近日,我與阿萊克斯·彭特蘭教授(Alex Pentland)展開了一場”AI如何重塑人類社會”的精彩對話。
《連線》雜誌的資深撰稿人威爾·奈特(Will Knight)主持了這場對話。
阿萊克斯·彭特蘭教授任教于麻省理工學院,為全球大資料權威專家之一,現任MIT連接科學研究所主任、MIT媒體藝術與科學教授,擁有“可穿戴設備之父”、《福布斯》“全球七大權威大資料專家”、《麻省理工科技評論》“年度十大突破性科技”兩度桂冠獲得者等頭銜,曾參與創建MIT媒體實驗室,是全球被引述次數最多的計算科學家之一。
對話金句:
李開復:
AI最大的機會蘊藏在與傳統企業的結合中,這種價值的產生極其迅速,只需要幾個月,甚至短短幾周。
未來突破很難預測,對奇點、超級智慧的爭辯,在我看來都過於樂觀了。
小型AI公司與巨頭競爭,我的建議是找准巨頭沒有平臺優勢的細分領域,為某個針對性產業創造價值,不要與巨頭核心業務正面硬碰。
阿萊克斯·彭特蘭:
AI絕非試圖取代人類,而是促進多元文化之間的相互連接、團隊合作,讓人們更好的進行社交和連接彼此。
最困難的其實是說服人們改變商業流程去使用AI,因為大多數人是墨守成規的。
人工智慧有朝一日可以取代人類所有的能力,但是這個過程會非常漫長,可能需要上百年或更久。
我在對話中表示,當我們試圖解決AI問題時,應該用技術來解決技術的問題,可以尋求與監管部門協作,而不只是丟給他們,“新技術會衍生新的問題,我們應該多方嘗試用更進階的技術性解決方案,就像電腦病毒剛出現時,殺毒軟體隨之誕生。”
彭特蘭教授認為,人工智慧的核心,是促進多元文化之間的相互連接。不只是工程師或科學家,連經濟學家、政治家都必須參與進來。“國家之間應該促進合作、制定互通標準,就像TCP/IP互聯網協定那樣,避免AI冷戰。” 我們都贊同,AI發展從來不是單打獨鬥,跨學科思維、跨領域合作尤為重要。 這場對話是麻省理工學院中國創新與創業論壇(MIT-CHIEF) 組織的高峰對話系列活動,主題是《計算與未來: AI與資料科學如何重塑人類社會》。
麻省理工學院中國創新與創業論壇(MIT-CHIEF)由麻省理工學院的中國留學生創立,至今已有十年,是北美歷史最悠久的、由高校學生組織的中國創新創業論壇。系列高峰對話邀請了頂級科學家、投資人及創業者,共同探討科技創新及商業化過程中面臨的挑戰。
以下是我們對話的核心內容,由我的同事整理、分享給大家:
Part I 主題演講
▌李開復:各方應協作,讓AI 更務實
非常榮幸再次受到MIT-CHIEF的邀請,對於人工智慧的看法,這次我主要想講四點。
第一點是我書裡的主題,人工智慧的超能力。我們已經從人工智慧的發明期步入應用期階段,從應用落地層面來說,正迎來了AI發展最大的機遇。
很多科技公司目前已對人工智慧進行了多樣化佈局,從視覺、語言、觸覺和其他感知技術,到自動化機器人、無人駕駛等,對很多領域開啟了深遠的影響。雖然眼下所見的AI應用仍有局限性,但我預測未來的格局會非常龐大,依據統計,各行各業採用AI的程度目前不到5%,AI應用的中長期增長曲線相當可期。
第二點是我很欣喜看到的一點,AI正在和傳統行業深度融合。隨著人們對人工智慧的瞭解越來越多,更多的AI公司湧現出來。
AI最大的機會蘊藏在與傳統企業的結合中,創新工場也正在説明金融、製造、物流、零售、醫療等行業的公司進行AI變革。
作為AI投資人,我認為在這些行業如果找到正確的AI應用方向,就能帶來上千萬的回報。這種商業價值的產生是極其迅速的,通常只需要幾個月,甚至短短幾周就能看到成果。
現在人工智慧在傳統產業的滲透率仍在個位數,仍然有很大的提升空間。然而對於很多公司來說,它們需要的是高度定制化的方案,而非通用型AI方案,所以融合的過程中,不可避免會遇到不少挑戰和痛點。
第三,我早年做過很多科研工作,很高興能看到關於系統一和系統二(System One, System Two)的討論,我們期待人工智慧技術從系統一升級為系統二,即從識別、決策、優化等能力,升級到感知、認知等進階智慧的能力。
有不同的學派都在努力讓人工智慧更接近人類智慧,其中一個流派主張回歸經典的AI理念,甚至重新構建嶄新的模型結構,在深度學習技術的基礎上利用人類的知識。但我更支持另一個理論——深度學習的潛力還沒有完全釋放。
回看人工智慧過去60多年的歷程,最大的突破來自於計算能力和資料量大增而產生的可擴展演算法。我們看到了卷積神經網路(CNN)帶來的喜人成績,還有預訓練自然語言處理模型(Pre-Trained Models for Natural Language Processing)的廣泛運用。
預訓練模型與人類語言學習的模式類似,不管是英語還是中文,在習得這些語言之後,再去學習程式設計、藝術、化學。在無人監督的學習環境中,這種模式比我們想像得還要強大,就像阿爾法圍棋(AlphaGo)一樣。
最後一點我想說的是,如何讓AI變得更務實。
AI有很多問題,例如隱私、資料安全、治理和監管,在此就不一一討論了。當我們試圖解決這些AI難題時,有人認為讓監管部門加強管理是唯一辦法,其實不然,我們是否也可以朝著研發更厲害的技術性解決方案去努力?
