Neil Gershenfeld
尼尔·格申斐尔德是麻省理工学院比特和原子研究中心的物理学家、主任，著有《FAB》（FAB）一书，还与艾伦·格申斐尔德（Alan Gershenfeld）和乔尔·卡彻-格申斐尔德（Joel Cutcher-Gershenfeld）合著了《设计现实》（Designing Reality），是微观装配实验室（Fab Lab）全球网络的创始人。
布罗克曼谈尼尔·格申斐尔德
在关于《人有人的用处》一书的康涅狄格州讨论中，尼尔·格申斐尔德宣称他讨厌这本书，这句话引起哄堂大笑。他提出的另一个新鲜观点同样引起哄堂大笑，他说：计算机科学是发生在计算机领域和科学领域最糟糕的一件事。他完整的论点是，维纳不了解发生在他身边的数字革命的含义——尽管有些人会说，不能对向身处大楼一层的人提出这样的指控，他又没有千里眼。
尼尔告诉我们：“我生命中虽不重要但却占据了主导地位的事情就是发起了微观装配实验室和创客运动。当维纳谈到自动化带来的威胁时，他没有想过与这种情况相反的另一种情况，那就是掌握自动化手段可以增强人类的能力，而在微观装配实验室，我所参与的活动就是一个指数式发展的例子。”
2003年，我去麻省理工学院拜访尼尔，他在那里负责管理比特和原子研究中心。几个小时后，我看到一场由好多奇特事物组成的大型展示。在他颇受欢迎的快速成型课堂（“如何制作几乎任何东西”）上，我看到了一个学生完成的作品，这是一个没有任何工程学背景的雕塑家，他制造了一个便携式的尖叫空间，可以储存你的尖叫声，稍后播放。班上的另一个学生制作了网页浏览器，鹦鹉可以用它来上网。尼尔自己正在对科幻主打产品，即“万能复制器”的路线图做基础研究。这次参观让我大脑受到强烈冲击，好几年都缓不过来。
尼尔管理着微观装配实验室的全球网络。微观装配实验室是一个小型的制造系统，由数字技术支撑，为人们提供建造他们想要建造东西所需的物资。作为数字通信和计算与制造相结合的创客运动的领袖，他有时觉得自己已置身于当前关于人工智能安全的激烈辩论之外。“我做研究的能力取决于使我能力增强的工具，”他说，“问它们是否聪明，就像问我如何知道我的存在一样虽然有效，从哲学上讲也很有趣，但从经验上来看却无法证明。”他感兴趣的是“比特和原子之间的关联，这是数字和物理之间的边界。从科学角度来说，这是我所知道的最激动人心的事情”。
关于人工智能的讨论并非历史上久而有之。我们可以把这些讨论看成躁狂抑郁症的表现：从某种计算方法来看，我们现在正处于第五个人工智能的繁荣—萧条周期。这些波动掩盖了它一直以来的潜在进步，也隐藏了它未来的发展方向。
这些周期大概十年为一轮。第一个是主机，它们的作用就是使工作自动化。但这与现实相悖，因为在现实中，很难编写程序来完成对人们来讲很简单的任务。第二个是专家系统，这些系统将专家的知识编成法典并取代专家。但专家系统在收集知识和推理尚未涵盖的案例方面遇到困难。第三个是感知器，感知器试图模拟大脑的学习方法，以避开这些问题，但是很多事情都是它们不能做的。第四个是多层感知器，多层感知器可以处理那些使简单网络出错的测试问题，但是对于非结构化的、真实世界的问题，它们的表现很差。第五个是深度学习。我们现在正处于深度学习时代，许多早期人工智能想要达到的目标均得以实现，但在某种程度上却又很难理解这种深度学习，因为它带来的后果包括智能和人类的存亡威胁。
这些阶段，每一个都预示着超越前人局限性的革命性进步，然而实际上每个阶段都在做同样的事情：从观察中做出推断。我们可以从这些方法的伸缩性来更好地理解它们之间的联系，所谓伸缩性就是指它们的性能根据所处理问题的难度而变化的情况。电灯开关和自动驾驶汽车都必须判定操作者的意图，但是前者只有两种选择，而后者的选择则更多。人工智能的繁荣阶段始于有限领域一些颇被看好的例子；而衰败阶段则伴随着某些例子的失败，在这些例子中，机器无法处理结构较差的实际问题的复杂性。
