來(摩擦力)，啤酒如何倒入杯子(重力)，甚至是左手拿著面包就不能再用來拿刀了。

這些“知識”或經驗是人類“生而知之”的，我們自己或許都不知道是如何學會這些事情的，卻能讓我們不需要思考就輕松搞定一個又一個基本生活問題。

但對于任何事情都要從頭學起的AI來說，如果這些大量而平凡的經驗不能引起足夠的注意，它就根本不可能完成這些不斷出現的新任務。

當然，我們也可以選擇給機器喂養世界上所有的知識，讓它成為一個無所不知的百科全書。這樣它就能和人一樣具備這種彈性的思維能力了嗎?

答案顯然是否定的。

首先，讓AI記住大量微不足道的細節中，遇到問題時再從中搜索和抽取出有用的那一部分，實在是太極端太超負荷了，人類就不需要記住“面包比太平洋小”“刀子接觸面包時不會融化”這種知識。

而且，機器固然可以用一百萬年解決任何問題，但這既不智能，對人類來說也沒有任何價值。如果不能在有限的時間內可靠高效地給出解決方案，我要這祖傳AI有何用?

既不能窮盡一切答案，又不能快速找出最佳方法，這就是目前限制AI智商的“框架問題”。

卷積網絡：我不生產智商，我只是人腦的搬運工

一代代研究者都致力于讓機器模仿人類的心理機制和認知結構。但是，科學家們真的完全掌握了人類的思考之鑰嗎?

從機器智能遭遇的困境來看，顯然不是。

“框架方法”，本身就對思維套路有著極強的依賴，只能依靠人類預先觀察并解決機器可能遇到的所有框架型問題。

然而人類思索“如何把鋼琴搬上樓”這樣有一定難度的新問題時，恐怕不會拿出筆來畫一張邏輯清晰的思維導圖。更常見的做法是，用一種無意識的快速反應直接指向了答案，甚至來不及詳細觀察推理過程，比如“什么三段論使我相信鋼琴可以被抬起來”之類的。

一些思維模式是可以被明確化、系統化的，但更多的心理推理過程是抽象的、內省的，就像是被魔術師掩蓋起來的奧秘，至今沒有誰能看出端倪。

這種不用思考的 “內省”式經驗，是讓人類能夠“先思而后行”的關鍵，也是機器無法模仿的。

時至今日，還沒有人能夠提供什么切實可行的證據來充分而精準地描述出，人類的內省式經驗是如何指導他生成思維框架或編寫腳本的。

因此，哪怕，從簡單的語義到末梢神經元，卷積神經網絡已經對人類的“認知之輪”模仿的惟妙惟肖，那些都是建立在能夠被描述和形成計算機映射的認知過程上。

AI從整體效果上對認知的各個層級進行模擬，與我們尚未發現的人類大腦的真實活動方式，有可能完全不同。

既然“人類如何思維”還無法被解釋，那么給AI一個“高仿大腦”就更是不可能實現的事情了。那么，今天被廣泛使用的機器智能構造體系，還靠譜嗎?

人類的安全鎖：認知之輪的終極悖論

如果我們用“人腦能做什么”來要求智能體，比如在行動前進行周密的思考和架設，三思而后行;又或者是回答非常跳躍的腦筋急轉彎，那么AI是永遠不可能比人類更智能的了。

這里面存在著一個關于機器智能的悖論：就是如果AI不模仿人類的“認知之輪”，向這個巨大的并行處理器學習如何提取特征、如何生成模型、如何判斷，那它就不可能變得智能;

但如果我們想把AI當做“認知之輪”的齒輪箱，試圖借由它來一步步推倒到終極問題，搞清楚人腦是如何實現那些驚人的認知功能的，那也會讓事情變得一團糟。

就像我們都知道植物通過光合作用能產生葡萄糖，但誰也不會認為，通過觀察光合作用并將其計算機程序化，就能創造出糖分。

目前的神經科學家，根本沒有提供有效線索，能讓我們了解大腦的認知功能究竟是怎樣實現的。

如何為這些隱秘的“心理實體”找到合適的程序對應，目前還沒有什么答案。在這種制約條件下，我們有一點不成熟的小建議：

1. 嘗試用心理學而不是神經科學去解釋人腦。

神經科學家特別關心及時的神經元和解剖學，在已經設計出的神經元計算機模型中，很多都是“馮諾依曼式”的構造體系，關注未經過解釋的細胞激活方式。但人類認知問題、解決問題的能力，更像是一場思維的魔術表演，和已經被充分認識的大腦組織功能之間，有著一大片空白地帶。通過跨學科的認知科學、生物學，生成多維的、更加抽象的“神經矩陣”，可能更快洞悉大腦的秘密;

2. 讓AI輔助人類變魔術，而不是相反。

將認知能力與腦組織功能之間的空白詳盡地填補起來，才有可能真正創造出快速、靈敏、可以評估風險與價值的智能體，中間還有很長的一段路要走，在這之前，拜托不要再將AI神化成魔術師了，它應該是“自下而上”解決問題的工程師，幫助人類“魔術師”奉獻出更精彩的表演。

正如一個研究者自嘲的那樣，“(過去)我們放棄了設計智能機器人的目標，轉而去設計一桿槍，用它去摧毀別人設計的任何智能機器人!”

總而言之，在人類“認知之輪”的最底層，被蓋上了一把密碼鎖。盡管我們自己也不能打開、無法解釋，但就是能隔空取物，成為一個真正的智能擔當。

謝天謝地，我們安全了。