index_new5.html
../../../zaker_core/zaker_tpl_static/wap/tpl_guoji1.html
![]()
德国顶尖科学家Klaus Mainzer教授在访谈中指出，通用人工智能（AGI）的终极瓶颈不在算法、算力或数据，而在思想史。他回顾了AI理论的发展脉络，强调了人文与科学的融合，并提出AGI面临的哲学困境在于机器能否拥有“灵感”和“创造力”，这可能需要“具身性”的突破。Mainzer教授还探讨了工程创新、教育系统变革以及AI时代人类的责任问题，认为未来人才需具备系统思维和跨学科能力。
💡 AGI的瓶颈在于思想史，而非技术：Klaus Mainzer教授认为，通用人工智能（AGI）的发展受限于人类思想的深度和广度，特别是思想史的积淀。他以《易经》与二进制的联系、莱布尼茨的数学思想为证，说明AI的每一次飞跃都离不开跨学科的哲学、语言学、逻辑学等思想的启发，强调人文与科学的融合对于突破AI的局限至关重要。
🧠 机器创造力与“具身性”的哲学挑战：教授指出，现代AI擅长模拟，但真正的创造力源于“灵感”，这是机器目前难以企及的。他提出了“具身性”（Embodiment）的哲学概念，认为未来AGI可能需要具备“活体组织”和“情感”的有机体才能拥有真正的创造力，这引发了关于伦理和技术界限的深刻思考。
⚙️ 工程创新与教育改革的紧迫性：Mainzer教授强调，21世纪的竞争已从理论转向工程实现。他批评当前计算机科学教育侧重编程而忽视建模能力，呼吁教育系统进行整合性变革，消除学科壁垒，培养具备“系统思维”和跨学科视野的人才，以应对AI时代的需求。
🌐 跨学科融合与伦理责任：教授强调，AI的发展需要整合数学、物理学、计算机科学乃至人文学科的知识。同时，他提出AI时代最重要的问题是“责任”，人类应意识到自身创造力的巨大力量，并承担起对气候危机、能源问题以及所有物种的伦理责任，平衡技术发展与人类福祉。
原创 岑峰 2025-11-05 14:00 广东
通用人工智能的终极瓶颈不是算法、算力和数据的“三驾马车”，而在思想史。
作者丨岑峰编辑丨马晓宁
![]()
当一位德国顶尖科学家把《易经》称作“二进制祖先”，并断言下一代 AI 必须靠“人文学者的想象力”突围，这或许意味着：真正的通用人工智能，或许要先在思想史里通关。作为一位享誉国际的科学哲学家和复杂系统理论权威，欧洲科学与艺术院院长、慕尼黑工业大学荣休教授 Klaus Mainzer 不仅是连接数学逻辑与现代科技的桥梁，更是洞察人工智能时代人类命运与责任的战略思想家。在最近雷峰网对 Mainzer 院长的深度专访中，他不仅全面回顾了 AI 理论从图灵到量子计算的发展脉络，更犀利地指出了 AGI 无法绕开的哲学困境、工程创新的全球转移，以及培养未来人才最迫切需要的教育系统变革。从莱布尼茨（Leibniz）在 17 世纪对《易经》阴阳符号的扩展研究，到 1936 年图灵那篇奠定数字时代的《论可计算数》，再到今天试图用“模拟计算”破解停机问题的接口项目——Mainzer 用一条清晰的“思想链”告诉我们：AI 的每一次跃迁，背后都站着哲学家、语言学家、逻辑学家、现象学家甚至外交官；人文与科学并非“两种文化”，而是一条麻花辫，越拧越紧。访谈伊始，Mainzer 院长就直指现代 AI 的理论限制。他承认 AI 在数据驱动的模拟方面能力惊人，但其根基仍受制于形式化思维。他援引逻辑学史上哥德尔（Gödel）的“不完备性”最终被根岑（Gentzen）以“超限数”概念所克服的案例，强调 AI 的逻辑困境并非不可逾越。然而，一旦进入 AGI 的核心地带，Mainzer 院长提出了一个尖锐的哲学挑战：机器能模拟情感，但能拥有“灵感”吗？“机器可以模拟各种情感表达，我对此毫不怀疑。但区别在于创造力。一个作曲家需要的是情感和灵感。”
他指出，AGI 面临的真正障碍是“具身性”（Embodiment）的哲学鸿沟。Mainzer 院长推测，未来或许能通过神经生物学创造出具备“活体组织”和“情感”的人造有机体，届时 AGI 才有可能具备真正的创造力。在技术基础的讨论中，Mainzer 院长指出，当前的 AI 架构仍沿用冯·诺依曼（Von Neumann）架构，核心是图灵机定义下的可计算函数理论。这是所有现代计算机的数学基础，从未改变。然而图灵在生命的最后两年，发表了关于“形态发生的化学基础”的论文，这篇论文正是关于耗散相互作用的简单系统如何产生复杂结构涌现（Emergence）的开端。而Mainzer 院长的“复杂系统、人工智能与新兴技术”书系，正是源于图灵所开辟的两条理论路线。结论毋庸置疑： 无论是 AI 的符号计算，还是未来对复杂结构涌现的研究，其思想根源都指向图灵这位伟大的跨界思想家。在谈及 AI 的发展前景及新兴技术对 AI 的协同效应，Mainzer 院长认为，量子计算的叠加原理等新原则，有望打破数字计算机在医学影像重构等高风险领域精度上的理论下限，是解决 XAI（可解释性 AI） 权衡困境的关键技术。同时他还指出，21 世纪的竞争已不再是单纯的“理论创意”竞争，而是“工程实现”的竞争。“（在欧洲）人们有很多美好的想法，但技术突破主要不在欧洲，而是在美国或中国。”