就像電腦病毒剛出現時,殺毒軟體隨之誕生;面對千年蟲難題時,也迅速找到了技術應對方案。我們可以通過研發新技術,應對DeepFake深度換臉程式的挑戰;或者通過聯邦學習技術,在保證資料私密性的同時,滿足深度學習訓練需求。
作為握有技術能力的群體,我們需要與監管部門一起協作,而不只是把工作丟給他們。相信有了各方的助力,我們可以讓AI的應用變得更有深度,更加務實,更高效地克服現在面臨的種種問題。
▌阿萊克斯·彭特蘭:國家間應建立互通標準,避免“AI冷戰”
我對當前的深度學習技術不太樂觀。
最為主要原因是,深度學習不僅需要龐大的資料來源,而且要求這些資料長時間恒定不變,以保證模型訓練結果的可靠性,例如人類的面容、語言,就是相對穩定不變的資料來源。
但深度學習卻沒法應對快速變化的真實情況。亞馬遜在新冠疫情蔓延速度暴增時,出現了倉庫貨物緊缺,不得不停止送貨服務。這種經過深度學習高度優化後的系統發生崩潰,就是因為快速變化的疫情,和深度學習對恒定資料來源的需求是矛盾的。
另外,我想談談如何通過聯邦學習,促進資料的流通。
大多數公司沒有足夠豐富的資料,需要聯合不同的資料來源。基於這種需求,出現了很多新商業模式,比如“資料經紀人”——他們不出售資料,而是把資料借出去,作特定需求的使用。
“資料經紀人”業務湧現了很多,他們促進了資料的流通,也加強了資料的隱私性。因此,像聯邦學習這樣的技術和商業策略結合,有效解決了資料在合規性和所有權方面的難題。
聯邦學習也依賴於新的基礎設施建設,為資料應用和深度學習提供基礎環境,比如區塊鏈技術。現在世界上很多國家在做相關系統的建設實驗,新加坡等國家設置了一種相互競爭的區塊鏈系統,來解決支付和物流問題。我們最近也幫助瑞士做了類似的實驗,涉及不同資料的互通性和連貫性問題。
我們仍在研究如何用儘量少的資料,實現人工智慧的目標。少量資料是指不斷更新的短期資料,這些資料能使AI應對迅速變化的情況,並及時做出調整。
我們打算將AI與其他基礎科學結合,例如阿爾法圍棋(AlphaGo)就是這類結合的初步嘗試。這些方法不依賴于大量恒定資料,可能會比深度學習更加強大。
除此之外,我們在探討用AI保障聯邦學習過程中不同資料方的權益,這是實現不同國家之間的互通性、支付信任度、物流運輸等方面合作的關鍵前提。
另一方面,我們探索如何將AI技術應用於加密資料上。我們和大公司以及政府密切合作,找出解決系統入侵和保障網路安全的方法。
我同時花了很多時間研究與政府的合作。政府很多時候不知道如何通過大資料做決策,也不知道如何進行資料優化。而AI能夠幫助政府實現更高的效率,比如聯合國現在已經有了很多可持續發展目標的相關評估指標,世界經濟論壇也可以為會員國提供不同的標準測算。
基於我們已有的多中繼資料庫,現在可以利用AI實現全新的資料優化方式,將貧困、不平等這種之前無法量化的指標,通過可量化的指標進行評估。
同時,要真正實現這個目標,我們還需要制定統一的互通性標準。如果沒有這個標準,國家之間就不會相互信任去合作,就可能出現AI冷戰。
因此我們需要找到促進合作的方式,就像TCP/IP互聯網協議那樣。而之前我提到的,新加坡、瑞士等現在正在嘗試的區塊鏈系統,將有希望解決國家間缺乏互通標準的問題。
Part II 對話
▌ 美國線上教育發展難度更大,只在ZOOM上講課是不夠的
Q1:疫情加速了行業的改變,遠端醫療、線上教育開始蓬勃發展,這只是AI對人類社會產生影響的冰山一角。想請兩位談一談,目前看好AI在哪些領域應用的未來前景?
李開復:疫情的確對整個社會產生了實質性的影響,人們行為習慣發生了很多改變,更願意接受線上學習和工作了。
這種新的行為習慣產生了大量資料流程,為AI應用帶來了更多可能性。比如大健康領域以及遠端醫療中所產生的資料,可以訓練更智慧的模型。同時更多人開始在基因組學、新藥研發方面結合新的AI技術進行研究,因此我相信AI在醫療健康領域的潛能是非常巨大的。
AI與教育的結合也很值得期待。一方面可以説明老師處理重複性的日常事務,例如批改作業,讓老師得以將時間精力投入到更有創造性的事情上,能更悉心地為孩子提供優質教學。另一方面可以提高學生的課堂參與度和積極性,比如設置卡通版AI虛擬老師,讓課程充滿趣味性。
在中國,有很多線上教育公司在疫情之前就已經發展迅速,像創新工場投資的VIPKID,讓國外的純正英語老師線上上教授中國學生。目前,中國的線上教育已經擴展到了更多科目,包括體育、舞蹈、書法等素質教育課程。
相比之下,美國線上教育發展的難度會更大。畢竟只在ZOOM上講課是不夠的,好的線上教育必須要有好的內容。
▌AI核心是增強人際互聯,應注重文化多樣性
阿萊克斯·彭特蘭:李開復博士提到的教育案例,我不是很認同。
MIT大約20年前就在教育中使用AI,重點根本不是內容,我們甚至提倡將內容免費開放給大眾。
AI絕非試圖取代人類的作用,我們更強調用AI增強人與人之間的互動,讓人們更好的社交和連接彼此。比如手機上人工智慧技術,不是要取代你,而是讓你高效地找到最適合的工作、最正確的人,讓你更容易的獲取資訊,並進行創新。
我們可以利用資料激發更強的創新力,培養領導力。只有基於這樣的宗旨,才能促進更有創造力的教育和學習,這比關注教育內容本身重要得多。
在加拿大,有家創業公司正在訓練普通民眾學習AI,比如水管工,教學效果非常不錯。他們的教育方式不是簡單的教授基本知識,而是以一種能夠激發人們互動思考的方式。
我們之前在中國調研了3000多個孵化器,發現創業公司成功的要素裡,第一個是文化多樣性,也就是說創始團隊背景的複雜性和多樣性。第二個是團隊成員專業的多樣性,他們能否發揮自己所長,並很好地進行團隊合作。
1956年,馬文·明斯基 (Marvin Minsky)提出了人工智慧這個詞。但我們對於人工智慧的理解,不應該只停留在“人工”層面,而應擴展到多元文化之間的相互連接、團隊合作,我把它叫做延伸智能(Extended Intelligence)。這也是我想強調的,人工智慧這個名詞有一定的偶然性,但它的核心點是增強人與人之間的互聯性。
▌AI未來突破難預測,奇點、超級智慧過於樂觀
Q2:未來十年AI有沒有可能取得重要突破?比如GPT-3近期展現驚人的能力。兩位認為未來的突破方向是什麼?
李開復:過去60多年來,深度學習是唯一的重大突破。在這之後,卷積神經網路(CNN)和GPT-3等都算是重要的改善,我對於人工智慧的漸進式改善保持樂觀。
對科學家來說,他們更期待著技術上的突破式進展。但我覺得未來十年基礎科研或許不會有大的突破。但模型相對容易,只要有大量的資料,就可以從實驗室進入到行業應用,CNN和GPT-3都是模型加海量資料的成果。
我是務實派的,雖然持有樂觀態度,但並不是一位“未來學家”。未來的突破很難預測,對奇點(Singularity)的爭辯,甚至預測超級智慧的出現,在我看來都過於樂觀了。
阿萊克斯·彭特蘭:我同意李博士的觀點。很多生物機制很難解釋,包括用感知認識事物、理解聲音、尋找食物等,是深度學習演算法做不到的。但深度學習可以研究科學、制定規則、研究理論,並進行實踐。
從務實的角度來說,我最感興趣的就是聯邦學習。就醫療而言,我們有這麼多醫院,在新冠疫情期間做了很多的實驗,為什麼這些實驗資料不能進行聯合呢?
儘管資料有不相容的地方,但這也是一個很好的機會去探究不同的資料之間的關聯性。在未來,我們對資料的需求也許會越來越少,外科醫生或者物理學家或許不需要太多資料,因為他們對規則已經瞭若指掌了。
▌不要墨守成規,要跨領域、跨學科應對挑戰
Q3:人工智慧會有什關鍵挑戰?對於想從事這個行業的人,有什麼是需要瞭解的關鍵點?
李開復:首先,大背景在改變,新科技層出不窮,我們每年都需要學習新的東西。
其次,人工智慧可能引起各種問題,包括偏見、歧視、倫理道德等,是否危害人類的身體健康,無人駕駛技術該何去何從等等。
第三,人工智慧的研發需要深刻地理解技術對社會、生活與人類健康會產生的影響。我非常欣賞斯坦福和MIT這樣的高校,能夠把AI教育擴展到各個學科,讓研發人員及早意識到自己的責任和價值。
阿萊克斯·彭特蘭:是的,我朋友做過一個有關電的趣味類比,電動馬達最初在工廠裡用於生產的時候,並沒有發揮出多大的作用,因為大家並不知道如何改造生產流程。
AI在一些領域發揮的作用是顯著的,但應用到其他領域時,就需要改造流程。很多情況下,最困難的就是說服人們改變商業流程去使用AI,因為大多數人是墨守成規的。
而有意思的是,就像李博士提到的,像MIT和斯坦福這樣的高校確實在認真嚴肅地對待這個問題。
比如,我今天早上正好就這個話題跟G20領導人對話,大家一致認為我們必須從跨領域、跨學科的角度去面對這個問題,不能只是工程師或者社會科學從業者們在做,經濟學家,政治家等等都必須參與進來緊密合作。
隨著AI的應用領域越來越廣,除了必須具備強有力的技巧來建立社會規則,還需要對研究經費、企業投入等進行各種調整。
▌雖然大公司實力不容小覷,但依舊對小公司抱有期待
Q4:AI研究會消耗大量的資源,我們是否應該將資源往學術界平衡?現在已經發生資源的重新分配和平衡了嗎?
