智能与随机性杂谈

假如我们能够深入、细致地观察一个没有生命的星球，就会发现：星球上发生的事情，几乎都可以用物理定律来解释、甚至预测。比如，一块石头从山上滚落，往往可以这样解释：温度变化导致石头产生热疲劳并导致强度降低；当强度不足以抵抗重力的时候，石头就掉下来了。

但回到地球上，情况就不一样了。比如：我在书房坐久了，突然想动一动。于是开车到了附近超市，顺便买了袋大米回来。这件事情的起源是我脑子中的想法，就很难用基本的物理学原理来预测了。对外在的研究者来说，随机不确定性大大增加了。这就是有智能和无智能的区别。

没有人能够违反物理定律。但在遵从物理规律的前提下，人类似乎拥有决策和行动的自由度。年轻时我就曾经困惑：“我想到”这件事本身，是人真正能决定的，还是一种由物理规律决定的必然结果？换句话说，“我想”的过程其实像计算机运算那样，只是按照既定的代码进行运算。只是人脑比计算机高级一点：“代码”会在学习和实践中变化，但这种变化也是按照自然界的代码运行的。如果是这样，看似可以自我控制的“我想”，其实就是一种错觉。

这些问题最终归结为：有没有独立于物理学定律之外的、真正的随机性？如果随机性不受（必然性的）物理规律约束，是否可以等价于受“上帝”指派？这种“上帝”是否在人类的大脑中？量子力学发现，客观世界中有真正的随机性。这使得人类的哲学思考，有了科学的依据。这对人类认知的冲击，可见一斑。

工程技术中的“随机问题”，一般上升不到这个高度。现实中的“随机性”往往是“伪随机”。有的是非线性导致的“伪随机”，有的则是信息不足导致的“伪随机”。而“信息不足”往往是影响因素多导致的。这些随机性，其实也是非常值得研究的。

世界上有很多人们不容易想清楚的事情。从数学的角度看，所有的困难和困惑，几乎都可以归结到三类问题：多变量、非线性、随机不确定性。世界的神奇和多样化，也可以归结到这三类问题。人工智能与大数据有许多有趣的应用，也不例外。

先来看看非线性问题。

我曾经发现：数学系四年学的东西，几乎都与“线性”相关：高等代数的主要是线性代数、微分方程基本上是线性微分方程、泛函分析主要是线性泛函分析。线性方法之所以被人喜欢，不仅是因为它简单，还因为它可以用来解决一些非线性问题。比如，微积分就是对非线性问题的局部系线性化。

老子说：“物极必反”。这句话可以理解为：世界是非线性的。线性本质上只是一种局部的近似。非线性带来很多奇妙的现象（如混沌现象），难以用常规的方法研究。混沌现象和随机现象是非常类似的。我曾经对非线性问题很感兴趣，.博士论文就研究“非线性控制”。但后来发现：这个领域实在是太难了，我的智商根本应对不了。

再来看看多变量问题。

从中学到大学，我们学习了很多科学原理。这些科学原理有个共同的特点：变量个数很少。比如，牛顿第二定律只是表述了三个变量之间的关系。是不是世界上所有的科学原理，都可以表述成少数变量之间的关系呢？似乎是这样的。有人说，最令物理学家难以理解的问题之一就是：物理规律都是简单的、是可以理解的。

物理学原理是简单的，因为针对的是简单抽象的对象。

但简单抽象对象可以构成复杂的现实世界。这就好比，用0和1可以写出计算机中所有的代码和数据。所以，现实中的因果关系就非常复杂：一件事件的产生往往由多个原因导致、又会进一步影响其他事件的发生。导致一件事发生的原因中，又有很多层次：包括直接原因、间接原因、间接原因的原因....于是，问题就变得复杂了。

面对复杂问题时，人们需要知道：什么样的手段会导致什么结果。比如，吃什么药能把病治好、如何加合金能让材料具备理想的性能、怎样的政策能提振经济。面对这类问题时，任何一种做法都可能涉及到复杂、多样的作用机制。最终的结果却决定于多种机制综合性、定量的结果。所以，即便人们能看到每一种作用机制、也能把每种作用机制定性地说清楚，也不一定能根据这些机制预测最终的结果。

