要想自己把事情做成功，就需要弄清楚事物的本質。人工智慧跟腦神經科學沒有關係。沒有出差錯的機會，就沒有進化的可能

摘要：科技發展很快，但人性變化很慢！沒有出差錯的機會，就沒有進化的可能。要想自己把事情做成功，就需要弄清楚事物的本質，找到自己領域的「空氣動力學」。圖靈機只解決可計算的問題，不涉及不可計算的問題。人的意識來自於測不準原理，而計算來自於機械的運動。

現在的人工智慧跟腦神經科學沒有關係的，是屬於不同的智能類型，就如同鳥和飛機一樣達到飛行目的，但飛機不是模擬鳥的飛行而是研究透了空氣動力學才成功的，現在機器學習也是需要從研究解決具體問題的底層原理出發才行，而不是模擬人的意識和解決問題的思維模式。

深度學習的神經網路只是參考了人腦的神經元結構，沒有本質上的聯繫。

而馬斯克現在搞的腦機介面，和意念控制機則更可能跟人腦意識有關。

人的意識來自於測不準原理，計算來自於機械的運動。

圖靈機，只解決可計算的問題，不涉及不可計算的問題。直到目前為止，哪怕再聰明的計算機，程序也是要產生預想的結果的。沒有了出差錯的機會，也就沒有了進化的可能。

我們現在社會上到處是在聽成功的創業者傳授經驗，那些經驗其實很難複製，照貓畫虎的方法就是「鳥飛派」，很難成功的。而要想自己把事情做成功，就需要弄清楚事物的本質，找到自己領域的「空氣動力學」。

腦神經專家蘇德霍夫（Thomas Südhof）2013年諾貝爾生理學或醫學獎獲得者認為：今天的人工智慧和腦神經科學、認知科學等等都沒有任何的關係。

自從去年Google的AlphaGo下棋贏了李世石之後，很多人會問人工智慧的下一步是否就是模擬人類的智能，實現人的認知？如果計算機能夠自己進化出智能，那麼是否會因為進化的速度比人快而控制人類？

計算機獲得智能的方式和人是不同的，它是靠數據、計算能力和數學模型三者的結合，從效果上講達到甚至超過了人類的智能。而Google深度學習所用的工具（深度的）人工神經網路，雖然裡面有「神經」兩個字，但是和人腦沒有任何關係。

深度學習的神經網路只是參考了人腦的神經元結構，沒有本質上的聯繫。

而馬斯克現在搞的腦機介面，和意念控制機則更可能跟人腦意識有關。

很多人對於計算機是否能產生自主意識，並超過人，依然非常好奇。目前的結論是：這件事情不會發生。

首先，人（和動物）的意識的獲得是一個長期不斷犯錯誤進化的結果，也是一個非常不確定的過程，而今天的人工智慧看似能解決一些不確定問題，但是從本質上講它的操作還是確定的，可預知的。

低等的動物和植物類似，對外界有所反應，但是並沒有自主意識（即使是人類，剛出生的嬰兒也沒有），如果生物在進化的過程中基因複製不出錯，就不會有今天的高等動物。

而人類能產生很強的智力，又在很大程度上取決於我們的語言能力，由於有了語言能力，人類信息和知識的傳承不僅可以靠DNA完成，還可以用語言完成，這樣效率就高得多了。而語言能力的出現完全是一次基因出錯的結果。

關於人類的語言能力從哪裡來，2000年之前一直還是一個謎。十多年前，牛津大學有一批科學家，非常幸運地找到了一個家族，大概有30多個人，其中正好一半有語言障礙，另一半沒有。

於是牛津大學的科學家們就對比了這兩組人，發現這兩組人在一個叫叉頭框P2的基因( FOXP2)上不一樣。叉頭框P2是一個古老的基因，在很多動物上都有，它有27萬個鹼基（基因的一個組成部分）。那個家族出現語言障礙的人只在一個鹼基上和正常人有區別。