在伸缩性方面我们所取得的稳步进展不太明显。这一进展依赖于线性函数和指数函数之间的技术区别——这种区别在人工智能诞生之初就变得明显，但是对于人工智能的影响直到多年之后才被人们所认识。
《人有人的用处》一书是研究智能机器的重要文献，在这本书中，诺伯特·维纳预言了许多自他撰写该书以来出现的最重要发展趋势，同时也指出了那些对这些趋势有贡献的人，但始终未能认识到这些人的工作为什么如此重要。维纳创造了控制论领域；我一直不理解那是什么，但是该书中缺失的却是人工智能该如何发展，这是核心问题。这段历史之所以重要，是因为它的影响至今仍在。
这本书中提到了克劳德·香农，提到了他对国际象棋计算机前景的思考。当时，香农正在做一些比猜测更有意义的事情：他正在做的工作为数字革命奠定了基础。作为麻省理工学院的研究生，他为范内瓦·布什（Vannevar Bush）研究微分分析器。这是最后一批很棒的模拟计算机之一，房间里装满了齿轮和轴。用这种方式解决问题时遭遇的困难令香农感到沮丧，这种沮丧使他在1937年写出了可能是有史以来最好的硕士论文。在论文中，他展示了如何设计电路来求出任意逻辑表达式的值，介绍了通用数字逻辑的基础。
从麻省理工学院毕业后，香农在贝尔实验室学习通信。模拟电话的通信质量随着距离变远而变差，相距越远，质量越糟。香农没有继续改进模拟电话，相反，在1948年，香农指出，通过符号而不是连续量的通信，效果会非常不同。将语音波形转换为二进制值1和0就是一个例子，不过许多其他的符号集也都可以用于数字通信。重要的不是特定的符号，而是检测和纠正错误的能力。香农发现如果噪声高于阈值（这取决于系统设计），那么肯定会有误差。但是，如果噪声低于阈值，则代表符号的物理资源的线性增加就会使得接收符号出错的可能性呈指数式下降。我们现在将这个关系称为阈值定理。
这种伸缩性下降得如此之快，以至于出错的概率小到实际上永远不会发生。发送的每个符号都会使确定性翻倍而不是线性增加，因此错误概率可以从0.1下降到0.01再到0.001等等。这种通信错误的指数式减少使得通信网络的容量呈指数式增加变成可能。最终这解决了人工智能系统的第一个问题：知识从何而来。
多年来，加速计算的最快方法是什么都不做——只是等待计算机变得更快。同样地，多年来人工智能项目旨在通过辛苦地输入信息来积累日常知识。这种方法没有伸缩性，它只能像人们输入信息的速度一样快。但是，当电话、报纸新闻和邮件信息全部转移到互联网上时，所有做这些事情的人都变成了一个数据生成器。其结果是知识积累以指数式而不是线性的速度在增长。
《人有人的用处》一书中也提到了约翰·冯·诺伊曼的博弈论。但在这本书里，维纳忽略了冯·诺伊曼在数字化计算中所起的开创性作用。模拟通信随着距离的扩大通信质量下降，模拟计算（如微分分析器）随着时间的增长而退化，误差越来越多。冯·诺伊曼在1952年给出了一个与香农的计算结果相对应的结果（他们在普林斯顿高等研究院见过面），表明通过符号而不是连续量，使用不可靠的计算设备来进行可靠的计算是完全可能的。这又是一个伸缩性参数，只要噪声低于阈值，那么随着表示符号的物理资源线性增加，错误率就会呈指数式下降。这就使得在计算机芯片中安装十亿个晶体管成为可能，最后一个晶体管和第一个晶体管一样有用。这种关系导致了计算性能的指数式增长，这解决了人工智能中的第二个问题：如何处理指数式增长的数据量。
伸缩性为人工智能解决的第三个问题是提出推理规则，从而不必为每个问题雇用程序员。维纳认识到反馈在机器学习中的作用，但他忽略了表征所起的关键作用。在自动驾驶的车里不可能存储所有可能的图像，在对话计算机里也不可能存储所有可能的声音；它们必须能够根据经验进行归纳。深度学习的“深度”部分不是指洞察力的深度，而是指用来进行预测的数学网络层的深度。事实证明，网络复杂度的线性增加导致网络的表征能力呈指数式增长。