他以量子通信（欧洲提出理论，中国实现卫星通信）、火箭技术（德国发明，美国实现登月）和特斯拉（欧洲人发明，去美国实现商业成功）为例，强调“创新不仅在于想法”，更在于将理论转化为大规模工程实践的决心和能力。面对 AI 时代对人才提出的全新要求，Mainzer 院长发出了最迫切的呼吁：教育系统必须进行整合性变革，消除学科壁垒。他毫不留情地批评了当前计算机科学教育的“失败”：过于侧重编程训练，而缺乏建模能力。他认为，物理学家所具备的“系统思维”和“建模世界”的能力，才是实现未来突破的基石。“你必须接受这种教育：建立模型，用数学描述它。”
他鼓励年轻一代：要“保持开放心态”，在电气工程、计算机科学、物理学和人文学科的边界上，勇敢地寻找“连接”。在访谈的最后，Mainzer 院长总结了 AI 时代人类必须问自己的最重要问题：责任（Responsibility）。人类是地球上唯一无法停止创造力的物种，但这种力量也赋予了我们摧毁的能力。我们必须同时意识到自己的力量，以及对气候危机、能源问题和所有物种所承担的伦理责任。以下是对 Klaus Mainzer 院长采访的实录。我们诚挚邀请您，深入阅读访谈全文，去探索 Mainzer 院长所描绘的那个充满挑战、却又充满无限可能性的未来世界。（限于篇幅，AI 科技评论进行了不改原意的编辑整理）岑峰： Mainzer 教授，感谢您接受采访。首先，我想赠送您一本我写的书——《中国人工智能简史》。在研究中国人工智能历史的过程中，我发现社会科学家和哲学家在人工智能发展的早期阶段发挥了重要且积极的作用。作为欧洲科学与艺术院的院长，从您的角度来看，人文学科和社会科学在欧洲人工智能发展的历史中扮演了什么样的角色？您又如何看待欧洲人工智能发展中“两种文化”，即科学和人文学科之间的历史关系？Klaus Mainzer： 这是一个很好的问题，因为中国和欧洲之间的联系至少可以追溯到 17 世纪末。我在德国最喜欢的学者是著名的数学家和哲学家莱布尼茨（Leibniz）。在 17 世纪末期，他受到了源自中国的早期思想的启发，那就是《易经》，因为它蕴含着一些二进制符号的概念：我们看到的断线和实线。这些符号是自然界力量的一种编码，也是一种思想。他能接触到这些并受到启发，是因为在 17 世纪末，法国耶稣会与中国的宫廷之间有着密切的联系，而莱布尼茨当时正是一位外交官。他受到这种二进制系统的启发，然后发明了二进制算术。他当时并没有电子实现的概念，只是受到数学思想的启发。他认为只用简单的 0 和 1 两个符号，这正是数字最简单的表示方式。这个想法后来或多或少被遗忘了。直到 20 世纪，图灵（Turing） 等人提出了数字计算机的概念。欧洲出现的另一个重要的连接点正是图灵和他提出的图灵机 (Turing Machine)。所有现代数字计算的想法都包含在他 1936 年发表的那篇著名论文中（编者注：指1936年出版的《论可计算数及其在判定问题上的应用》）。我在演讲中提到的不可判定性问题 (undecidability problem)，就是图灵的起点：从逻辑的角度来看，原则上存在一些数字计算机无法解决的问题。那就是他著名的停机问题 (halting problem)。原则上，这个问题是不可判定的。这实际上是一个逻辑问题，意味着它不能通过加速数字计算来克服，这是一个限制。起初人们认为：“这只有哲学家会感兴趣。”接着是哥德尔 (Gödel) 关于一定复杂程度形式体系的不完备性定理，这也是图灵停机问题不可判定性的一个结果，这是数字计算的基础，意味着我们现在所有的计算机都受到了限制。在我学习数学和逻辑的时候，我记得在 1970 年，来自列宁格勒（今天的圣彼得堡）的俄罗斯数学家马季亚谢维奇 (Matiyasevich) 提出了一个惊人的结果。他证明了希尔伯特（Hilbert）第十问题（关于丢番图方程）在数学上等同于停机问题。这意味着你有一个原则上不可解的数学问题。我在演讲中强调的是，这一发现对现代计算产生了影响。因为在哥德尔、图灵等人的结果出现 20 年后，有证据表明，如果你考虑的不是数字，而是实数，那么问题就可以解决。这是一个理论结果，因为当时我们并没有一台模拟计算机。现在，有了我提出的关于类脑计算/未来计算的这些新想法，就有机会拥有一种脑导向的新型计算机。它将沿着这条思路发展，并解决这些问题。这意味着数字计算中原则上的限制可以通过这种实数计算来克服。在技术上，它的实现方式将是类神经形态意义上的模拟计算机。岑峰： 非常有趣。让我们来谈谈您的书系《复杂系统、人工智能与新兴技术进展》 (Advances in Complex Systems, Artificial Intelligence, and Emerging Technologies)，这个书系背后的灵感是什么？