人類的學習是AI進化的基礎，那人類真是矽基生命的過渡體嗎？人類的學習對AI來說最終會變成弱智嗎？AI能力的邊界在哪里？人工智慧或許存在無法逾越的終極天花板。未來，人類或將轉向「解讀AI」的角色，以重塑學習方式，實現人與矽基智能的共生。 前一陣子馬斯克說碳基生命是矽基生命的過渡體，到底是對是錯呢？
我想從人工智慧近年來的進化展開聊聊。人工智慧近兩年來，從大的框架角度來說，完成了大語言模型的設計、基於大語言模型的AI agent的構造、多模態內容生成的實現。 從學習策略來看，監督微調正走向自監督學習，以儘量減少人類標注的需求，再通過強化學習來改進其對未知問題的學習能力。   
在此大方向指引下，我們看到了大量的人工智慧應用落地。但從本質上來看，都離不開學習二字。只不過與人類的學習不同，人工智慧目前的學習方式是極度耗能、需要巨量數據和依賴大量參數的學習模型。由於模型過於龐大，其中充斥了大量的非線性函數變換，以至於想從中找到可解釋性變得異常困難。也由於其強非線性的特點，以至於數學大牛陶哲軒都在吐槽，說目前的數學界沒有在此波人工智慧熱潮上發力。 實際上也是如此，與人工智慧最接近的數學，是經常不被純數學認可的統計學。比如復旦，統計學都沒放在數學學院，而歸屬於管理學院。但統計學研究的內容多數是線性框架下展開的。這裏的線性指的是直線，而非線性則是拋物線、雙曲線。強非線性則更為複雜。而數學領域目前非線性程度較大的研究分支是微分流形、拓撲等。然而，這樣的幾何學一般會假設局部線性，長程和複雜的非線性結構並不容易得到好的表徵，尤其在人工智慧的數據常常被表現成離散點後。要想讓數學在強非線性的人工智慧時代發揮更大的作用，可能需要一套新的理論體系。 正是依賴於模型裏蘊含的強非線性，人工智慧這一波表示出的學習能力已經開始將人類不少方面自以為的學習優勢變得不值一提。比如圍棋。現在人工智慧模型的圍棋訓練，基本不需要依賴人類，因為也沒有哪個人類棋手的棋力還值得AI的圍棋模型去學習。人類與AI對弈時，也能發現其棋風有的時候很明顯不是人類棋手能下出來的。這意味著，AI在圍棋上的博弈水準已經淩駕於人類之上。 再比如繪畫。今年OpenAI的GPT-4o的文生圖功能推出後，我們能看到不同風格的繪畫能快速通過該模型生成。而如果讓人類畫家來畫，很有可能得花一天或更長的時間才能完成。雖然前者仍然存在不少的瑕疵，比如合照在轉換時會丟人、漢字生成仍然存在明顯的錯誤等，但按性價比來取代中流水準的畫家，已經不是不可能。 或者再比如視頻生成。國慶假期，OpenAI剛剛推出的Sora 2再次刷新了人們對於AI生成視頻的認知。不論是從畫面真實度、物理一致性、鏡頭運動、人物表情與情緒細節、故事敘事能力、還是生成速度與穩定性等方面，都展現出了前所未有的突破。但Sora 2的問題在於，這些看似完美的結果其實都是「AI的腦補」。最終結果是AI說了算，而且不穩定。 即使是編程這一人工智慧進化必須依賴的工具。從其學習出來的結果，也能看出人工智慧編出來的程式規範工整、像模像樣，畢竟知名大模型的研發都是無數清北複交這樣水準或相當水準的碼農在參與。其可讀性比一般人寫得要好得多。如果對相關代碼熟悉的，只需要對大模型給出的代碼進行針對性的改進，就能快速形成能跑通特定任務的代碼。有的時候，看著人工智慧生成的代碼，我都會暗想，平時考試就考不過這些參與編程的碼農，現在人家還抱團集思廣義來做大模型，再加上大模型自己還能自我進化。