李開復:就人才而言,現在已經有重新平衡的跡象了。
過去,頂尖大學的學者基於待遇和種種考量,不少選擇去企業界工作。而近期,曾任職於百度、海爾、位元組跳動等公司的數位優秀AI科學家已經回歸高校。
但像GPT-3這樣的技術,仍然不是大學和小公司能支付得起的。支撐GPT-3運行的電腦是世界算力第五的超級電腦。每進行一次演算法訓練,就要花費460萬美金,只有像騰訊、穀歌、微軟這個級別的公司才能負擔得起如此強大的算力。
我觀察到,近年的AI創業公司已經和5年前截然不同了。它們一般由AI科學家和商業人才共同創建,為了解決特定問題而生,並非紙上談兵做突破性科研,切入的領域也往往是巨頭公司忽略的地方。
例如,為製造業進行AI賦能,不是一件輕鬆的事,需要去工廠實地勘查,瞭解運作方式。大公司因為賺錢很容易,不願意做這些性價比低的苦活累活。這些小公司的努力一旦有了成果,就會給產業界帶來革命性的影響。所以,雖然大公司的實力不容小覷,但我依舊對小公司抱有期待。
阿萊克斯·彭特蘭:大學和公司是一種融合的關係,不僅體現在人才流動上,也會進行資訊資源分享,彼此是整體性的合作態勢。
當然這也不是絕對,產業界的保密需求還是存在的,只是從學校的出發點來說,我們願意毫無保留地為大家提供更好的研究成果,並與企業合作,形成標準化平臺。
▌人工智慧取代人類需要上百年或更久
Q5:兩位認為什麼是AI不能取代的?
李開復:一類是創造力、分析能力、邏輯辯論能力,瞭解自己知道什麼不知道什麼,這些是人工智慧無法取代的。另外一類是同理心,人類之間的信任、友誼,自我認知、意識等。
阿萊克斯·彭特蘭:人工智慧有朝一日可以取代人類所有的能力,但是這個過程會非常漫長,可能需要上百年或更久。
▌AI創業建議I:找到小切入點,不要與巨頭正面硬碰
Q6:李博士提到了AI在小企業中的運用,可否再舉例說明是如何運用的?
李開復:這個問題分兩部分:一個是小型AI公司與巨頭競爭,我的建議是找准巨頭沒有平臺優勢的細分領域,為某個針對性產業創造價值,並且不要與巨頭核心業務正面硬碰。
對於那些中小型非AI、但想應用AI的公司,需要確保有足夠的資料,以訓練與核心商業價值掛鉤的AI模型,並且有願意變革的開放性公司文化。
所以,早期應用AI的公司可能規模較大,因為他們有足夠大的資料,和可相容變革的商業模型。每個例子都不同,不是任何一家公司都要應用AI。
阿萊克斯·彭特蘭:如果我們放寬AI的定義,或許水管工、合同工都有資料,通過一些簡單的分析、整合,AI也可以在很大程度上改進他們的工作。
這些都是很小的切入點,基於簡單的AI分析、機器學習,依舊可以產生巨大的潛力。
▌ AI創業建議II:知曉技術,同時理解商業
Q7:兩位再分享一下最後的建議?
李開復:我們在步入一個AI開始滲透到方方面面的令人振奮的時代,我希望所有的學生們都能參與到這個改革浪潮中。要深刻地理解人工智慧的商業落地,而不僅僅鑽研技術本身。
阿萊克斯·彭特蘭:不要太較真於深度學習或者冗長的演算法,一切始於要解決的現實問題。不要止步於技術本身,要明白資料類型、形態和規律,關注商業流程。
感謝葉樂斐、劉諾、藍萱、張昊、陳冬傑、劉子昂、張梓煜、錢淩寒、水一方、沈雍在校譯和審閱上對本文的貢獻。
同時也有1部Youtube影片,追蹤數超過29萬的網紅超級歪 SuperY,也在其Youtube影片中提到,立刻加入頻道會員,實際行動支持超級歪:https://www.youtube.com/channel/UCAM7yIYvZGYLJR6z6RqLlNw/join https://www.facebook.com/Mr.SuperY/posts/864911513662518 #超級歪電影院暨贈書活...
普通 類語 在 李開復 Kai-Fu Lee Facebook 的最佳解答
近日,我與阿萊克斯·彭特蘭教授(Alex Pentland)展開了一場”AI如何重塑人類社會”的精彩對話。
《連線》雜誌的資深撰稿人威爾·奈特(Will Knight)主持了這場對話。
阿萊克斯·彭特蘭教授任教于麻省理工學院,為全球大資料權威專家之一,現任MIT連接科學研究所主任、MIT媒體藝術與科學教授,擁有“可穿戴設備之父”、《福布斯》“全球七大權威大資料專家”、《麻省理工科技評論》“年度十大突破性科技”兩度桂冠獲得者等頭銜,曾參與創建MIT媒體實驗室,是全球被引述次數最多的計算科學家之一。
對話金句:
李開復:
AI最大的機會蘊藏在與傳統企業的結合中,這種價值的產生極其迅速,只需要幾個月,甚至短短幾周。
未來突破很難預測,對奇點、超級智慧的爭辯,在我看來都過於樂觀了。
小型AI公司與巨頭競爭,我的建議是找准巨頭沒有平臺優勢的細分領域,為某個針對性產業創造價值,不要與巨頭核心業務正面硬碰。
阿萊克斯·彭特蘭:
AI絕非試圖取代人類,而是促進多元文化之間的相互連接、團隊合作,讓人們更好的進行社交和連接彼此。
最困難的其實是說服人們改變商業流程去使用AI,因為大多數人是墨守成規的。
人工智慧有朝一日可以取代人類所有的能力,但是這個過程會非常漫長,可能需要上百年或更久。
我在對話中表示,當我們試圖解決AI問題時,應該用技術來解決技術的問題,可以尋求與監管部門協作,而不只是丟給他們,“新技術會衍生新的問題,我們應該多方嘗試用更進階的技術性解決方案,就像電腦病毒剛出現時,殺毒軟體隨之誕生。”
彭特蘭教授認為,人工智慧的核心,是促進多元文化之間的相互連接。不只是工程師或科學家,連經濟學家、政治家都必須參與進來。“國家之間應該促進合作、制定互通標準,就像TCP/IP互聯網協定那樣,避免AI冷戰。” 我們都贊同,AI發展從來不是單打獨鬥,跨學科思維、跨領域合作尤為重要。 這場對話是麻省理工學院中國創新與創業論壇(MIT-CHIEF) 組織的高峰對話系列活動,主題是《計算與未來: AI與資料科學如何重塑人類社會》。
麻省理工學院中國創新與創業論壇(MIT-CHIEF)由麻省理工學院的中國留學生創立,至今已有十年,是北美歷史最悠久的、由高校學生組織的中國創新創業論壇。系列高峰對話邀請了頂級科學家、投資人及創業者,共同探討科技創新及商業化過程中面臨的挑戰。
以下是我們對話的核心內容,由我的同事整理、分享給大家:
Part I 主題演講
▌李開復:各方應協作,讓AI 更務實
非常榮幸再次受到MIT-CHIEF的邀請,對於人工智慧的看法,這次我主要想講四點。
第一點是我書裡的主題,人工智慧的超能力。我們已經從人工智慧的發明期步入應用期階段,從應用落地層面來說,正迎來了AI發展最大的機遇。
很多科技公司目前已對人工智慧進行了多樣化佈局,從視覺、語言、觸覺和其他感知技術,到自動化機器人、無人駕駛等,對很多領域開啟了深遠的影響。雖然眼下所見的AI應用仍有局限性,但我預測未來的格局會非常龐大,依據統計,各行各業採用AI的程度目前不到5%,AI應用的中長期增長曲線相當可期。
第二點是我很欣喜看到的一點,AI正在和傳統行業深度融合。隨著人們對人工智慧的瞭解越來越多,更多的AI公司湧現出來。
AI最大的機會蘊藏在與傳統企業的結合中,創新工場也正在説明金融、製造、物流、零售、醫療等行業的公司進行AI變革。
作為AI投資人,我認為在這些行業如果找到正確的AI應用方向,就能帶來上千萬的回報。這種商業價值的產生是極其迅速的,通常只需要幾個月,甚至短短幾周就能看到成果。
現在人工智慧在傳統產業的滲透率仍在個位數,仍然有很大的提升空間。然而對於很多公司來說,它們需要的是高度定制化的方案,而非通用型AI方案,所以融合的過程中,不可避免會遇到不少挑戰和痛點。
第三,我早年做過很多科研工作,很高興能看到關於系統一和系統二(System One, System Two)的討論,我們期待人工智慧技術從系統一升級為系統二,即從識別、決策、優化等能力,升級到感知、認知等進階智慧的能力。
有不同的學派都在努力讓人工智慧更接近人類智慧,其中一個流派主張回歸經典的AI理念,甚至重新構建嶄新的模型結構,在深度學習技術的基礎上利用人類的知識。但我更支持另一個理論——深度學習的潛力還沒有完全釋放。
回看人工智慧過去60多年的歷程,最大的突破來自於計算能力和資料量大增而產生的可擴展演算法。我們看到了卷積神經網路(CNN)帶來的喜人成績,還有預訓練自然語言處理模型(Pre-Trained Models for Natural Language Processing)的廣泛運用。
預訓練模型與人類語言學習的模式類似,不管是英語還是中文,在習得這些語言之後,再去學習程式設計、藝術、化學。在無人監督的學習環境中,這種模式比我們想像得還要強大,就像阿爾法圍棋(AlphaGo)一樣。
最後一點我想說的是,如何讓AI變得更務實。
AI有很多問題,例如隱私、資料安全、治理和監管,在此就不一一討論了。當我們試圖解決這些AI難題時,有人認為讓監管部門加強管理是唯一辦法,其實不然,我們是否也可以朝著研發更厲害的技術性解決方案去努力?
就像電腦病毒剛出現時,殺毒軟體隨之誕生;面對千年蟲難題時,也迅速找到了技術應對方案。我們可以通過研發新技術,應對DeepFake深度換臉程式的挑戰;或者通過聯邦學習技術,在保證資料私密性的同時,滿足深度學習訓練需求。
作為握有技術能力的群體,我們需要與監管部門一起協作,而不只是把工作丟給他們。相信有了各方的助力,我們可以讓AI的應用變得更有深度,更加務實,更高效地克服現在面臨的種種問題。
▌阿萊克斯·彭特蘭:國家間應建立互通標準,避免“AI冷戰”
我對當前的深度學習技術不太樂觀。
最為主要原因是,深度學習不僅需要龐大的資料來源,而且要求這些資料長時間恒定不變,以保證模型訓練結果的可靠性,例如人類的面容、語言,就是相對穩定不變的資料來源。
但深度學習卻沒法應對快速變化的真實情況。亞馬遜在新冠疫情蔓延速度暴增時,出現了倉庫貨物緊缺,不得不停止送貨服務。這種經過深度學習高度優化後的系統發生崩潰,就是因為快速變化的疫情,和深度學習對恒定資料來源的需求是矛盾的。
另外,我想談談如何通過聯邦學習,促進資料的流通。
大多數公司沒有足夠豐富的資料,需要聯合不同的資料來源。基於這種需求,出現了很多新商業模式,比如“資料經紀人”——他們不出售資料,而是把資料借出去,作特定需求的使用。
“資料經紀人”業務湧現了很多,他們促進了資料的流通,也加強了資料的隱私性。因此,像聯邦學習這樣的技術和商業策略結合,有效解決了資料在合規性和所有權方面的難題。
聯邦學習也依賴於新的基礎設施建設,為資料應用和深度學習提供基礎環境,比如區塊鏈技術。現在世界上很多國家在做相關系統的建設實驗,新加坡等國家設置了一種相互競爭的區塊鏈系統,來解決支付和物流問題。我們最近也幫助瑞士做了類似的實驗,涉及不同資料的互通性和連貫性問題。
我們仍在研究如何用儘量少的資料,實現人工智慧的目標。少量資料是指不斷更新的短期資料,這些資料能使AI應對迅速變化的情況,並及時做出調整。
我們打算將AI與其他基礎科學結合,例如阿爾法圍棋(AlphaGo)就是這類結合的初步嘗試。這些方法不依賴于大量恒定資料,可能會比深度學習更加強大。
除此之外,我們在探討用AI保障聯邦學習過程中不同資料方的權益,這是實現不同國家之間的互通性、支付信任度、物流運輸等方面合作的關鍵前提。
另一方面,我們探索如何將AI技術應用於加密資料上。我們和大公司以及政府密切合作,找出解決系統入侵和保障網路安全的方法。
我同時花了很多時間研究與政府的合作。政府很多時候不知道如何通過大資料做決策,也不知道如何進行資料優化。而AI能夠幫助政府實現更高的效率,比如聯合國現在已經有了很多可持續發展目標的相關評估指標,世界經濟論壇也可以為會員國提供不同的標準測算。
基於我們已有的多中繼資料庫,現在可以利用AI實現全新的資料優化方式,將貧困、不平等這種之前無法量化的指標,通過可量化的指標進行評估。
同時,要真正實現這個目標,我們還需要制定統一的互通性標準。如果沒有這個標準,國家之間就不會相互信任去合作,就可能出現AI冷戰。
因此我們需要找到促進合作的方式,就像TCP/IP互聯網協議那樣。而之前我提到的,新加坡、瑞士等現在正在嘗試的區塊鏈系統,將有希望解決國家間缺乏互通標準的問題。
Part II 對話
▌ 美國線上教育發展難度更大,只在ZOOM上講課是不夠的
Q1:疫情加速了行業的改變,遠端醫療、線上教育開始蓬勃發展,這只是AI對人類社會產生影響的冰山一角。想請兩位談一談,目前看好AI在哪些領域應用的未來前景?