Klaus Mainzer： 实际上我的工作始于两条根源。一条我之前解释过，那是从图灵到现代计算的数字计算。另一条根源是，我学习了数学、物理学、哲学和逻辑学。而这条根源是受物理学启发的。在物理学中，有统计力学对复杂系统的美妙应用。复杂系统仅仅意味着包含许多元素的系统。人们有时会感到害怕，因为他们认为：“这些复杂系统是不可预测的。”物理学中，拉普拉斯 (Laplace) 最初相信宇宙可以被视为一个封闭系统，能够用可计算的数学微分方程来描述；但在 19 世纪末，另一位法国数学家庞加莱 (Poincaré) 证明，即使是一个封闭的、复杂的系统，当涉及两个以上元素的相互作用时，多体问题 (many-bodies problem)的严格精确解也是不存在的。这意味着在实践中，对于封闭系统，天文学家拥有的只是数值近似解。然后，对于我关于这个主题的研究至关重要的一点是，要考虑开放系统 (open system)。开放系统在数学上是一个挑战（或范式），存在于生物学、经济学等各个领域，意味着系统与其环境之间存在相互作用。这当中的基本思想是，在临界值下，新结构会涌现出来。在上世纪七八十年代，人们首次找到了近似方法来解释开放系统中的二阶相变。这是开放系统研究的一个关键突破，有可能以数学上严谨的方式来描述开放系统中新结构的涌现。这种涌现不仅是在（无生命的）化学反应中，而且在生命科学中，我们也找到了数学模型来解释这一点，比如蝴蝶翅膀上图案的产生就可以通过二阶相变在数学上得到描述。岑峰： 那么您希望通过您的书系这个平台，达成哪些主要目标呢？Klaus Mainzer： 我的想法是：复杂系统方法在非常基础的层面提供了对各地复杂系统的数学解释。它不只存在于自然科学中，还存在于经济学和广义的社会科学中。在我的第一本书《复杂性思维》中，它的成功之处就在于我不仅考虑了它在自然科学中的应用，还考虑了它在经济学中的应用，例如市场中的波动 (turbulence in markets)。这可以通过数学物理 (Mathematical Physics) 来建模完成。这种方法可以对高度复杂的市场进行建模。虽然这些市场无法像拉普拉斯系统预测行星运行轨迹那样进行精确预测，但你可以对相变的敏感性进行建模。我认为，即使在经济学中，你也可以获得一个针对临界值的预警系统。通过这类模型，你可以判断：“我们现在的情况是，如果我们跨过这些临界值，那么整个系统将变得不可控。”这是这种建模方法的巨大优势。这些内容都在书系中被考虑，这也是我在 90 年代初就已经预见到的。建模时使用微分方程，这在数学上很精妙，也有标准模型。但是如果你想在实践中应用它，例如应用于中国市场或一个大型市场，你必须处理海量数据。我们在机器学习中知道，算法数学依赖于海量数据。这就是背景。我们有了这种很好的复杂系统方法，现在再加上人工智能 (Artificial Intelligence)。当我提出这个想法时，我那些著名的资深同事认为，复杂系统科学与人工智能的结合这是一个很棒的想法。因为人工智能开启了实现这一目标的可能性——我们现在拥有了强大的机器来处理这些复杂数据。岑峰：那么，在您看来，复杂系统理论与人工智能的应用之间最主要的差距是什么？您的这个书系将如何帮助弥合这个差距？Klaus Mainzer： 现代人工智能与我们之前讨论的历史起源有所不同。因为人工智能的起源是非常逻辑导向的。这是我的起点，我的博士学位研究方向正是在图灵的这条路线上。顺便说一句，这条路线今天仍然是一个热门话题。我现在也在从事被称为证明助手 (proof assistants) 的工作。这意味着我们拥有基于自动证明的逻辑系统，这是符号主义 AI 在图灵传统中提出的一个想法，即可以将数学证明过程自动化。这可以通过特殊的程序来实现。例如，这是一个逻辑学中的古老思想：如果你有一个逻辑形式体系，你可能会关心这个形式体系是否正确？也就是说，这个系统中的所有形式推导，是否都代表了理论中的一个真命题？这就是逻辑通过形式命题进行形式化，然后由机器形式地推导出结论的想法。我们称之为可满足性 (satisfiability)。现在，在计算机科学中的应用是：我们用规范 (specification) 来代替模型。如果你有一个形式体系来描述汽车行业的生产线，那么你的形式体系是否正确？其含义是，形式上推导出的步骤是否准确地描述了物理生产线上发生的事情？这就是可满足性。在逻辑学中，发展了许多方法，例如至今仍在使用的归结法 (resolution method)。在德国斯图加特，戴姆勒-奔驰公司的物流系统，正是完全基于这些逻辑思想完成的，用于组织复杂的客户配置需求。就软件工程而言，我们可以更进一步。最终的想法是，在软件工程和程序中，我们必须有控制机制来确保软件程序是准确的、可以依赖的。这现在是通过证明助手来完成的。这意味着你拥有严谨的逻辑形式体系，它正在测试你的软件是否按照你期望的正确方式行事。这些证明助手在今天仍然具有相关性。