要想超越人工智慧編出的代碼，有可能在未來只是一種夢想。 由這些例子可以推測，人工智慧模型的某些學習能力已經超越人類了。但是否意味著人工智慧會全方位超越人類呢？這要回顧下1980年代的莫拉維克悖論以及1990年左右統計機器學習曾經流行的概念「轉導學習」。 莫拉維克悖論發現人工智慧在學習的過程中，有一個特別有趣的現象，即人覺得簡單的問題，機器會覺得複雜；人覺得複雜的，機器反而覺得簡單。 在此悖論下，我們常以為的簡單易重複的工作容易被AI淘汰，實際指的是AI覺得簡單、可以方便其重複的工作。與「AI認為簡單易重複，而人類卻覺得複雜」相關的，其中一個重要元素就是學習。對高階知識的吸取、對抽象技能的把握，人類向來覺得非常複雜，於是我們不得不花漫長的時間來學習。它也是幫助人類區分於自然界其他生命的重要指標。自然界裏，從來沒有其他動物可以像人這樣耗盡人生的一大半來上下求索。 但是在當前的人工智慧時代，一個一個AI新成果的出現，似乎又在暗示著，人類的學習恰恰是AI更為擅長的。只不過，AI採用了更為簡單粗暴的方式，即有技巧的窮盡一切可能，從而獲得比人類學習規律、學習知識更為全面完整的集合，而每個人類能學到的規律知識只是它的一個非常小的真子集。
如果這一假設成立，那很有可能與學習相關的多數行業會被AI替代。能在行業中繼續生存下來的，也許只能是那些百裏挑一甚至萬裏挑一的、行行裏出的狀元。不過，獲得全集並非沒有代價。這些代價，會讓人工智慧實際上無法取代所有與學習相關的行業，比如高能耗的代價、高質量標注的代價，諸如此類。 也讓他在進行判斷時無法像人類一樣在某些場合可以做出快速判斷。而這其中的差異又可以再聊聊另一種學習機制，轉導學習（Transduction）。轉導學習在深度學習興起之前，由統計機器學習先驅萬普尼克(Vapnik)提出的觀點。他認為當一個問題過於複雜，而實際要解決的只是問題的一個子集時，沒有必要針對原問題進行精確求解，只需要針對子集來尋找替代方案即可。這樣就能用相對簡單的函數，來刻畫本需要複雜函數才能表徵的原問題，在子集下的預測。
或者反過來說，如果手頭想解決的是一個問題的子集，我們就沒必要把子集的問題複雜化到去求一個遠比手頭問題困難得多的任務上。這一觀點，在統計機器學習時代是有效的。因為那時的數據集相對較小，算力也不強，所以統計機器在當時是占主流地位，而深度學習的前身神經網路則話語權弱得多。 類似於轉導學習，我們可以再比較下人工智能的深度模型及人類在學習機制上的差異。顯然，如前所述，人工智慧目前的主流做法是堆算力、上數據量、加深網路，從某種意義來看，它是希望對通用人工智慧問題進行求解，所以需要學習出一個極其複雜的函數。 而人類並非如此，對人類來說，腦容量是有限的，不可能把進入大腦的資訊事無具細全部記住，所以一直都是在找各種簡化的解釋性或規律，不管是歸納還是演繹，還是常說的快慢思維轉化，本質上都是在做減法，以便在具體的問題上形成簡單有效的決策和預測。 這也可以算是人類對世界規律學習中做的轉導學習。但這種學習又並不能等同於人工智慧當下喜歡講的蒸餾，蒸餾一般是模型大小上的區別，從教師模型中學習知識，轉為小模型的有用資訊，幫助小模型獲得更好的性能。 而轉導則是結構上存在本質差異，類似從慢思維中總結出快思維的規則，類似於高中生刷了很多題後，能快速找到捷徑一樣。由於我們對大腦的認識還遠遠不夠，人類這種轉導學習的機理尚沒有得到完美答案。雖然有一些被人工智慧學走了，比如一部分思維鏈。但要弄明白全部的機理，尚需時日。