李開復:疫情的確對整個社會產生了實質性的影響,人們行為習慣發生了很多改變,更願意接受線上學習和工作了。
這種新的行為習慣產生了大量資料流程,為AI應用帶來了更多可能性。比如大健康領域以及遠端醫療中所產生的資料,可以訓練更智慧的模型。同時更多人開始在基因組學、新藥研發方面結合新的AI技術進行研究,因此我相信AI在醫療健康領域的潛能是非常巨大的。
AI與教育的結合也很值得期待。一方面可以説明老師處理重複性的日常事務,例如批改作業,讓老師得以將時間精力投入到更有創造性的事情上,能更悉心地為孩子提供優質教學。另一方面可以提高學生的課堂參與度和積極性,比如設置卡通版AI虛擬老師,讓課程充滿趣味性。
在中國,有很多線上教育公司在疫情之前就已經發展迅速,像創新工場投資的VIPKID,讓國外的純正英語老師線上上教授中國學生。目前,中國的線上教育已經擴展到了更多科目,包括體育、舞蹈、書法等素質教育課程。
相比之下,美國線上教育發展的難度會更大。畢竟只在ZOOM上講課是不夠的,好的線上教育必須要有好的內容。
▌AI核心是增強人際互聯,應注重文化多樣性
阿萊克斯·彭特蘭:李開復博士提到的教育案例,我不是很認同。
MIT大約20年前就在教育中使用AI,重點根本不是內容,我們甚至提倡將內容免費開放給大眾。
AI絕非試圖取代人類的作用,我們更強調用AI增強人與人之間的互動,讓人們更好的社交和連接彼此。比如手機上人工智慧技術,不是要取代你,而是讓你高效地找到最適合的工作、最正確的人,讓你更容易的獲取資訊,並進行創新。
我們可以利用資料激發更強的創新力,培養領導力。只有基於這樣的宗旨,才能促進更有創造力的教育和學習,這比關注教育內容本身重要得多。
在加拿大,有家創業公司正在訓練普通民眾學習AI,比如水管工,教學效果非常不錯。他們的教育方式不是簡單的教授基本知識,而是以一種能夠激發人們互動思考的方式。
我們之前在中國調研了3000多個孵化器,發現創業公司成功的要素裡,第一個是文化多樣性,也就是說創始團隊背景的複雜性和多樣性。第二個是團隊成員專業的多樣性,他們能否發揮自己所長,並很好地進行團隊合作。
1956年,馬文·明斯基 (Marvin Minsky)提出了人工智慧這個詞。但我們對於人工智慧的理解,不應該只停留在“人工”層面,而應擴展到多元文化之間的相互連接、團隊合作,我把它叫做延伸智能(Extended Intelligence)。這也是我想強調的,人工智慧這個名詞有一定的偶然性,但它的核心點是增強人與人之間的互聯性。
▌AI未來突破難預測,奇點、超級智慧過於樂觀
Q2:未來十年AI有沒有可能取得重要突破?比如GPT-3近期展現驚人的能力。兩位認為未來的突破方向是什麼?
李開復:過去60多年來,深度學習是唯一的重大突破。在這之後,卷積神經網路(CNN)和GPT-3等都算是重要的改善,我對於人工智慧的漸進式改善保持樂觀。
對科學家來說,他們更期待著技術上的突破式進展。但我覺得未來十年基礎科研或許不會有大的突破。但模型相對容易,只要有大量的資料,就可以從實驗室進入到行業應用,CNN和GPT-3都是模型加海量資料的成果。
我是務實派的,雖然持有樂觀態度,但並不是一位“未來學家”。未來的突破很難預測,對奇點(Singularity)的爭辯,甚至預測超級智慧的出現,在我看來都過於樂觀了。
阿萊克斯·彭特蘭:我同意李博士的觀點。很多生物機制很難解釋,包括用感知認識事物、理解聲音、尋找食物等,是深度學習演算法做不到的。但深度學習可以研究科學、制定規則、研究理論,並進行實踐。
從務實的角度來說,我最感興趣的就是聯邦學習。就醫療而言,我們有這麼多醫院,在新冠疫情期間做了很多的實驗,為什麼這些實驗資料不能進行聯合呢?
儘管資料有不相容的地方,但這也是一個很好的機會去探究不同的資料之間的關聯性。在未來,我們對資料的需求也許會越來越少,外科醫生或者物理學家或許不需要太多資料,因為他們對規則已經瞭若指掌了。
▌不要墨守成規,要跨領域、跨學科應對挑戰
Q3:人工智慧會有什關鍵挑戰?對於想從事這個行業的人,有什麼是需要瞭解的關鍵點?
李開復:首先,大背景在改變,新科技層出不窮,我們每年都需要學習新的東西。
其次,人工智慧可能引起各種問題,包括偏見、歧視、倫理道德等,是否危害人類的身體健康,無人駕駛技術該何去何從等等。
第三,人工智慧的研發需要深刻地理解技術對社會、生活與人類健康會產生的影響。我非常欣賞斯坦福和MIT這樣的高校,能夠把AI教育擴展到各個學科,讓研發人員及早意識到自己的責任和價值。
阿萊克斯·彭特蘭:是的,我朋友做過一個有關電的趣味類比,電動馬達最初在工廠裡用於生產的時候,並沒有發揮出多大的作用,因為大家並不知道如何改造生產流程。
AI在一些領域發揮的作用是顯著的,但應用到其他領域時,就需要改造流程。很多情況下,最困難的就是說服人們改變商業流程去使用AI,因為大多數人是墨守成規的。
而有意思的是,就像李博士提到的,像MIT和斯坦福這樣的高校確實在認真嚴肅地對待這個問題。
比如,我今天早上正好就這個話題跟G20領導人對話,大家一致認為我們必須從跨領域、跨學科的角度去面對這個問題,不能只是工程師或者社會科學從業者們在做,經濟學家,政治家等等都必須參與進來緊密合作。
隨著AI的應用領域越來越廣,除了必須具備強有力的技巧來建立社會規則,還需要對研究經費、企業投入等進行各種調整。
▌雖然大公司實力不容小覷,但依舊對小公司抱有期待
Q4:AI研究會消耗大量的資源,我們是否應該將資源往學術界平衡?現在已經發生資源的重新分配和平衡了嗎?
李開復:就人才而言,現在已經有重新平衡的跡象了。
過去,頂尖大學的學者基於待遇和種種考量,不少選擇去企業界工作。而近期,曾任職於百度、海爾、位元組跳動等公司的數位優秀AI科學家已經回歸高校。
但像GPT-3這樣的技術,仍然不是大學和小公司能支付得起的。支撐GPT-3運行的電腦是世界算力第五的超級電腦。每進行一次演算法訓練,就要花費460萬美金,只有像騰訊、穀歌、微軟這個級別的公司才能負擔得起如此強大的算力。
我觀察到,近年的AI創業公司已經和5年前截然不同了。它們一般由AI科學家和商業人才共同創建,為了解決特定問題而生,並非紙上談兵做突破性科研,切入的領域也往往是巨頭公司忽略的地方。
例如,為製造業進行AI賦能,不是一件輕鬆的事,需要去工廠實地勘查,瞭解運作方式。大公司因為賺錢很容易,不願意做這些性價比低的苦活累活。這些小公司的努力一旦有了成果,就會給產業界帶來革命性的影響。所以,雖然大公司的實力不容小覷,但我依舊對小公司抱有期待。
阿萊克斯·彭特蘭:大學和公司是一種融合的關係,不僅體現在人才流動上,也會進行資訊資源分享,彼此是整體性的合作態勢。
當然這也不是絕對,產業界的保密需求還是存在的,只是從學校的出發點來說,我們願意毫無保留地為大家提供更好的研究成果,並與企業合作,形成標準化平臺。
▌人工智慧取代人類需要上百年或更久
Q5:兩位認為什麼是AI不能取代的?
李開復:一類是創造力、分析能力、邏輯辯論能力,瞭解自己知道什麼不知道什麼,這些是人工智慧無法取代的。另外一類是同理心,人類之間的信任、友誼,自我認知、意識等。
阿萊克斯·彭特蘭:人工智慧有朝一日可以取代人類所有的能力,但是這個過程會非常漫長,可能需要上百年或更久。
▌AI創業建議I:找到小切入點,不要與巨頭正面硬碰
Q6:李博士提到了AI在小企業中的運用,可否再舉例說明是如何運用的?
