庫(kù)茲韋爾定律及其在人類智能提高方面的應(yīng)用，也招致了不少批評(píng)。保羅·艾倫對(duì)“指數(shù)發(fā)展”說(shuō)完全持否定態(tài)度。羅杰斯·彭羅斯認(rèn)為，計(jì)算機(jī)無(wú)法像人腦那樣進(jìn)行量子計(jì)算。約翰·賽爾說(shuō)，計(jì)算機(jī)即便能夠通過(guò)圖靈測(cè)試，它也不知道自己在做些什么。

如果機(jī)器能夠證明自己與人類毫無(wú)差別，我們應(yīng)該像尊重人類一樣尊重它——我們得承認(rèn)，它有一個(gè)大腦。

史蒂芬·哈勒德

我的庫(kù)茲韋爾定律及其在人工智能上應(yīng)用的論文引發(fā)的批判聲此起彼伏，這些異議的理論基礎(chǔ)是人類直覺(jué)的線性本質(zhì)。正如我之前所描述的，大腦皮質(zhì)中數(shù)億個(gè)模式識(shí)別器一個(gè)個(gè)連續(xù)地處理信息，這種組織結(jié)構(gòu)給我們的一個(gè)啟示是，我們對(duì)未來(lái)懷有線性期待。所以評(píng)論家們將他們的線性直覺(jué)應(yīng)用于那些有基本指數(shù)特征的信息現(xiàn)象中。

“奇點(diǎn)遙遠(yuǎn)”論

我將各種各樣反對(duì)的聲音稱為“源自懷疑的批判”，因?yàn)槲覀兊木€性偏好，指數(shù)推測(cè)看起來(lái)不太可靠。近來(lái)，微軟共同創(chuàng)始人保羅·艾倫（Paul Allen）和他的同事馬克·格里夫斯（Mark Greaves）在《技術(shù)評(píng)論》雜志（Technology Review）上發(fā)表了題為《奇點(diǎn)依舊遙遠(yuǎn)》（The Singularity Isn't Near）的文章。在文章中，他們明確地表示了對(duì)指數(shù)推測(cè)的不信任。在此我想針對(duì)艾倫的獨(dú)特評(píng)論作出回應(yīng)，這些批評(píng)代表了一系列對(duì)我的論點(diǎn)持懷疑態(tài)度的聲音，尤其是關(guān)于大腦的那部分。盡管艾倫在他的文章中參考了《奇點(diǎn)臨近》，但他文中僅有的引證來(lái)自我2001年所寫的論文《庫(kù)茲韋爾定律》（The Law of Accelerating Returns）。此外，他的文章并沒(méi)有承認(rèn)或者回應(yīng)我在書中所做的論證。遺憾的是，對(duì)我作品持批評(píng)態(tài)度的人都是這個(gè)樣子。

自1999年《心靈機(jī)器時(shí)代》一書出版，到2001年那篇論文發(fā)表，我的很多觀點(diǎn)激起了很多批評(píng)的聲音，諸如：摩爾定律就要失效；硬件性能會(huì)指數(shù)型擴(kuò)張而軟件則會(huì)進(jìn)入瓶頸期；大腦構(gòu)造太復(fù)雜；大腦的一些性能是固有的，不能被軟件復(fù)制，等等。其實(shí)，我寫《奇點(diǎn)臨近》的一個(gè)原因就是為了回應(yīng)這些評(píng)論。