我们在慕尼黑每年都会举办关于这些证明助手的国际秋季学校。逻辑学家、数学家、计算机科学家都在努力，因为我们现在希望将它应用于现代机器学习中那些非常复杂的程序。今天的软件不再是传统 AI 中的那种传统程序，现在我们有机器学习、神经网络和统计学。所以问题是，如何让证明助手来控制这些复杂的统计学方法。在 AI 的经典方法中，核心是逻辑演绎 (logical deduction)。但现代机器学习的核心是统计学。因此，从方法论的角度来看，其核心是归纳 (induction)。你从有限样本开始，通过计算统计期望值，试图进行概括。这实际上是经验科学中普遍采用的方法。这是现代机器学习面临的挑战。我们的想法是：我们如何控制？现在机器学习界对它的可能性非常着迷，但我们有失去控制的危险：在海量数据中隐藏着哪些特征等等，没有人知道。因此，证明助手的旧思想变得至关重要。我正在这方面努力。因此，我希望这套书系，能将“旧的”严谨的逻辑和符号主义 AI 传统与现代机器学习的统计学方法结合起来。岑峰： 确实如此。数学是现代人工智能的基石。正如您所说，人们可能会失去理性，但我们可以利用数学来防止人工智能失去理性。我有一个关于人工智能与复杂性的核心哲学问题。您的书系也关注“科学与技术哲学”。现在我们看到了很多生成式人工智能 (Generative AI)，在多大程度上您认为这种生成式人工智能正在挑战我们关于知识、创造力和甚至现实的传统哲学概念？Klaus Mainzer： 这当然是一个非常关键的问题。根据我的经验，我们现在正处于机器学习（即统计机器学习）的全盛时期。但问题是，尽管统计学习如此成功，它是否完全符合人类思维的模式？我认为并非如此。原因在于，在工程科学中，工程师的成功并非通过精确模拟自然实现的。想想鸟的飞翔。最初，工程师们认为“我们必须模拟鸟”，结果失败了。后来他们有了新的想法：必须考虑空气动力学的基本原理，即数学方程。然后，利用这些方程找到完全不同的方法——我们今天的飞机，可以承载数吨的重量飞上天空，这在自然界中是不可能的。我的观点是，工程学上的突破，对于汽车等也同样适用。最初他们试图将模拟马，但后来他们发明了电动机和其他完全不同的电机。在现代机器学习中，我们发现它仅仅是受神经网络的启发，但工程师对解释人脑并不感兴趣。现在的神经网络中，有很多发明是为了提高效率的规则，这些规则从未在人脑中被发现。例如，如果一个神经网络在技术上是成功的，它的架构可能与我们已知的人脑完全不同。例如卷积网络 (Convolutional Networks) 非常成功，但在人类或动物的大脑中从未发现过。这也是我对统计机器学习的观点：目前的统计机器学习非常成功，但它是通过使用大数据和海量数据来实现的。然而，回顾科学史你会发现，牛顿并没有海量的数据。伏尔泰所宣传的经验主义并不准确（编者注：伏尔泰在《哲学通信》中，提到了牛顿在花园中看到苹果掉落，从而想到了万有引力这样的故事，但科学史学者们普遍认为这个故事是后人加工上去的，用来形象化牛顿的灵感）——即人们认为自然科学家观察自然，收集数据，然后有了天才的想法。实际上，引力定律并非通过观察苹果落地发现的，牛顿是将开普勒定律与他著名的力学第二定律（一个理论公理）结合起来找到了这个理论模型，然后一切都可以得到解释。爱因斯坦的著名方程也是如此。爱因斯坦的数据也很少，他的预测当时看来是“疯狂”的，但如今它被证实成为定律。我的观点是，统计方法依赖于海量数据和算法。这不是人类的创造力。 尽管人类智能的某些部分确实通过从数据中学习而起作用，但现代 AI 凭借的是通过惊人的海量数据取得成功，而我们的人脑没有能力做到这一点。举一个非常实际的例子，如果牛顿拥有 ChatGPT 或 DeepSeek，他的策略将是获取关于此类效应的世界上所有的信息，然后它会寻求（模拟出）一个公式。然而，如果你让一个聪明的年轻人来解决某个问题，他们有时会提出连老师都感到震惊的解决方案。那是人类的创造力，它不能完全用统计学来解释，例如因果思维 (causal thinking)。因果思维正是我感兴趣的地方。这与我解释的牛顿和爱因斯坦的思路是一致的。这意味着，在自然界或社会中发现新定律，不仅是通过汇总数据和学习算法，而是通过因果思维。举个例子，在医学中，找到某种化学物质与癌症中肿瘤生长之间的统计相关性并没有那么有趣。更有趣的问题是：导致癌症中肿瘤生长的原因是什么？ 只有找到因果模型的根源，才能找到成功的治疗方法。是的，这不是现代机器学习乍看之下采用的方法。虽然有其他方法，例如马克斯·普朗克研究所就在从事因果学习研究，可以从数据中识别因果关系的模式。我的想法是，未来我们将拥有一些程序，至少在受限领域内，具有特定特征和特性，例如医学的专业领域，你拥有满足这些特征的海量数据，然后你有一个工具可以识别这些特征的因果交互和因果关系。当然，这还不能与牛顿和爱因斯坦的伟大发现相比，但至少在未来，这些受限领域将能够实现因果思维。这是机器学习发展的一个新方向，它不是统计机器学习。我的观点是：统计机器学习不是最终的答案。 