李開復:這個問題分兩部分:一個是小型AI公司與巨頭競爭,我的建議是找准巨頭沒有平臺優勢的細分領域,為某個針對性產業創造價值,並且不要與巨頭核心業務正面硬碰。
對於那些中小型非AI、但想應用AI的公司,需要確保有足夠的資料,以訓練與核心商業價值掛鉤的AI模型,並且有願意變革的開放性公司文化。
所以,早期應用AI的公司可能規模較大,因為他們有足夠大的資料,和可相容變革的商業模型。每個例子都不同,不是任何一家公司都要應用AI。
阿萊克斯·彭特蘭:如果我們放寬AI的定義,或許水管工、合同工都有資料,通過一些簡單的分析、整合,AI也可以在很大程度上改進他們的工作。
這些都是很小的切入點,基於簡單的AI分析、機器學習,依舊可以產生巨大的潛力。
▌ AI創業建議II:知曉技術,同時理解商業
Q7:兩位再分享一下最後的建議?
李開復:我們在步入一個AI開始滲透到方方面面的令人振奮的時代,我希望所有的學生們都能參與到這個改革浪潮中。要深刻地理解人工智慧的商業落地,而不僅僅鑽研技術本身。
阿萊克斯·彭特蘭:不要太較真於深度學習或者冗長的演算法,一切始於要解決的現實問題。不要止步於技術本身,要明白資料類型、形態和規律,關注商業流程。
感謝葉樂斐、劉諾、藍萱、張昊、陳冬傑、劉子昂、張梓煜、錢淩寒、水一方、沈雍在校譯和審閱上對本文的貢獻。
普通 類語 在 謝伯讓的腦科學世界 Facebook 的精選貼文
眾所周知,海馬迴與記憶有關。但是,海馬迴是儲存記憶的地方嗎?如果用電腦來比喻的話,海馬迴算是硬碟嗎?還有,海馬迴「只」和記憶有關嗎?
如果你以為上述的答案都是「O」的話,那可就大錯特錯!(上述每個問題的答案,可能全都是「X」!)海馬迴既非記憶儲存點,也不像是硬碟,更不只和記憶有關!今天,我們就一起來解密海馬迴!
《大腦好好玩》第八集語音+文字檔:
https://www.mirrormedia.mg/story/20200115cul003
在上一次的內容中,我們介紹了亨利莫雷森的故事;這位縮寫名叫 H. M. 病人在被切除了海馬迴及周邊組織後,科學家觀察到兩個非常重要的現象:
第一,莫雷森喪失了長期記憶,但卻保有短期記憶。由此可知,海馬迴和長期記憶有關,而和短期記憶無關。
第二,莫雷森喪失了陳述性記憶,但是卻沒有喪失程序性記憶。由此可知,海馬迴負責的是陳述性記憶,而和程序性記憶無關。
莫雷森和之前提過的幾個腦傷病例一樣,都是教科書中的典型案例。例如第四集布洛卡醫生的失語症病人小唐,以及第五集哈洛醫師的鐵路工人穿顱病人蓋吉。這幾個案例同樣知名,但若仔細檢驗,它們也同樣都有問題。我們現在就來幫大家挖掘一下其中的內幕,看看這位莫雷森的案例,有什麼奇怪的問題。
-\-\
壞掉的電腦與莫雷森的大腦
-\-\
首先,我們現在知道海馬迴受損之後,長期記憶中的陳述性記憶會受損,但短期記憶和程序性記憶不受影響。據此我們可以進一步追問:為什麼海馬迴受損後,陳述性記憶就會消失?此外,莫雷森不但失去了過去的陳述性記憶,他還無法形成新的陳述性記憶?到底是什麼樣的機制,導致了這樣的現象?
關於這個問題,可以想像以下的比喻:有一天,你家的小孩拿了一把菜刀,打開你的電腦主機殼,然後揮刀一砍,結果電腦出現了兩個問題:
第一個問題,就是無法開啟之前存過的 word 檔;
第二個問題,就是你仍然可以開啟新的 word 檔去打字,但是打完要存擋時,卻無法存擋。
莫雷森的問題幾乎和這台電腦一模一樣。莫雷森失去了舊的記憶,就好像這台電腦無法開啟舊的 word 檔一樣;此外,莫雷森可以聽懂指示、並依照指示操作,這就好像是這台受損的電腦仍可以用 word 來打字一樣。同時,莫雷森無法形成新的長期記憶內容,這就好像這台受損的電腦無法存擋一樣,只要一關掉 word 程式,裡面的內容就會消失的一乾二淨。
那麼現在的問題就是:這台電腦出了什麼問題?莫雷森腦中的哪個機制出了問題?
-\-\
海馬迴硬碟假說
-\-\
根據這個電腦的比喻,大家可能會直覺地認為,海馬迴可能就是「記憶儲存」的位置。當這個負責「儲存記憶」的腦區壞了,自然就會遺失過去的記憶,也無法儲存新的資訊。
這有點像是電腦中的負責儲存檔案的硬碟壞了,導致過去的資料叫不出來,而且也無法儲存新的資料。我們姑且把它成為是「第一種假說」,或是「海馬迴硬碟假說」。
雖然「海馬迴硬碟假說」聽起來合理,但卻有一個問題:如果海馬迴真的是儲存記憶的地方,那海馬迴被破壞之後,記憶應該要全部消失才是;但是,莫雷森的陳述性記憶並沒有全部消失,而只是消失了手術前一兩年的記憶。
那我們該怎麼解釋這個奇怪的現象呢?
有一種可能的解釋方式就是:有可能手術只破壞了部分的海馬迴而已,因此只有一部分的記憶消失。關於這種說法,莫雷森的醫師史科威爾馬上根據他的手術方式提出反駁。
史科威爾十分自信地認為,自己已在手術過程中已經切除了全部的海馬迴;因此,這種懷疑海馬迴只有部分被破壞的說法,他覺得根本不對。
由於 1953 年的時候,沒有 MRI 磁振造影,所以大家也就只能暫時相信史科威爾醫生的說法、暫時相信海馬迴真的已經全部被切掉。既然海馬迴已經全部被破壞,但卻又有一些長期記憶依然健在,那就只有一種可能的解釋方法:長期記憶並不存在海馬迴之中,也就是「海馬迴硬碟假說」是錯的。
但是,如果海馬迴不是記憶的儲存地點,那海馬迴的功能到底是什麼呢?如果「海馬迴硬碟假說」不對,那我們就勢必得要想出另一個解釋方法、另一種假說才行。
-\-\
海馬迴存寫頭假說
-\-\
有些人可能已經猜到,另一種解釋方式就是:或許海馬迴並非記憶的儲存地點,而只是負責形成記憶和固化記憶的腦區。我們把這種猜測稱之為「第二種假說」,或是「海馬迴存寫頭」假說。
若用電腦來比喻:海馬迴並不是硬碟,而有點像是硬碟的讀寫頭;更精確一點來說,應該只有寫入的功能,所以應該是「存寫頭」;再換個比喻來說,海馬迴就像是筆一樣,負責寫下訊息,但是訊息最後是儲存在紙上面,而不是儲存在筆上面。
換句話說,這第二種說法認為,負責儲存長期記憶的位置,並不在海馬迴,海馬迴只是一個負責寫入資料的存寫頭、只是一支負責寫下資料的筆,而當這個存寫頭壞掉時、當這隻負責記錄的筆壞掉時,記憶就無法存擋。
以現在的證據來看,這個「海馬迴存寫頭」假說目前還算是大致正確。但是我們現在回頭去看當年大家的推論,其實會發現剛剛的推論,根本就是誤打誤撞、歪打正著。
為什麼呢?因為當年沒有 MRI,我們只能相信史科威爾的手術說詞;但當莫雷森在 1992 年接受了 MRI 掃描之後,大家一看到掃描結果都整個傻眼。
原來掃描結果顯示,莫雷森的海馬迴根本沒有被完全破壞,兩側的海馬迴大概還有 1/3 是完整的。換句話說,史科威爾根本搞錯了,他自以為完全破壞了海馬迴,其實卻只有破壞了一部分。
而當時大家誤信了史科威爾,才放棄了第一種「海馬迴硬碟」假說,推出第二種「海馬迴存寫頭」假說;沒想到 MRI 證據顯示,莫雷森的海馬迴還有許多地方完整,因此當時根本沒有證據可以直接推翻第一種海馬迴硬碟假說。
所幸在 1953 年莫雷森手術完成到 1992 年 MRI 磁振造影這三十幾年之間,又有了好幾個類似的案例和其他的生物學研究,因此有許多其他證據,都支持「海馬迴存寫頭假說」;要不然只靠莫雷森的案例,恐怕整個推論都要重新來過才行。
不過,雖然有這一段插曲,但最後幸虧有來自各方的其他證據,因此我們可以比較安心地做出結論,這個結論就是:海馬迴比較像是記憶的存寫頭,而不是儲存記憶的硬碟。
-\-\
海馬迴是存寫頭或筆嗎?