我不能說(shuō)，艾倫和其他觀點(diǎn)相似的評(píng)論家們已經(jīng)信服于我文中的觀點(diǎn)，但是至少，他和其他人能夠?qū)ξ覍?shí)際所寫有所回應(yīng)。艾倫認(rèn)為“庫(kù)茲韋爾定律……不是物理定律”。我要指出的是，絕大多數(shù)科學(xué)定律都不是物理定律，而是源于低層次上多數(shù)事件的突出特征。一個(gè)典型的例子是熱力學(xué)定律。如果你觀察熱力學(xué)定律下的數(shù)學(xué)應(yīng)用，你會(huì)發(fā)現(xiàn)它是在毫無(wú)規(guī)律地給粒子建模，就像一個(gè)人漫無(wú)目的地轉(zhuǎn)悠，所以很明顯，我們不能預(yù)測(cè)一個(gè)特定粒子下一秒會(huì)出現(xiàn)在哪里。然而，根據(jù)熱力學(xué)定律，氣體的整體情況是可以進(jìn)行精準(zhǔn)預(yù)測(cè)的。庫(kù)茲韋爾定律跟熱力學(xué)定律是一個(gè)道理：每個(gè)技術(shù)方案與研發(fā)者是不可預(yù)測(cè)的，但是，用性價(jià)比及生產(chǎn)力這些基本考核進(jìn)行量化，整體軌跡總是按照一條明晰的可預(yù)測(cè)的路徑發(fā)展。

如果只有少數(shù)研究者癡迷計(jì)算機(jī)技術(shù)，那它的確是不可預(yù)知的。但是性價(jià)比的基本考核確實(shí)是有競(jìng)爭(zhēng)能力項(xiàng)目的動(dòng)能系統(tǒng)的產(chǎn)物，比如每秒每定值美元成本下，計(jì)算都呈一個(gè)非常平穩(wěn)的指數(shù)趨勢(shì)，1890年的美國(guó)人口普查就已經(jīng)顯現(xiàn)出這一點(diǎn)，我在第10章曾提到過(guò)。在《奇點(diǎn)臨近》一書中，庫(kù)茲韋爾定律的理論基礎(chǔ)得到廣泛體現(xiàn)，最有力的例子是就是我和其他人所呈現(xiàn)的大量實(shí)驗(yàn)證據(jù)。

艾倫寫道：“人們一直使用那些規(guī)律直至它們被淘汰。”他說(shuō)這句話，其實(shí)是把范式跟信息技術(shù)基本領(lǐng)域不間斷的軌跡混為一談。如果我們回過(guò)頭去檢查，比如，制造更小真空管的趨勢(shì)——20世紀(jì)50年代改進(jìn)計(jì)算的范式，這一范式的確是被用到淘汰。但隨著這種范式終結(jié)命運(yùn)的清晰顯現(xiàn)，下一種范式的研究壓力就增加了。晶體管技術(shù)保持著計(jì)算價(jià)格與性能上指數(shù)增長(zhǎng)的基本趨勢(shì)，這種趨勢(shì)促使第五范式（摩爾定律）誕生，也使得集成電路的產(chǎn)品特征受到持續(xù)壓縮。已經(jīng)有很多人預(yù)言摩爾定律終將走向滅亡。半導(dǎo)體產(chǎn)業(yè)的“國(guó)際半導(dǎo)體技術(shù)發(fā)展路線圖”計(jì)劃在21世紀(jì)20年代生產(chǎn)7納米特征的半導(dǎo)體。到那時(shí)，最引人注目的特征，將會(huì)是這種半導(dǎo)體的寬度——35碳原子，而且，這個(gè)寬度很難進(jìn)一步壓縮了。然而，英特爾與其他芯片制造商已經(jīng)在第六范式上先人一步，他們采用三維計(jì)算來(lái)繼續(xù)保持性能價(jià)格上的指數(shù)增長(zhǎng)。英特爾計(jì)劃讓三維芯片在10年內(nèi)成為主流，這之前，三維晶體管，3D記憶芯片已經(jīng)面世。在計(jì)算性能價(jià)格方面，第六范式將會(huì)保持庫(kù)茲韋爾定律運(yùn)作直到21世紀(jì)末，到那時(shí)，價(jià)值1000美元的運(yùn)算將會(huì)比人類大腦強(qiáng)大萬(wàn)億倍。（這樣看來(lái)，至少，在功能性地模擬人類大腦需要何種的程度運(yùn)算這一問(wèn)題上，艾倫與我達(dá)成了共識(shí)。）