如果你在房间里丢了钥匙，你可以去找。如果你不确定钥匙丢在哪个房间，你就得把一栋楼里的所有房间都找遍。如果你不确定钥匙是丢在哪栋楼里，你就得把一个城市里所有楼房的所有房间都找个遍。如果你不确定它们丢在哪个城市，你就得在所有城市的所有建筑物中搜索所有的房间。在人工智能中，找到钥匙与汽车安全地在道路上行驶或计算机正确地理解口头命令之类的事情相对应，房间、建筑物以及城市与所有必须考虑的选项相对应。这被称为维度之咒。
维度之咒的解决办法是利用该问题的信息来约束搜索。搜索算法本身并不新鲜。但是当应用到深度学习网络时，它们会适应性地建立搜索位置的表征。这样做的代价是不再可能精确地找到一个问题的最佳答案，不过通常我们所需要的只是一个足够好的答案。
综上所述，这些伸缩性使得机器能够像生物复杂性的相应阶段一样有效地工作，这并不奇怪。神经网络最初的目标是对大脑的运作方式进行建模。但是当神经网络演变成一种与神经元实际如何发挥作用无关的数学抽象概念时，这个目标被搁置了。但是现在两者出现了融合，这种融合被认为是一种前向的而不是逆向的工程生物学，是深度学习效仿大脑皮层和脑区的结果。
我所管理的最困难的研究项目之一是将我们现在所说的数据科学家与人工智能先驱配对。这是一次痛苦的改变目标的经历。数据科学家在解决人工智能先驱提出的由来已久的问题方面取得进展，但被认为并不重要，因为伴随这些解决方案，在理解这些解决之道方面并没有出现相应的飞跃。如果一台国际象棋计算机无法解释它是如何下国际象棋的，那么它有什么价值呢？
当然答案是它会下棋。一项有趣的新兴研究出现了，这项研究将人工智能应用于人工智能，也就是说，训练网络来解释它们是如何操作的。但是仅仅通过观察它们的内部工作很难理解大脑和计算机芯片，只有通过观察它们的外部接口才能更容易地解释它们。我们相信（或不相信）大脑和计算机芯片都是基于对它们进行测试的经验，而不是基于对它们工作原理的解释。
工程学的许多分支正在从所谓的命令式设计过渡到声明式设计或生成式设计。这意味着，不是使用诸如CAD文件、电路原理图和计算机代码之类的工具显式地设计系统，而是描述你希望系统做什么，然后设计工具对满足你的目标和限制的设计进行自动搜索。当设计复杂度超过人类设计者可以理解的程度时，这种方法就变得必要。虽然这听起来像是一种风险，但是人类的理解力有其自身的局限性；工程设计中有许多设计看似有不错的见地，却带来很不好的后果。声明性设计依赖于人工智能领域的所有进步，也依赖于对虚拟测试设计的仿真度的提高。
所有设计问题的源头也是人类繁衍的源头。我们设计的方式存在于基因组中最古老、最保守的一部分，叫作Hox基因。它们是负责调节基因的基因。你的基因组中没有任何东西能储存你身体的设计，相反，你的基因组中储存了一系列步骤，这些步骤会形成你的身体。这与人工智能中的搜索方式完全类似。有太多可能的身体计划要搜索，大多数修改要么无关紧要，要么非常致命。Hox基因代表了进化搜索的生产场所。在分子水平上，这是一种自然智能。
人工智能有一个身心问题，因为它没有身体。人工智能的大部分工作是在云中完成的，在数据汇集的计算机中心的虚拟机上运行。我们自己的智能是进化这种搜索算法的结果，进化能够改变我们的物理形式以及我们的遗传规划——它们二者紧紧地联系在一起，不可分割。如果人工智能的历史可以被理解为是伸缩性而不是许多其他方式起作用的历史，那么它的未来也是如此。继通信和计算之后，现在数字化的是制造，这就把比特的可编程性带到了原子世界。通过不仅把设计数字化，还把材料的构造数字化，我们便能把从冯·诺伊曼和香农那里学来的教训应用到指数式增长的制造复杂性上。