-\-\
接下來又有一個問題:為什麼莫雷森過去的記憶,有一些會被遺忘,但有些卻沒有被遺忘?如果海馬迴真的是記憶的存寫頭,那麼已經儲存過的記憶不是應該就會永遠存在嗎?為什麼有些已經儲存好的記憶,竟然會在海馬迴壞掉(也就是存寫頭壞掉)之後也跟著不見呢?
關於這個問題,有一位 UCLA 的心理學教授馬凱(Donald MacKay)提出了可能的解答。
馬凱教授專門研究人類語言能力與老化,他發現當年紀越來越大的時候,人的英文單字拼音能力會逐漸退化變差;同時,他還發現莫雷森的拼音和語言能力,退化得比一般人快很多。
馬凱在莫雷森 57 歲那一年測試了他的語言能力,發現莫雷森的語言能力幾乎接近 73 歲的老年人。針對這個現象,馬凱提出了他的假說:人類的記憶本來就會自然的消逝,所以必須要靠海馬迴來一直補強逐漸消逝的記憶。
從這個角度來看,我們之前提到的比喻其實並不精確。海馬迴並不像是電腦中負責寫入硬碟資訊的存寫頭,也不是負責在白紙上寫下資訊的筆,而記憶也不是硬碟或白紙上寫下的資訊。因為在這兩種比喻中,不管是硬碟或是紙上的資訊,都不會自然地逐漸消失。
對馬凱來說,海馬迴比較像是一把雕刻刀,記憶則像是雕刻在石頭上的字或圖案。由於石頭上的字或雕刻會隨著時間風化腐蝕,因此我們需要使用海馬迴這把雕刻刀來不斷的重新補強。
比方說,當我們每次聽到某個英文單字時,關於這個單字的記憶就會被重新補強一次。而一旦海馬迴受損,我們就無法再補強過去的記憶。這些記憶就會逐漸消失。
(雕刻刀比喻會不會在未來又被推翻呢?當然有可能!科學的演進就是不斷地以新證據推翻舊思想,例如利根川進的最新發現就顯示出海馬迴在記憶剛形成時也有一份記憶備份,下次有空再幫大家介紹:e.g. (英文)http://news.mit.edu/…/neuroscientists-identify-brain-circui…)
-\-\
海馬迴的其他功能
-\-\
莫雷森的案例,讓科學家無意見的發現了海馬迴與記憶之間的關聯性。隨著科學家對海馬迴的研究越來越深入,海馬迴其他的功能現在也逐漸被揭露。
現在我們知道,海馬迴除了和長期記憶中的陳述性記憶有關,其實也還負責了許多其他的認知功能。
比方說,剛剛提到的 UCLA 的馬凱教授就發現,海馬迴受損的病人也會有視覺認知上的異常。當病人的視野中出現一些奇怪的事物的時候,例如穿著鞋子的雞、或是比例大小不對的物體時,這些病人常常會偵測不到這些異常的物體。
此外,海馬迴受損的病人也常常會出現想像力上的問題,例如當醫生要求他們想像自己在海灘上可以看到什麼情景時,他們只可以想像出來非常貧瘠的畫面。
-\-\
空間地圖
-\-\
除此之外,目前也有許多研究指出,海馬迴可能和空間巡弋以及建構空間地圖有關,換句話說,就是大腦中的 GPS。
說到腦中的空間地圖,我們就要從 1930 年的加州大學柏克萊分校的心理學教授托爾曼(Edward C. Tolman)開始說起。在 1930 年代以前,大多數的科學家都認為,動物在認路的時候,是依靠路徑上接續出現的「路標」來尋找和記住路徑。
比方說老鼠學習迷宮走法時,可能是靠著記住一連串轉彎順序來走出迷宮(例如第一個叉路要右轉、第二個叉路要左轉、第三個叉路要直走等記憶方式來認路);當時的人們並沒有考慮到一種可能性,就是動物可能會在腦中描繪出整個迷宮的地圖、並藉此來規劃最佳路徑。
托爾曼則對這種想法不以為然,他認為,動物其實有可能就是在腦中描繪出了整個迷宮的地圖、並藉此來規劃最佳路徑。而不是死板的去記住路徑上接續出現的「路標」來認路。
他之所以會提出這個想法,是因為他觀察一個完全不符合傳統理論的現象:老鼠會走捷徑!
他最為人知的一個聰明實驗,就是他先訓練老鼠走一條固定的唯一路徑,這條路徑就是先直走然後再右轉,然後就可以找到食物。換句話說,從整個空間的角度來俯瞰的話,食物是位於老鼠的右前方。
接下來,當老鼠完全學會走這條路徑之後,托爾曼就把這條路封死,然後給老鼠好幾條新的路徑,最後看看老鼠會怎麼重新探索迷宮。結果發現,老鼠會直接去走通往右前方的捷徑,然後直接走向食物的方向。
由這個實驗我們可以知道,如果老鼠只是透過記住一連串的轉彎順序來走出迷宮,那就不可能會出現這種走捷徑的行為。也因此,托爾曼認為,動物應該可以在腦中形成一套關於外在環境的心智地圖。
他甚至還進一步主張,心中的認知地圖,不只可以幫助動物和人類找到路,還能幫助我們記住自己曾經在某些地理位置上所經歷的事件。
托爾曼的這個想法,在 1930 年提出後一直備受爭議。大家之所以很難接受這個理論,其中一個原因是因為,動物實驗中所觀察到的行為,似乎還有許多種不同的詮釋方式(例如老鼠可能會靠空氣中的氣味、或是實驗室中的電燈或其他路標來行動)。
而且,托爾曼當時也沒有足夠的生理實驗工具,可以證實動物腦中真的存在一張關於環境的內在地圖。既然沒有生理證據,大家也就一直沒有正視這個理論。
-\-\
位置細胞
-\-\
一直要到大約 40 年後,科學家才發展出微電極的技術,並從神經細胞的電生理活動中找到關於這種地圖的直接證據。1971 年,倫敦大學學院的歐基夫(John O’Keefe)使用微電極觀測神經細胞活動時,發現了「位置細胞」(place cells)。
而這些位置細胞,就是位於海馬迴之中。所謂的位置細胞,就是當老鼠身處迷宮裡的某個特定位置時,海馬迴裡的某些細胞就會變得活躍。
也就是說,當老鼠處於某一個位置時,有一些細胞會反應,當老鼠移動到另外一個位置時,又有另一些細胞會反應,就彷彿海馬迴裡有不同的細胞在表徵或對應著外在世界的特定位置一樣。
歐基夫認為這一些「位置細胞」表徵了外在空間,並在可以在腦中建構出一張認知地圖,透過這張認知地圖,老鼠就可以記住空間位置並且不會迷路。
在當時,「位置細胞」其實是個很新穎的看法。70 年代的學術界雖然認為海馬迴和記憶有關,但卻沒有想過海馬迴和「空間記憶」以及「導航」有關;大部份的人都認為,海馬迴應該是和「氣味記憶」有關。
當時大家普遍的批評歐基夫,認為這些「位置細胞」應該是「氣味細胞」才對,一定是歐基夫沒有辦法完全抹去空間中的氣味,所以老鼠才會在迷宮中不同的地點聞到不同的味道,這些神經細胞也才會被激發。
也或許是因為這個原因,他這篇原創研究只發表在普通的期刊,而沒有辦法登上頂級期刊。這項發現,也因此一直沈潛無聞。
-\-\
格狀細胞
-\-\
30 多年之後,終於時來運轉。2005 年,歐基夫的博士後學生梅布里特‧莫澤(May-Britt Moser)、愛德華‧莫澤(Edvard I. Moser)夫妻,他們為了進一步研究位置細胞的訊息來源,決定切斷老鼠海馬迴周圍的腦區連結,想要看看訊息究竟是從什麼腦區傳入海馬迴。
他們不斷的切,切到最後剩下內嗅皮質(entorhinal cortex)的時候,發現當老鼠移動到特定的位置時,海馬迴中的這些位置細胞竟仍會活躍。因此他們合理推測,內嗅皮質應該和空間位置的定位也有關係,於是他們便進一步著手探究內嗅皮質內的細胞活動。結果就意外發現了「格狀細胞」(grid cells)。