接著，艾倫繼續(xù)闡述標(biāo)準(zhǔn)參數(shù)，論證軟件不會(huì)像硬件一樣呈指數(shù)級(jí)增長(zhǎng)。在《奇點(diǎn)臨近》中，我最后還是對(duì)這一問(wèn)題進(jìn)行了解釋，我論證了在軟件中用不同方法測(cè)量復(fù)雜度和性能時(shí)會(huì)得出相似的指數(shù)級(jí)增長(zhǎng)。一則最近的研究（由總統(tǒng)科技顧問(wèn)委員會(huì)委員所寫的《給總統(tǒng)與國(guó)會(huì)的報(bào)告，設(shè)計(jì)數(shù)字化未來(lái)：聯(lián)邦政府資助下有關(guān)網(wǎng)絡(luò)與信息技術(shù)的研究與發(fā)展》）陳述如下：

在諸多領(lǐng)域，運(yùn)算的進(jìn)步帶來(lái)的性能增益已經(jīng)大大超過(guò)依靠處理器加速，這一點(diǎn)激動(dòng)人心，但是能夠理解的人卻很少。今天我們用于語(yǔ)音識(shí)別、自然語(yǔ)言翻譯、下象棋、物流規(guī)劃等的運(yùn)算在過(guò)去的10年間，已經(jīng)取得顯著發(fā)展……柏林康拉德信息技術(shù)中心的教授，最優(yōu)化方面的專家格羅斯徹（Gr?stschel），提供了這樣一個(gè)例子：他觀察到，在1988年，通過(guò)當(dāng)時(shí)的計(jì)算與線性運(yùn)算法則，采用線性程序進(jìn)行計(jì)劃模型解決的標(biāo)準(zhǔn)化生產(chǎn)要花82年。15年以后，也就是2003年，同樣的模型在大概一分鐘內(nèi)就能解決，效率幾乎提高了4300萬(wàn)倍。在這個(gè)過(guò)程中，效率提高1000倍是由于處理器的速度提高了，而提高43000倍則是依靠運(yùn)算法則的改善！格羅斯徹還引用了一個(gè)運(yùn)算例子，1991—2008年，這個(gè)運(yùn)算將混合整數(shù)規(guī)劃程序效率提高了30000倍。運(yùn)算的設(shè)計(jì)分析及固有的計(jì)算復(fù)雜性問(wèn)題研究都是計(jì)算機(jī)科學(xué)的基礎(chǔ)分支。

需要注意的是，上文格羅斯徹所引述的線性程序已經(jīng)從43000000∶1的比例中受益，這一程序是一門數(shù)學(xué)技術(shù)，適用于在層級(jí)記憶系統(tǒng)中分配資源，如我早些時(shí)候提到過(guò)的隱馬爾可夫?qū)蛹?jí)模型。在《奇點(diǎn)臨近》中我還引用了許多其他類似的例子。

至于人工智能，艾倫毫不猶豫地否定了IBM的沃森巨型計(jì)算機(jī)系統(tǒng)，其他很多批評(píng)家也持相同意見(jiàn)。但可笑的是，他們中很多人對(duì)這個(gè)系統(tǒng)一無(wú)所知，認(rèn)為它不過(guò)是一款在計(jì)算機(jī)上運(yùn)行的軟件（雖然這種計(jì)算機(jī)可并行計(jì)算及配備了720個(gè)處理器內(nèi)核）。艾倫寫道，沃森這類系統(tǒng)“可塑造性差，性能嚴(yán)重受到內(nèi)在假設(shè)和確定算法的制約，它們沒(méi)有歸納能力，還經(jīng)常給出專業(yè)領(lǐng)域之外的毫無(wú)意義的回答”。