举个例子：对某种钢来说，增加碳含量会降低强度。很多钢铁专家认为不可理解。事实上，碳通过两种机制影响强度，而且都是使得强度增加。但是，其中一种碳含量的作用是非线性的，有“物极必反”、“过犹不及”的现象。于是，在某种特殊的情况下，碳含量的增加会降低强度。所以，所谓的“不理解”是：明白了定性却没有搞清楚定量。

医学家、社会学家、经济学家都需要研究这类复杂问题。他们研究问题的方法往往分成几步：发现一种现象（经验知识）、提出因果关系假设、验证这种因果关系。其中，验证过程往往要用数据说话，才具有科学性。比如，70年代后期开始，中国经济开始步入高速发展阶段。对于这种现象，不同人有不同的解释。比如，有人认为：农业丰收是WG期间发展化肥厂的结果。周其仁先生则采用了详实的数据，用数据证明这是改革开放的结果。可以说，如果没有数据，就没有科学的结论、就无法揭示真相。

世界上复杂的问题很多。对应这些问题，人们往往会有些经验。同学曾经说过一件事：老警察到公共汽车上一看，基本上就能看出谁是小偷。我小时候有个特殊的本事：看到地下的裂缝，就能判断下面有没有蘑菇。这些知识都是确实存在的，但却很难把“因果链”说清楚。

最后，再看看随机不确定性。

在大多数工程技术问题上，我们遇到的随机不确定性并非是真正的随机，而是一种“伪随机”。非线性和多变量会让问题变得复杂、人们难以获得必要的知识和信息，常规的科学研究方法变得失效、结果变得难以预测。给我们的感觉就是随机不确定性。

我们知道：信息技术往往用来应对随机不确定性。应对的办法有两种。一种与信息有关：

通过获得必要的信息，把不确定性问题变成确定性问题，或者把确定性低的变成确定性高的。一种与知识有关：通过提升获取知识的能力，把原本（因缺乏知识导致的）不确定性问题转化成确定性问题。现实中，前者往往比后者更具有普适性，但学术界往往更关心后者。

人工智能、大数据分析就是获取知识的技术。但这些方法获取的知识，往往不同于常规的科学知识，而是更加接近人的经验和认识。这些知识中，有些是复杂的知识，有些与人相关。比如，张小姐喜欢穿白裙子，李先生喜欢吃萝卜。正如前面所说的，这些“知识”实在难以用常规的科学知识来解释。但是，换个角度看：人工智能、大数据分析开始进入了过去传统科学研究难以进入的领域。不妨称之为“读心术”。这种“读心术”在销售、娱乐领域很有用，但在生产领域的价值相对较小。原因很简单：工厂里面的知识，几乎都是可以用物理原理解释的。工厂里所谓的智能，主要就是我说的“吴淑珍式的智能”、“小秘书式的智能”，也就是专家知识软件化。

我们前面曾经谈到：在医学、经济学、材料学等领域，人们其实早就从事“从经验到知识”的研究了。但这些研究往往要付出巨大的时间和成本。在现实中，有些知识并不值得这么做。这就如同我前面说到的例子：我小时候看到地上的裂纹，就知道下面有没有蘑菇。现在用人工智能、大数据的方法研究的问题，往往也是过去“不值得人类研究”的问题。如果从经济角度看，AI、大数据的作用在于提高了人类获取知识的效率、降低了获取知识的成本，从而提高了知识生产的经济性。

显然，这样的基本可以归结为算力的进步、数据的增多。因为计算机用的往往是些笨办法。过去的人即便想得到方向，也没有办法实现。30年前，混沌和分形理论热的时候，也是因为计算机的计算能够超出人的想象和计算能。于是，算力和数据的提升把我们带入了一片处女地。现在研究算法的人，本质上是提高算法的效率、降低对数据本身的依赖性。

经验知识的一个重要缺陷是可靠度低、应用范围模糊。所以，科学家往往不满足于经验知识，而是要对经验进行科学研究。研究的过程，本质上是用基本的科学机理，把复杂的因果关系解析、论证清楚。这个过程需要许多领域之外的知识、信息或者数据。难度要大很多。维纳说：“人有人的用处”。在这些领域，人类比机器强多了。

最近，国内有位大学者说，AI的发展方向是可解释性。在我看来，这种观点与“医学的目标是长生不老”有的一比。理想的东西想想可以。在没有手段、条件和思路的前提下，如果把理想当成现实去做，基本上是浪费生命。总之，国内许多专家喜欢提出夺人眼球的观点。如果要用他们的办法干活吃饭，差不多就会饿死。