這些「格狀細胞」,並不只是針對單一一個空間位置有反應,而是對許多空間位置都有反應;它們所對應到的諸多空間位置,連起來就像是一個棋盤格。這些棋盤格,就有點像是一般地圖上由經線和緯線所構成的方格一樣。
除了格狀細胞,他們還在內嗅皮質中找到了一種「頭部方位細胞」:當老鼠的頭朝向某個特定方位時,這些細胞就會活化。 這些細胞就好像是動物身上自帶的指北針一樣,只要觀測這些細胞的活動,我們就可以知道任何一個時刻中的動物頭部方位。
幾年過後,這對夫妻在 2008 年又在內嗅皮質中發現了另一種細胞。這種「邊界細胞」會在動物靠近牆壁、或是圍欄邊界時有所反應。它們似乎可以計算動物與邊界之間的距離。
最後是 2015 年,又有第四種細胞登場。這種細胞會反映出動物的奔跑速度。這些細胞的放電速率,會隨著動物的移動速度而加快。如果「速度細胞」和「頭部方位細胞」配合,它們應該可以持續提供各種關於動物移動的訊息,包括速度、方向、以及自己和起始點之間的距離等等。
科學家猜測,海馬迴及其周邊腦區裡的這套導航系統,除了能夠幫助動物從一個地點移動到另一個地點之外,可能還會記錄下何處存在什麼事物,幫助我們建構出一套「腦中的認知空間地圖」。
以上這些由歐基夫和莫澤夫婦的發現,也幫助他們拿下了 2014 年諾貝爾生醫獎!托爾曼在將近 90 年前所提出的「腦中空間地圖」理論,如今終於逐漸真相大白!
以上就是關於「海馬迴」的故事。1953 年莫雷森切除了海馬迴之後,意外引發了關於記憶的科學研究。
現在我們終於逐漸明白,海馬迴就像是一把雕刻刀一樣,可以把記憶雕刻在腦中的記憶石板上,當石板隨著時間逐漸風化之後,記憶就會隨著消逝,而海馬迴的功能之一,就是可以透過再一次的雕刻來補強這些記憶,一旦海馬迴受損,新的記憶就無法形成,舊的記憶也會逐漸消退。
此外,新的研究也指出,海馬迴也和視覺認知以及想像力有關;2014 年諾貝爾生醫獎的一系列研究也發現,海馬迴及周邊腦區還負責了空間導航和巡弋。
在上述的海馬迴故事中,我們看到莫雷森在一場手術之後喪失了自己的記憶,從此停留在永遠的現在式之中,不過科學卻因禍得福,整個研究記憶的科學世代,都因為莫雷森而留下了永恆的知識和回憶!
普通 類語 在 超級歪 SuperY Youtube 的最佳貼文
立刻加入頻道會員,實際行動支持超級歪:https://www.youtube.com/channel/UCAM7yIYvZGYLJR6z6RqLlNw/join
https://www.facebook.com/Mr.SuperY/posts/864911513662518
#超級歪電影院暨贈書活動
-
📣留言加分享本影片,就有機會抽《妳一生的預言》、《康德與純粹理性批判》或《別睡,這裡有蛇!一個語言學家在亞馬遜叢林》任一本呦。
參加抽獎活動時間為期一週:2017.8.6 - 2017.8.13
👏感謝 五南文化廣場 與 大家出版 Common Master Press 的熱情贈書
-
第八集【科幻電影系列】:異星入境電影解析:語言學與時間哲學 / 時間是客觀實在的嗎? 反方:Wheeler、Barbour、McTaggart、康德
EP8【Science Fiction Series】:A Linguistic and Philosophical Analysis of Arrival / Does time exist? Opposition: Wheeler, Barbour, McTaggart and Kant.
-
超級歪:「如果時間不存在...我就可以永願睡在第三層夢了呢!」
-
本集關鍵字:#異星入境 #索緒爾 #柯P的藍鳥 #李維史陀 #結構主義 #薩皮爾沃爾夫假說 #語言決定論 #DanielEverett #皮拉哈人 #Pirahã #GeorgeLakoff #隱喻 #McTaggart #A系列B系列 #塊狀宇宙 #星際效應 #JohnWheeler #BryceDeWitt #JulianBarbour #康德 #純粹理性批判 #先天直觀形式 #草間彌生 #延遲選擇實驗 #波粒二相性 #量子力學 #參與式人本原理
-
參考資料:
Barry Dainton
2001, Time and Space
Brent Berlin, Paul Kay
1999, Basic Color Terms: Their Universality and Evolution
Claude Lévi-Strauss
1995《結構人類學》
Daniel Everett
2011《別睡,這裡有蛇!:一個語言學家在亞馬遜叢林》
Ferdinand de Saussure
2011《普通語言學教程》
George Lakoff, Mark Johnson
2006《我們賴以生存的譬喻》
Immanuel Kant
2007, The Critique of Pure Reason(中譯本:2004,《純粹理性批判》,鄧曉芒/譯 )
Vincent Jacques et al
2007, Experimental Realization of Wheeler's Delayed-Choice Gedanken Experiment
J. M. E. McTaggart
1908, The Argument for the Unreality of Time
1927, Time Is Unreal
John Wheeler
1978, The “Past” and the “Delayed-Choice” Double-Slit Experiment
Julian Barbour
2000, The End Of Time: The Next Revolution in Our Understanding of the Universe
J.W. Dunne
2001, An Experiment with Time
Lee Smolin
2014, Time Reborn: From the Crisis in Physics to the Future of the Universe
Robert Lanza, Bob Berman
2015《宇宙從我心中生起:羅伯.蘭薩的生命宇宙論》
Sebastian Gardner
2009《康德與純粹理性批判》
Steven Pinker
2015《語言本能-探索人類語言進化的奧秘》
陳其南
2001《文化的軌跡:文化結構與神話》
葉蜚聲
2010《語言學綱要》
![post-title](https://i.ytimg.com/vi/vbMLqVuoQC4/hqdefault.jpg)
普通 類語 在 # Day 10 || JLPT N2 文字語彙(言い換え類語) - YouTube 的推薦與評價
# Day 10 || JLPT N2 文字語彙(言い換え 類語 ). ... <看更多>