首先，我們可以對(duì)人類做一個(gè)類似的調(diào)查，同時(shí)我還想指出的是，沃森系統(tǒng)的“專業(yè)領(lǐng)域”包括維基百科及其他一些知識(shí)庫(kù)，它們很少會(huì)聚焦到某個(gè)具體的知識(shí)點(diǎn)。沃森系統(tǒng)能夠處理大量的人類知識(shí)，也能夠處理微小的語(yǔ)言形式，如人類活動(dòng)領(lǐng)域范圍內(nèi)的雙關(guān)語(yǔ)、暗喻、明喻等。它并不完美，人類也是一樣，但它勝過(guò)了《危險(xiǎn)邊緣》節(jié)目里最優(yōu)秀的選手。

艾倫辯解說(shuō)，沃森系統(tǒng)是由科學(xué)家們親自裝配的，他們將各專業(yè)領(lǐng)域的精密知識(shí)連接起來(lái)運(yùn)用到這個(gè)系統(tǒng)上，這個(gè)說(shuō)法是完全錯(cuò)誤的。雖然其中幾個(gè)領(lǐng)域的數(shù)據(jù)是直接編寫的，但絕大部分的知識(shí)還是通過(guò)它自己閱讀諸如維基百科等自然語(yǔ)言文件獲得的。這一點(diǎn)也正是它的關(guān)鍵優(yōu)勢(shì)，就像它能夠理解《危險(xiǎn)邊緣》中那些題目費(fèi)解的語(yǔ)言一樣（它通過(guò)搜索問(wèn)題尋找答案）。

正如我早前提到過(guò)的，很多人批評(píng)沃森系統(tǒng)采用統(tǒng)計(jì)概率工作，而不是基于“真正的”理解。許多讀者將此理解為，沃森系統(tǒng)只是通過(guò)字詞的排序進(jìn)行統(tǒng)計(jì)?！敖y(tǒng)計(jì)信息”一詞對(duì)該系統(tǒng)而言，實(shí)際上指自組織方法中的分配參數(shù)和符號(hào)鏈接，如隱馬爾可夫?qū)蛹?jí)模型。個(gè)體能輕而易舉地將大腦皮質(zhì)中分散的神經(jīng)遞質(zhì)濃度和多余的連接模式一并去除，同樣也能毫不費(fèi)力地抹掉“統(tǒng)計(jì)信息”。事實(shí)上，我們解決語(yǔ)義模糊的方式和沃森系統(tǒng)如出一轍——通過(guò)考慮一個(gè)詞語(yǔ)不同解釋之間的相似性。

艾倫接著在論文中這樣寫道：“數(shù)百萬(wàn)年間，（大腦中的）每一個(gè)結(jié)構(gòu)都已經(jīng)被精確定型，然后完成自己的使命，無(wú)論這使命是什么。它不像電腦那樣，幾種不同元素構(gòu)成中央處理器（CPU），中央處理器又去控制上億個(gè)有序存儲(chǔ)的毫無(wú)差別的三極管。在大腦中，每一個(gè)結(jié)構(gòu)和神經(jīng)回路都因?yàn)檫M(jìn)化和環(huán)境因素而得以完善?！?/p>

大腦中每一個(gè)結(jié)構(gòu)和神經(jīng)回路都是獨(dú)一無(wú)二的，因此設(shè)計(jì)大腦可說(shuō)是天方夜譚，因?yàn)檫@意味著大腦的藍(lán)圖需要萬(wàn)億兆比特的信息。大腦的結(jié)構(gòu)圖（正如身體其他部分的結(jié)構(gòu)圖一樣）存在于基因組中，因此大腦自身不可能包含比基因組還多的設(shè)計(jì)信息。要注意，表觀遺傳^[1]信息（如控制基因表現(xiàn)形式的肽）并沒(méi)有明顯增加基因組信息量。經(jīng)歷和學(xué)習(xí)的確顯著地增加了大腦的信息量，但這也適用于沃森一類的人工智能系統(tǒng)。我在《奇點(diǎn)臨近》中展示過(guò)，無(wú)損壓縮（由于基因組中的大量冗余）后，基因組中的設(shè)計(jì)信息數(shù)據(jù)量大約是5000萬(wàn)比特，約是大腦設(shè)計(jì)信息的兩倍，也就是說(shuō)，大腦的設(shè)計(jì)信息數(shù)據(jù)量約為2500萬(wàn)比特。那并不容易，但其復(fù)雜性仍在我們能夠解決的范圍之內(nèi)，而且與現(xiàn)代社會(huì)的其他軟件系統(tǒng)相比，它根本不算什么。此外，大腦的2500萬(wàn)比特基因設(shè)計(jì)信息很多與神經(jīng)元的生物要求有關(guān)，而非它們的信息處理算法。