它现在非常成功。但在未来，我们需要新的突破，以继续发掘人类创造力的无限潜力。岑峰：是的，没错。人类可以用很少的数据获得知识，但人工智能目前还不能。Klaus Mainzer： 目前为止是这样。这也是我最后一张幻灯片上的观点。我们永远不要说“永远不”。这是对形式化思维的限制。我记得的学生时代，刚接触哲学时，一个成见是：“这家伙是学数学和逻辑的。首先我们会告诉他，‘自哥德尔以来，形式化是受限的。’”我说：“胡说！”我的博士研究是关于图灵那些天才的早期想法。图灵的博士论文不是那篇著名的不可判定性论文，而是一篇关于证明论和现代证明论早期步骤的论文。图灵提出了他的初步想法，与哥德尔非常相似——通过更高复杂度的程度来扩展经典证明系统，以探究超越不可判定性问题的范畴。哥德尔证明了形式算术的相容性 (consistency) 不能通过理论本身的方法来判定。但一位早逝的著名德国逻辑学家格哈德·根岑 (Gerhard Gentzen)提出：如果我们将数学归纳法不仅扩展到自然数，还扩展到所谓的超限数 (ordinal numbers)，那么你就可以证明相容性（编者注：根岑1936 年经典论文《算术一致性的证明》首次引入超限归纳到序数 ε₀，用序数归纳法给出一阶皮亚诺算术的一致性证明，正是“哥德尔之后第一条通向‘超越不可证性’的路线图”，1945年去世，年仅36岁）。这表明存在一个超越限制的世界，你可以继续前进，克服极限。我记得我的哲学家同事们对这种发现并不开心，他们会觉得，哦，我们现在有了限制。对于机器学习来说也是如此。他们会和我解释：“哦，机器学习和统计学不能解释人类的创造力。”是的，只能在某种程度上做到，但它是可以被克服的。岑峰：我们看到像 OpenAI、谷歌这样的大公司正在对通用人工智能（AGI）进行大规模投资。您如何看待这种 AGI ？在您看来，实现 AGI 的最大障碍是技术挑战还是根本性的哲学问题？Klaus Mainzer： 是的，这正与我之前解释的思路完全一致。总而言之，永远不要说得太绝对。AGI 也许是可能实现的，没有人确切知道。但我能做的——这也是我的任务所在——就是非常严谨地分析特定工具的局限性。我们所有的算法都是工具，我总是首先有兴趣以严谨的方式确定工具的限制。这是一名工程师的任务：你有一个自古就有的好工具，但锤子不能用来解决所有类型的问题。对于这些现代的、高度精密的算法来说也是如此。但如果你知道了极限，你就可以寻求扩展。现在回到通用人工智能的问题，如果通用人工智能意味着人类的能力，那么我们必须考虑一个关键点：我们所有的方法，数学方法，都是模拟 (simulations)。这意味着，即使在现代机器人中，我们可以模拟聊天机器人的说话，以及移动等等。你可以训练一个机器人。例如，舞者和艺术家身上配备传感器，获得大量数据模型，计算机和机器人就可以模拟这些数据，以越来越优雅的方式跳舞。但现在谈到通用人工智能的哲学问题。舞者所表达的不仅仅是模拟，它是一种表达——舞者现在表现出的关键点是情感 (feelings)。这不仅仅是模拟，这是一种情感。我毫不怀疑机器学习可以模拟各种情感表达。但是，区别在于创造力。例如，一位作曲家，他也需要有某种情感。著名的作曲家贝多芬，在维也纳森林中散步时被那里的氛围所启发，创作出了他著名的《田园交响曲》。这是一种灵感。当然，作为一名受过技术训练的作曲家，他受过训练，能够像数学家一样以严谨的方式写下音符的序列。著名的数学家不仅要能够写出正确的公式。想要成为贝多芬，或者成为高斯 (Gauß) 这样的著名数学家，你必须要有想法。而这种创新是非常不同的东西。如果现代机器学习能够进行创作，那么它最终总是处于模拟的范畴。岑峰：机器没有情感，只能做到模拟。Klaus Mainzer： 是的。在哲学，尤其是在现象学中，我们称之为具身性 (embodiment)。从最早的胡塞尔（Husserl）启发了梅洛-庞蒂（Merleau-Ponty）的相关研究（编者注：胡塞尔是现象学创始人，在他后期的发生现象学中早已提及了具身性，并将其指向知觉具身），而当代讨论中，有德雷福斯 (Dreyfus) 的研究，他们都强调了具身性。这意味着人类也有某种情感影响。现在关键问题是：这对于通用人工智能是一个绝对的限制吗？也许在未来，我们能够创造出类似活体组织的东西，这属于神经生物学范畴。神经生物学也在发展，我们越来越有可能创造出人造细胞、活细胞。因此，在未来，也许我们能够创造出具有新的化学能力并拥有这些情感（即某种经验）的有机体。这样，最终就有可能拥有这些具身化的实体，它们也能够具有创造力。直到现在，这听起来像科幻小说，但实际上，对我这个哲学家来说，它处于潜力的范畴内。问题是：我们应该这样做吗？ 去创造拥有自己的进化、自己的具身性、自己的情感的有机体？过去有一部非常有趣的科幻电影叫《机械姬》 (Ex Machina)。这正是片中的情景：天才计算机科学家与他的造物（非常聪明的女性）生活在一起，这些造物有自己的感情，然后她们有了自己的意志。