科學家們進一步對比人類和黑猩猩在這個基因上的差異，發現人類和黑猩猩從500萬年前開始就分化了，也就是說人類這一支的基因複製錯了，而且在不同的人類中，這個基因也略有差別。具體到我們的近親尼安德特人，這個基因也有點差別。

換句話說，我們的祖先現代智人的這個基因恰巧錯得很有道理，於是讓我們聰明起來了。當然，肯定還有一些錯得離譜的物種消失了。更有趣的是，一些善於發音的動物，包括能唱歌的鳥和蝙蝠，這個基因都和人類很相似。

直到目前為止，哪怕再聰明的計算機，程序也是要產生預想的結果的。你今天運行，明天運行，結果都是一樣。也就是說它不會自動產生一個錯誤，然後得到更好的結果。沒有了出差錯的機會，也就沒有了進化的可能。

實際上，這個道理不僅僅在我們人或者計算機身上適用，一個組織，如果一直按照慣性運行，從不出錯，從不變化，就不會有改進。

計算機不出錯的更深層原因來自於它本身，而不僅僅是人編的程序。我們知道對計算機貢獻最大的兩個人分別是馮·諾依曼和艾倫·圖靈。馮·諾依曼更資深一點，圖靈將馮·諾依曼看成是自己的精神導師。

圖靈在年輕時思考用機器實現計算的問題。他受到馮·諾依曼《量子力學的數學原理》一書的啟發，認為人的意識來自於測不準原理（Uncertainty Principle），但是計算來自於機械的運動（電子的運動可以認為是等價於機械運動）。

圖靈受到著名數學家希爾伯特的啟發，發現世界上的問題分為兩類，一類是可計算的問題，另一類是不可計算的問題。於是他設計了計算機的數學模型——圖靈機，只解決可計算的問題，不涉及不可計算的問題。而1946年出現的電子計算機其實就是一種實用的圖靈機。

今天的計算機，不論是下棋的AlphaGo，還是能夠診斷疾病的IBM的「沃森」，從功能上來講都是圖靈機。也就是說，圖靈機在理論上解決不了的問題，今天再聰明的計算機在實踐中依然無解，哪怕計算能力再強，程序再智能，計算時間再長。換句話說，這一類問題是被圖靈所定義的不可計算的問題。

那麼，什麼是不可計算的問題？比如男生女生的情感問題。某個男生可能特別壞，在別人看來就是渣男，但是偏偏有女生還是特別喜歡他，這就是不可計算的問題。

另外，希爾伯特還指出，世界上有很多似是而非的問題，既沒有肯定的答案，也沒有否定的答案，這些問題，也不是計算機能夠解決的。

如果對比一下人工智慧和人，人的優勢恰恰在於，可能因為錯誤引起變化，並且對於不確定性的問題能給出一個不可計算的答案。為什麼我常講人文教育、博雅教育很重要呢？因為在未來，這類問題是不容易被人工智慧取代的。

在人工智慧的發展史上，一直存在著所謂「鳥飛派」和空氣動力學派之爭。所謂鳥飛派就是試圖讓計算機模仿人，如同當年人類在探索飛行時模擬鳥一樣。那些依然相信所謂的腦神經科學對人工智慧有幫助的人，就屬於鳥飛派。

空氣動力學派就是像萊特兄弟那樣，通過搞清楚空氣動力學原理，實現和鳥不同的飛行，而兩者從效果上講基本等價。今天人工智慧的成功，是沿襲後一條道路，搞清楚每一個智能問題背後的數學原理，然後用計算機解決它們而已。

從鳥飛派和空氣動力學派的爭論上，我想再往管理上引伸一下。我們現在社會上到處是在聽成功的創業者傳授經驗，那些經驗其實很難複製，照貓畫虎的方法就是「鳥飛派」，很難成功的。而要想自己把事情做成功，就需要弄清楚事物的本質，找到自己領域的「空氣動力學」。

從認知和人工智慧的差異，人和機器的差異，聊到了從表象的模仿到本質的探究，希望對你有所啟發。

科技發展很快，但人性變化很慢！

如果覺得對你有用歡迎給我讚賞！

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！