我們?cè)鯓訌膬H僅幾千萬(wàn)比特的設(shè)計(jì)信息中得出同一類型的100萬(wàn)億～1000萬(wàn)億的連接呢？很明顯，通過(guò)大量冗余。德?tīng)栭T德拉·穆德哈（Dharmendra Modha，IBM研究中心認(rèn)知操作部門的管理者）寫道：“神經(jīng)解剖學(xué)家還沒(méi)有發(fā)現(xiàn)胡亂連接在一起的網(wǎng)絡(luò)，對(duì)大腦中的個(gè)體而言，這一系統(tǒng)完全是異類，但是個(gè)體大腦中有很多重復(fù)的結(jié)構(gòu)和跨物種的同源性……這種天然的重構(gòu)性一方面讓我們驚奇，另一方面則給我們以希望，即腦神經(jīng)運(yùn)算的核心運(yùn)算有望獨(dú)立于特異感應(yīng)器及電機(jī)模型，而且腦區(qū)皮質(zhì)結(jié)構(gòu)中所觀察到的變體意味著規(guī)約線路的完善；而我們正想用這個(gè)規(guī)約線路進(jìn)行逆向工程?！?/p>

艾倫認(rèn)為，有一種“固有的復(fù)雜制動(dòng)系統(tǒng)牽制著人類理解大腦和復(fù)制其的能力”，他的這一論點(diǎn)基于這樣一個(gè)假設(shè)，大腦中的100萬(wàn)億～1000萬(wàn)億的連接真實(shí)存在。他的“復(fù)雜制動(dòng)系統(tǒng)”本末倒置了。如果你想理解、模擬或再創(chuàng)造一個(gè)胰腺，你并不需要對(duì)胰腺中的每個(gè)細(xì)胞進(jìn)行再創(chuàng)造或模擬。你只需要理解一個(gè)胰島細(xì)胞，然后將其在胰島中的基本功能提取出來(lái)，最后將其功能擴(kuò)大到更多的同類細(xì)胞中。現(xiàn)在已經(jīng)有這種功能模型的人工胰島素進(jìn)行測(cè)試了。雖然，比起胰腺中那些大量重復(fù)的胰島素，大腦顯得更復(fù)雜，變量更多，但是，正如我在書中反復(fù)提到的，它們的功能存在很多重合的地方。

艾倫的批評(píng)中也明確提到了我說(shuō)過(guò)的“科學(xué)家的悲觀”。為新一代技術(shù)或?yàn)橐粋€(gè)科學(xué)領(lǐng)域建造模型苦心鉆研的科學(xué)家們，無(wú)一例外地都在與這種悲觀情緒作斗爭(zhēng)，所以如果有人能對(duì)未來(lái)10代科技的面貌說(shuō)出個(gè)究竟，他們將嗤之以鼻。集成電路領(lǐng)域的一位先驅(qū)使我想起30年前，他們?yōu)榱藢?0微米（10000納米）的最小配線幅度減少到5微米（5000納米）而苦苦掙扎的情形。對(duì)達(dá)到這個(gè)目標(biāo)，他們有一些信心。但是當(dāng)人們預(yù)測(cè)，未來(lái)某天我們能將電子線路的最小配線幅度降到1微米（1000納米）以下的時(shí)候，他們守著自己的目標(biāo)，覺(jué)得人們的想法太天真。有人指出，如若最小配線幅度降到1微米以下，由于熱力影響及其他因素影響，電子線路就會(huì)脆弱不堪。但如今，英特爾公司已經(jīng)開始啟用柵長(zhǎng)僅為22納米的芯片。