我将数字材料定义为由一组离散的零件构成的材料，这些零件以一组离散的相对位置和方向互相可逆地连接起来。这些属性使得材料整体的几何结构由以下因素决定：局部约束、待检测和校正的装配误差、待连接的各种不同的材料，以及可拆卸而不是不需要时必须丢弃的结构。作为生命基础的氨基酸和作为游戏基础的乐高砖均有这些特性。
氨基酸的有趣之处在于它们毫不有趣。它们具有典型但不罕见的属性，例如吸引或排斥水。但是只要20种就足以制造出一个你。同样地，大约20种数字材料零件类型，如导电、绝缘、刚性、柔性、磁性等材料，就足以形成各种功能，这些功能可以被用于制造诸如机器人和计算机等现代技术产品。
人工智能的先驱者们预见到了计算与制造之间的联系，他们的工作奠定了计算机大厦的基础。维纳将材料运输和信息传递联系起来，暗示了这一点。约翰·冯·诺伊曼是现代计算机架构的奠基者，但实际上他在这方面写的东西很少；他做的最后一项研究，并且非常认真翔实地写出来的东西就是自复制系统。为了抽象地说明这一点，他建立了一种机器的模型，这种机器能够传递构建自己的计算。艾伦·图灵为计算机科学搭建起了理论框架，他研究的最后一件事情是基因中的指令如何产生物理形式。这些问题解决了一个典型的计算机科学教育所缺少的主题：计算的物理配置。
冯·诺伊曼和图灵将他们的问题作为理论研究提出，因为实现它们超出了当时的技术。但是，随着通信和计算与制造的结合，在实验上这些研究正变得容易实现。我的实验室研究的重点是制造一个组装器，它能够从正在组装的部件中组装自己，另外一个重点是合作开发合成细胞。
在物理上能自我复制的自动机的前景可能比失控的人工智能带来的恐惧更可怕，因为它把智能带到了我们生活的地方。这可能是《终结者》中天网机器人霸主的路线图。但这也是一个更有希望的前景，因为对原子和比特进行编程的能力使得全球能够共享设计，同时在本地生产诸如能源、食品和住所之类的东西——所有这些都正在成为令人兴奋的数字制造的早期应用。维纳对工作的未来表示担忧，但他并没有质疑工作本质所隐含的假设，当创造取代了消费时，这些假设会遭遇挑战。
历史表明，占主导的情节既不是乌托邦式的也不是反乌托邦式的，通常我们最后都是在这两个极端之间的状态混日子。但是历史也表明，我们不必等待历史的发生。1965年，摩尔用5年时间将集成电路的规格翻一番，实现了数字技术50年的指数式改进。我们用了很多年的时间来应对它所带来的影响，而不是期待这种影响。我们现在所获得的数据比摩尔当时用来实现数字制造性能翻一番所拥有的数据要多得多。事后看来，应该可以避免过度的数字计算和通信，而且从一开始就可以解决诸如访问和识字等问题。
如果创客运动预示了第三次数字革命，那么人工智能成功地实现其自身早期目标便可以被看作是前两次数字革命的最高成就。虽然机器制造和机器思维可能看起来是毫不相关的两个趋势，但它们存在于彼此的未来。使人工智能成为可能的相同的伸缩性趋势表明，当前的狂热即将成为历史，之后还有更重要的一个阶段，那就是将人工智能与自然智能相结合。
这是一个原子形成分子、分子形成细胞器、细胞器形成细胞、细胞形成器官、器官形成有机体、有机体形成家庭、家庭形成社会和社会形成文明的进步。这个宏大的进化循环现在可以封闭了，原子排列比特，比特排列原子。
Hybrid superintelligences such as nation-states and corporations have their own emergent goals and their actions are not always aligned to the interests of the people who created them.
虽然我们并不总能察觉到，但是诸如民族国家和企业这样的混合型超级智能有它们自己的涌现目标，而且其行为并不总是与创造它们的人的利益相一致。