这有点像《圣经》里上帝和他的造物之间的关系。我认为这在未来不会被排除，但它将对我们构成伦理和法律方面的挑战。工程技术不是全部。我们应该允许这种创新发展到什么程度？这将是一个重大的讨论。岑峰：具身化 AI 现在是个热门话题，也许未来机器能够表达情感。正如您所说，永远不要说得太绝对。我们正在超越摩尔定律，我们正在打破冯·诺依曼架构。未来也许可以实现。但是，随着 AI 变得越来越精密，我们应该如何重新定义“智能”本身？图灵测试是否仍然是一个相关的基准？或者我们需要新的框架来理解我们正在创造的这种非人类智能？Klaus Mainzer： 我的观点是，从数学的角度来看，即使是现代 AI 机器学习，实际上也基于图灵的风格。如果你严谨地考察一台现代超级计算机，它的硬件虽然略有不同，现在有 CPU、GPU，它的速度更快，但原则上它仍然是冯·诺依曼架构。这属于图灵风格，因为在图灵机中，你已经有了处理器/控制单元与存储器等的分离。在硬件基础的第一层，它仍然是可计算函数 (computable function) 的理论。因此，直到今天，理论计算机科学的学生在教育中仍然学习可计算函数理论。因为那是数学基础，而这个基础是基于图灵的——这是我的观点。现在我们有惊人的计算机科学应用，这一点通常被遗忘了。那些厌恶数学的人，他们不知道在基础层面，有数学，有可计算函数理论，这一点从未改变。所以，我们仍然处于图灵风格。如果我们能实现具身化，这种情况或许会改变。图灵绝对是个天才。图灵在他生命的最后几年，遭遇了可怕的不公，很早就去世了。在他去世前两年，他发表了两篇关于复杂系统的完全不同的论文。论文标题是《形态发生的化学基础》 (The Chemical Basis of Morphogenesis)，一个完全不起眼的标题。但他的工作正是我一开始谈论的话题——复杂系统。很少有人意识到这也是图灵的工作。图灵的想法是考虑一个非常简单的化学反应系统，并考虑其中的耗散相互作用 (dissipative interaction)。他证明了，如果这两个单元以耗散相互作用的方式耦合，系统就会失稳。但接下来几年后，著名的美国数学家斯蒂芬·斯梅尔 (Stephen Smale) 提出了一个想法，他将图灵的线性方程系统推广到非线性系统。在线性只能证明失稳的情况下，他在非线性的情况下，数学上能够证明存在混沌解。这意味着复杂的结构正在涌现——这是一个突破。而我们所做的工作（我对此发表过论文），是将这种方法推广到所有类型的反应-扩散方程。然后我们可以说，对于这类微分方程，我们至少可以解释和计算所有类型的复杂结构涌现。我在这里想强调的是：即使是我书系的另一个主题——复杂系统，不仅是人工智能，实际上也植根于图灵的思想。在（这两者）的起源上，他都是开山祖师爷。计算机科学家通常没有意识到这一点，因为他们通常不知道图灵后期的这些论文。岑峰： 您在演讲中强调了量子计算。您是否认为，量子计算将在未来十年对人工智能产生深远的协同效应？或者您认为还有哪些技术能对人工智能产生类似的协同效应？Klaus Mainzer： 是的，我是这么认为的。这也是我在讨论中被问到的，即类神经形态计算 (neuromorphic computing) 与当今另一个非常热门且被广泛讨论的重大前景——量子计算 (quantum computing) 之间的关系。量子计算将机器学习与 20 世纪自然科学的另一大突破连接起来——除了计算的开端之外，物理学的另一大突破是量子理论。量子物理学很重要，因为它描述了我们已知宇宙的基本定律。这是伟大的物理学家费曼 (Feynman) 的想法。他提出这一理论的时间比较晚，大约在 60 年代，他说：“经典计算机只是在模拟经典世界。让我们对量子世界也这样做吧，因为据我们所知，真实世界（物理世界）是量子的。”这就是当今量子计算的基本思想。现在我们正处于发展阶段，将 20 世纪的这些基本思想应用于量子计算。回到我的书系标题——新兴技术 (Emerging Technology)。20 世纪是科学基本思想发生惊人变化的一个世纪：相对论、量子物理学（主要由理论家用极少的数据得出），以及图灵的计算理论。但我认为，21 世纪主要由工程技术主导。这就是为什么我书系标题的第三部分——新兴技术的突破——专注于量子计算。量子计算目前正处于我们已经估计到的阶段，即它的理论基础大多来自 20 世纪。现在建造量子计算机非常棘手，但它正在越来越多地被实现。虽然我们尚未实现实用化的量子计算机，但我们现在处于一个阶段（我所在的大学研究团队正在进行这方面的研究），即量子形式体系已经被用来在经典计算机上模拟量子计算，即在超级计算机上。超级计算机仍然是图灵机，它非常强大，虽然不如量子计算机强大，但可以在一定程度上模拟量子计算。当然，这需要经典计算消耗大量的能量和数据。量子力学令人惊叹，它具备叠加原理 (superposition principle) 等新的原则，将经典物理学的可能性远远地扩展开来。近几年的诺贝尔奖，包括去年和今年，它们都与这些突破有关。