在人類基因計(jì)劃上，我們也曾感受到了一些相似的悲觀情緒。當(dāng)我們?cè)谀莻€(gè)計(jì)劃上努力了15年的時(shí)候，我們只收集到了1%的基因組。批評(píng)家們都提出一些限制基因快速排序的因素，而且是在不破壞微小基因結(jié)構(gòu)的前提下。幸好有了性能價(jià)格的指數(shù)增長(zhǎng)，這個(gè)計(jì)劃7年之后就大功告成，針對(duì)人腦的逆向工程也取得了相似進(jìn)展。比如，直到最近，我們才在實(shí)時(shí)情況下，通過(guò)非侵害性掃描技術(shù)，看到每個(gè)神經(jīng)元連接形成和穩(wěn)固的過(guò)程。我在這本書中引述的很多證據(jù)也都是基于這些進(jìn)步，但是直到最近，這些證據(jù)才得到證實(shí)。

艾倫描述我的人腦逆向工程的時(shí)候，認(rèn)為它就是掃描人腦，然后理解它精密的構(gòu)造，而后在沒(méi)有充分理解信息加工方法的情況下，將大腦整個(gè)“顛倒過(guò)來(lái)”進(jìn)行模擬。這并不是我的議題，雖然我們確實(shí)需要了解單個(gè)神經(jīng)細(xì)胞工作的細(xì)節(jié)，然后將功能模塊是怎樣相互連接的信息收集起來(lái)。源于此種分析的功能方法能夠指導(dǎo)智能系統(tǒng)不斷發(fā)展。大體上，我們尋找的是受到生物學(xué)啟發(fā)的，能加速人工智能工作的方法，雖然我們沒(méi)有在大腦如何發(fā)揮相似功能上有重大發(fā)現(xiàn)，人工智能項(xiàng)目仍然取得不小進(jìn)展。就以我的研究領(lǐng)域——語(yǔ)音識(shí)別為例，我清楚地知道，如果我們?cè)诖竽X是如何合成并轉(zhuǎn)換語(yǔ)音信息上取得進(jìn)展，我們的工作進(jìn)度將會(huì)得到很大提高。

大腦中大量的冗余結(jié)構(gòu)由于學(xué)習(xí)和經(jīng)歷的不同而各異。人工智能體系當(dāng)前的工藝實(shí)際上使其能夠從自身的經(jīng)歷中得到學(xué)習(xí)。谷歌自動(dòng)駕駛汽車有兩個(gè)學(xué)習(xí)對(duì)象，一是從以前自身的駕駛經(jīng)驗(yàn)學(xué)習(xí)，二是從人類駕駛汽車的經(jīng)驗(yàn)中學(xué)習(xí)；沃森系統(tǒng)的大部分知識(shí)都源于閱讀自身已有的東西。有一點(diǎn)很有趣，人工智能系統(tǒng)目前采用的方法已大大改進(jìn)，而其方法在數(shù)學(xué)原理上跟大腦皮質(zhì)中的運(yùn)行機(jī)制很相像。

“量子計(jì)算能力缺失”論

對(duì)“強(qiáng)人工智能”（針對(duì)人類及人以外對(duì)象的人工智能）可行性的另一個(gè)反對(duì)聲音是，人類大腦能廣泛運(yùn)用模擬計(jì)算，而數(shù)字方法固有的弱點(diǎn)是不能對(duì)類比法所具有的價(jià)值層級(jí)進(jìn)行復(fù)制。單比特確實(shí)能夠隨意使用，但是多比特文字更能代表多層次漸變，而且能滿足任何程度的精確度，當(dāng)然，只有數(shù)字電腦才能做到這一點(diǎn)。實(shí)際上，大腦中模擬信息的準(zhǔn)確度在256個(gè)階位中只占一個(gè)階位，而這256個(gè)階位可以用8比特表示。

在第9章中，我引用了羅杰斯·彭羅斯和斯圖亞特·哈梅羅夫關(guān)于微管和量化計(jì)算的反對(duì)意見(jiàn)，他們聲稱腦神經(jīng)中的微管結(jié)構(gòu)在做量子計(jì)算，由于這在計(jì)算機(jī)上是無(wú)法實(shí)現(xiàn)的事，而人腦跟電腦區(qū)別很大，所以它可能比計(jì)算機(jī)做得更好。如我早先解釋過(guò)的，沒(méi)有確切的證據(jù)證明神經(jīng)微管在做量子計(jì)算。實(shí)際上，量子計(jì)算機(jī)能漂亮解決的問(wèn)題（比如給一個(gè)大數(shù)字做因素運(yùn)算），人們通常都做得很糟糕。如果這其中任何一項(xiàng)得到確證，那么量子計(jì)算機(jī)或許也能被用到我們的計(jì)算機(jī)當(dāng)中來(lái)。

“無(wú)意識(shí)”論

約翰·賽爾曾引進(jìn)一個(gè)名為“中文屋”的思想實(shí)驗(yàn)，他也因此聲名大噪。在《奇點(diǎn)臨近》一書中我曾對(duì)此進(jìn)行過(guò)詳細(xì)討論。簡(jiǎn)單來(lái)說(shuō)，這個(gè)實(shí)驗(yàn)是關(guān)于一個(gè)人拿到一些中文的問(wèn)題然后對(duì)其進(jìn)行解答。為了完成這些答案，他使用了一本詳盡的中文使用手冊(cè)。賽爾聲稱，雖然這個(gè)人能夠用中文回答這些問(wèn)題，但他并沒(méi)有真正理解中文，對(duì)中文這門語(yǔ)言也毫無(wú)頭緒（因?yàn)樗欢畣?wèn)題也不懂答案）。賽爾以此類比計(jì)算機(jī)，蓋棺定論地說(shuō)，雖然計(jì)算機(jī)能像實(shí)驗(yàn)中的人一樣回答這些中文問(wèn)題（基本通過(guò)中文圖靈測(cè)試），但它跟這個(gè)人一樣，并沒(méi)有真正理解中文，也不清楚自己在做什么事情。

在賽爾的論點(diǎn)中，他采用了哲學(xué)上的花哨手法，一方面，思想實(shí)驗(yàn)中的人最多只能算是計(jì)算機(jī)中的中央處理器。人們可以說(shuō)中央處理器對(duì)它正在做的事情毫無(wú)知覺(jué)，但中央處理器只是這個(gè)結(jié)構(gòu)的一部分。在賽爾的實(shí)驗(yàn)中，那個(gè)帶著中文使用手冊(cè)的男人構(gòu)成了一個(gè)完整的系統(tǒng)，這個(gè)系統(tǒng)對(duì)中文是有所了解的，否則，他是不會(huì)被說(shuō)服去參與這個(gè)實(shí)驗(yàn)，然后回答中文問(wèn)題的。