岑峰： 是的。Klaus Mainzer：量子隧穿 (Quantum tunneling) 作为量子力学的一种可能性，自上个世纪就广为人知。叠加原理等也是我之前提到的观点。但现在我们找到了技术应用。就创新而言，在古老的欧洲大陆，人们有很多美好的想法，或者说，这些想法大多是在欧洲发现的。但技术突破，我们不能说完全没有，但（这些突破更多的）不在欧洲，而是在美国或中国。例如量子通信。其思想可以追溯到欧洲。它源自尼尔斯·玻尔 (Niels Bohr) 到爱因斯坦（当时仍在欧洲）的思想，即 35 年的爱因斯坦-波多尔斯基-罗森 (EPR) 佯谬。它在 80 年代初也由法国的阿斯佩 (Aspect) 在巴黎得到证实，那就是量子纠缠 (entanglement) 的证实（编者注：阿斯佩小组把量子纠缠从哲学争论变成经实验检验的自然科学事实；这也被视为“第二次量子革命”的起点，直接催生了后来的量子信息学）。后来，将量子纠缠用于量子通信的想法也在欧洲产生，由来自维也纳的诺贝尔奖得主安东·蔡林格 (Anton Zeilinger) 等人提出。他是一名物理学家。在欧洲迈出了第一步。但最终是中国实现了它，因为他有一位来自中国的合作者，现在他在这里领导着量子互联网、卫星技术等重大研究项目（我的最后一张幻灯片就是关于这个的）。岑峰： 您是指潘建伟吧，他在欧洲学习过。Klaus Mainzer： 是的。这是一个我们欧洲必须讨论的难题，我们称之为经济创新 (Economic innovation)。创新不仅在于想法。例如，特斯拉 (Tesla)这位天才工程师。他是一位创新者，但后来为了成为一个成功的工程师，他去了美国，并在那里将想法推向市场。另一个例子是火箭。火箭是在德国由冯·布劳恩 (Wernher von Braun)，在我们历史上非常黑暗的时期发明的。但在二战结束后，他去了美国，并与约翰·F·肯尼迪 (John F. Kennedy) 一起建造了登月火箭。这就是创新。如今的中国也是如此。我无法解释，但这是必需的。我认为，突破是 21 世纪的典型特征。因此，在我的书系中，不仅关注复杂系统和人工智能等复杂问题，还关注新兴技术——这是我们这个世纪的愿景。岑峰： 我还有一个关于 AI 社会影响的问题。可解释性 AI (Explainable AI, XAI) 是一个关键点，但在实践中，我们经常面临模型性能与可解释性之间的权衡。我们应该如何解决这个问题，特别是在医疗或司法等高风险领域？Klaus Mainzer： 医疗领域。我的演讲中提到过一个与不可判定性 (undecidability) 等理论问题相关的应用，这些问题可以通过类神经形态计算 (neuromorphic computing) 来克服。当我向工程师和那些从事应用技术的人士（公司中的人）讲述这些时，他们会说：“哦，这很有趣，但不重要。”他们认为数学家知道某些问题可以通过新方法解决是件好事，但这对实践没有影响。然而，最近，大约一两年前，在慕尼黑的一个研究小组中（我也参与了一点），我们发现这些不可判定性问题对医学有实际影响。在医学中，日常应用是医学影像 (medical imaging)。影像意味着对原始物体（例如一个器官）进行了有噪声的测量。现在的问题是：是否有可能从这些有噪声的测量中重构出原始物体？准确度能达到什么程度？这是一个典型的最小化问题（从数学上讲），因为需要最小化噪声。准确度能达到什么程度？这是机器学习的典型课题，因为神经网络可以通过越来越好的样本进行训练，以逼近原始物体，从而实现重构。但实际上，可以通过数学证明：原则上，数字计算机只能实现一定程度的逼近。现在，医生们问我：这对我们有什么实际影响？因为我们没有像数学家那样追求严谨的逼近，我们只要在某种程度上满意就行。但我的观点是，医学的目标是变得越来越可靠，因此对准确度的要求正在提高。所以，对于实际使用而言，一个重要的应用是：这种精确重构只能达到一定程度，因为从数学意义上讲，你可以证明逼近存在一个下限。另一方面，类神经形态计算原则上可能实现这种逼近。所以，在数学中，你总是能得到什么是可能、什么是不可能的先验框架。我认为这对实践者来说是一个重要的信息，当然，这也取决于具体的实际应用。我的观点是：这就是这些理论与实际应用之间的联系。当然，大家都知道现代计算机科学、机器学习在外科手术、训练机器人等实践问题上的惊人应用。我们正在慕尼黑筹备明年年初关于超级计算机在医学、天文学等领域的会议。这些计算结果正在促成新的突破。这一切或多或少都取决于计算能力。岑峰： 这正是人机协作为何如此重要的原因。所以，我们的教育系统最迫切需要哪些根本性变化，才能让下一代具备“AI 素养”和“系统思维”？Klaus Mainzer： 这是我演讲中的最后一点：教育系统。我们应该怎么做？我的经验是：几年前我在牛津做了一个演讲。之后我们讨论了教育问题。在英国，人们告诉我，他们的经验是：计算机科学教育犯了一个很大的错误/没有达到目标。