賽爾的觀點(diǎn)吸引人是因?yàn)椋裉煳覀兒茈y去推論計(jì)算機(jī)程序是否有真正的理解或意識(shí)。而他論點(diǎn)的問(wèn)題在于，你可以將其推理的內(nèi)容運(yùn)用到人類大腦上。每個(gè)新皮質(zhì)模式識(shí)別器——每個(gè)腦神經(jīng)和每個(gè)神經(jīng)元部件，都遵循特定的運(yùn)算（畢竟，它們都是遵循自然法則的分子機(jī)制）。如果我們斷定，符合某個(gè)運(yùn)算法則跟真正的理解和意識(shí)是相悖的，那么我們也可以說(shuō)，人類大腦也不具備這些品質(zhì)。你可以接受賽爾的實(shí)驗(yàn)，然后將“操控神經(jīng)元連接和連接強(qiáng)度”改為“操控符號(hào)”，然后，你就得到你能信服的觀點(diǎn)，即大腦并不真正理解某件事。

另一個(gè)論點(diǎn)是關(guān)于自然的本質(zhì)，在很多觀察家眼中，這是一個(gè)很神圣的話題。比如，新西蘭生物學(xué)家邁克爾·丹頓（Michael Denton）認(rèn)識(shí)到機(jī)器設(shè)計(jì)原則跟生物學(xué)的某些原則有著巨大的不同。丹頓寫道，自然實(shí)體具有“自我組織性……自我參考性……自我復(fù)制性……交互作用性……自我塑造性……以及整體性”。他說(shuō)，生物形式只能從生物過(guò)程中創(chuàng)造，因此這些形式也是“穩(wěn)定不變……無(wú)穿透性……而且是最根本的”真實(shí)存在，跟機(jī)械比起來(lái)，它們是一個(gè)不同的哲學(xué)門類。

正如我們所看到的，事實(shí)上，人們也可以運(yùn)用這些原則設(shè)計(jì)機(jī)器。了解大自然最具智慧的設(shè)計(jì)范式——人類大腦，正是大腦逆向工程項(xiàng)目的目的。丹頓說(shuō)生物系統(tǒng)是一個(gè)完整的整體，這一觀點(diǎn)不太正確，同樣，認(rèn)為機(jī)器應(yīng)該是完整的模塊的觀點(diǎn)也不盡正確。我們已經(jīng)對(duì)自然系統(tǒng)中的功能單位進(jìn)行了清晰的層級(jí)劃分，尤其是大腦，對(duì)人工智能，我們也使用了類似的方法。

在我看來(lái)，若計(jì)算機(jī)不能順利通過(guò)圖靈測(cè)試，那些批評(píng)家們就不會(huì)罷休。但即使如此，這道門檻也并不清晰。毫無(wú)疑問(wèn)，對(duì)于流行的圖靈測(cè)試是否真實(shí)有效，很多人都有爭(zhēng)議。也許我也是這些批評(píng)家隊(duì)伍中的一員，和他們一樣，對(duì)早先的論據(jù)嗤之以鼻。當(dāng)關(guān)于計(jì)算機(jī)通過(guò)圖靈測(cè)試有效性的爭(zhēng)論真正風(fēng)平浪靜時(shí)，計(jì)算機(jī)或許已經(jīng)遠(yuǎn)遠(yuǎn)超過(guò)未曾被增強(qiáng)的人類智慧。

這里我強(qiáng)調(diào)的詞是“未曾被增強(qiáng)的”，因?yàn)椤爸腔鄣玫皆鰪?qiáng)”正是我們能創(chuàng)造出這些“思維小孩”（漢斯·莫拉維克對(duì)它們的稱呼）的原因，將人類層面的認(rèn)知模式和計(jì)算機(jī)固有的速度和精確度結(jié)合起來(lái)，得到的將是無(wú)窮的威力。但這并不是火星上的智能機(jī)器進(jìn)行的一場(chǎng)外星人入侵——我們創(chuàng)造這些工具，是為了讓自己更有智慧。我相信，大部分觀察家會(huì)同意我的這個(gè)觀點(diǎn)，即人類的獨(dú)一無(wú)二之處在于：我們制造工具，而工具讓我們走得更遠(yuǎn)。

【注釋】

[1]表觀遺傳是指DNA序列不發(fā)生變化，但基因表達(dá)卻發(fā)生了可遺傳的改變?！幷咦?/p>