我的同事在十年前也对我说：计算机科学家，尤其是在欧洲，通常只接受了编程训练。因此，他们缺失了物理学家所具备的典型特质。物理学家被训练去建立世界的模型——无论是物理学、经济学还是其他领域。然后他们被训练使用复杂的数学工具将模型形式化。最后，这种数学形式化可以被编程——这就是计算机科学。所以，计算机科学缺失的是这种建模的能力。这是我们未来迫切需要的关键点。历史上那些突破都是由同时具备这两种能力的人实现的。有时物理学家数学功底深厚，很聪明，主要通过自学完成了计算机科学训练。但计算机科学家必须非常谨慎。至少在德国是这样……但我想说的是：他们缺乏拥有直觉、建立模型并用数学描述这种关系的能力。因此，物理学仍然是基础。你最终不必成为一名物理学家，但这种起源于牛顿和伽利略的观察世界的思维方式（至关重要。后来，化学家从懂得建模的物理学家那里学习。再后来，生物学家也提出了建模世界的想法，我提到了反应-扩散方程，用这种方式对有机系统进行建模。如今，即使在医学中，这种思维方式对于突破也是至关重要的。所以，对于教育来说，我们需要教育项目来连接和整合不同领域的教育。这意味着计算机科学家也要在建模方面接受训练，而物理学家也要在计算科学方面接受训练。在第二场演讲中，你可能会观察到：这个群体传统上是电气工程师，他们过去负责社会的电气化，但现在他们找到了与计算机科学的接口，并进而找到了与 AI 的接口。因此，现代电气工程师也要接受计算科学的训练，反之亦然。我强调的是：这是我整个学术生涯中的趋势。我一直在要求整合这些不同的方法，即跨学科方法，因为我从科学技术史中观察到，伟大的突破总是发生在这些跨学科领域的边界上。这是我对未来的想法。岑峰： 您正在中国访问，您最期待与这里的学者和学生讨论什么？您对年轻研究人员和学生最重要的建议是什么？Klaus Mainzer： 对于年轻研究人员和学生，正是我的上一个观点：要保持开放心态 (To be open-minded)。当然，你必须有所专长。你必须从一个特定领域开始，然后尽好自己的职责。这取决于你的能力：如果你对医学感兴趣，就做医学；对物理学感兴趣，就做物理学；对电气工程感兴趣，就做电气工程。但随后在你的职业生涯中，至少在博士阶段，要保持开放的心态。因为新的突破并非发生在笔直的道路上。不要期望你的硕士论文能解决你未来职业生涯的所有问题。世界正在变化。保持开放的心态。你需要一些工具。这是我自己的经验。我从逻辑学和数学开始，但随后，在我的发展过程中，我看到了所有这些新的发展开辟了新的道路。我刚开始时对那些领域一无所知，但我在生活中也非常渴望学习。我看到了与这些领域有趣的连接，然后我就去做了。我认为这是我的个人经验，但从普遍的角度来看，这也是必要的：伟大的突破需要寻找连接。例如，我现在很多年长的同事朋友都是学医出身。我从医学中学到了很多。我之前一无所知。我总是对人体的复杂性怀有极大的敬意，因为我的物理学和数学训练让我对复杂系统有了很好的想法。但如果你是一名医生，哪怕是一名普通的医生，你也会惊奇地观察到：人体的反应是如此复杂，令人难以置信。这意味着你每天都会被一些你理论洞察力从未预料到的效应所震惊。所以我现在对医学非常热衷，因为它所表现出来的复杂性太令人惊叹了。岑峰： 最后一个问题。展望 AI 时代人类的未来，您认为我们应该问自己的最重要的问题是什么？Klaus Mainzer： 我解释了人类在未来所有的可能性。未来是开放的 (The future is open)，这也是一种要求，因为这是过程的本质。如果我们试图用僵硬的限制来阻止人类的创造力，这是徒劳的。我们这个物种是如此渴望探索。这是人类这种创造力的典型特征。我们无法停止。无论是伽利略被教会迫害，还是所有类似事件，都说明人类的创造力是无法被阻止的。这是我们物种的典型特征，也是我们物种的成功之处，这是第一个方面。但第二个方面是洞察力：我们人类在这个地球上是独特的/的。这就是我们在科学技术史上观察到的能力。这意味着我们这个物种负有责任 (responsibility)。我们是地球上唯一最终能够帮助拯救我们的星球、并影响其进一步发展的物种。我们也有摧毁的能力，比如原子弹。因此，归根结底，我们拥有许多能力，即人类的创造力，但伦理层面也很重要。可以说，我们对气候危机、对地球的能源问题也负有责任。责任是我的第二个重要呼吁 (plea)。这意味着我们必须意识到我们的力量，但也要意识到我们在整个地球和所有物种面前的局限性。我们必须同时考虑这两个方面。完整采访：https://youtu.be/E8H7jzKO0do![]()
具身智能的“生命线”：数据基石与未来路径 | GAIR Live 017
当智算变局到来，我们该如何 “用对” 算力？| GAIR Live016
未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！
公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。
阅读原文
跳转微信打开
