解开复杂性的迷思

信风智库：从本质上讲，智能化是为了解决复杂性的问题。我们应该如何理解复杂性？

约瑟夫·希法基思：复杂性是指解决某个问题的难度。人类通常面临两种类型的问题：一种是我们试图理解甚至预测世界；另一种是我们试图改变世界，以改善我们的生活。

根据问题的类型和性质，复杂性也分成多个维度。

最常见的是计算复杂性，它研究的是计算机求解问题所需要的计算资源（通常是时间和空间）的量。只要问题的规模固定，我们便可以预估出求解的时间。但当问题呈现出规模增长时，我们所需要的计算资源便会不断暴涨。比如，1个开关有“闭合”与“打开”两种状态，2个开关有4种状态，3个开关便有8种状态，那么当开关数量为3万甚至30万个时，每增加1个开关，复杂性就会呈指数级增长。系统设计也是如此，每增加一个关键因素，它的复杂性就会呈指数级增长，计算时间也会不断增加。

除了时间之外，计算空间也是我们需要解决的问题。当面对一些难度较高的计算任务时，即便我们能够编写出对应的算法来进行运算，也很难得出计算结果，因为执行这些算法所需的内存数量可能会装满整个宇宙。

第二种复杂性来自可预测性的局限，它是指系统对一个实验或现象的不确定性。这样的问题在生活中非常普遍，比如我们只能在一定范围内，以一定的概率预测某地的天气情况，或者预测某个电子此刻的运动位置。

智能化系统中的可预测性问题尤为明显，以自动驾驶汽车为例，它们必须罗列出环境变化有可能带来的各种结果，并及时采取措施避免危险发生。

第三种复杂性是指可解释性的缺失，业内称这种类型的复杂性为“认识论（来自希腊语‘episteme'，意思是科学）”复杂性。当我们需要描述事物之间的因果关系时，必须使用一个科学且严谨的数学模型，并针对不同情况设置不同的模型。例如，物理学中找不到一套理论能够同时解释微观和宏观世界，所以出现了量子力学等阐述微观世界的物理科学。

深度学习等人工智能算法的出现，起初是为了解决认识论的复杂性问题，但现在看来这些方法仍然存在较大的局限。以辨别猫狗照片为例，深度学习系统和人类都可以辨别出两者的不同，人类依靠的是猫狗在形体、毛色和瞳孔等诸多细节上的差异，但深度学习系统却难以解释清楚如何完成识别。这种“不可解释性”恰恰降低了人工智能的可信度，这也是为什么大部分人工智能系统无法在全球获得广泛认可的原因。

第四种复杂性来源于人类在语言表达方面的局限，我们把这种类型的复杂性称为“语言复杂性”。虽然人类拥有丰富的情感和情绪，却无法用精确的语言逐一表达出来。随之而来的问题是，当我们要建立一个与人类水平相当的智能系统时，无法为其建立相匹配的情感和情绪系统。

第五种是设计复杂性。如何理解设计复杂性呢？比方说我是一个设计师，需要设计一个系统。在这个系统的执行平台上有诸多分散式的单处理器系统，还有移动系统和自组织系统。一个系统在执行层面上的板块越多，运行起来就越复杂，也就越容易出现问题。这要求我们在设计人工智能系统时，要尽可能地对系统进行精简，避免后续运行过程中出现问题。

信风智库：智能化解决复杂性问题，是通过怎样的途径？有哪些特点？

约瑟夫·希法基思：需要强调的是，人类与机器解决问题的方式完全不同。人类有两种思维模式，即缓慢的“有意识思维”以及快速的“无意识思维”。

以常见的走路和说话为例，完成这两个动作需要大脑进行复杂的计算，但具体如何完成这个过程，我们尚未研究清楚。要知道，人类在幼年时就能熟练完成双腿移动和语言表达，这是通过长期外界刺激与训练逐渐培养出来的无意识思维。换句话说，大脑可以直接对无意识思维做出反应，无需“思考”的时间。

相反，另一种类型的思考是缓慢而有意识的，它适用于大脑解决复杂的问题。例如，从一个地方到达另一个地方，解决一个数学难题，做一顿丰盛的晚餐，等等。当我们进行有意识的思考时，会对问题进行逻辑上的分割，明确每个部分需要完成的任务。

正是这种“无意识思维+有意识思维”的方式，构成了人类的智慧系统。

为了实现人工智能的终极愿景，科学家们也对计算机进行了同样的改造。我们知道，传统计算机依靠程序员编写的代码进行运算。通过这些代码指令，我们可以知道计算机是遵循怎样的规则完成运算的，便于后期检查和追溯。通过模仿人类大脑神经网络结构设计的深度学习神经网络则不然，虽然它具备完成复杂任务的能力，但人类只能看到计算的结果，却搞不清学习的过程。

智能化水平取决于解决三类不同层级问题的能力。

第一类问题是理解世界，即处理和分析感官信息的能力，准确理解环境中发生的事情。例如，理解一段文字，或分析周围环境中物体的运动情况。

第二类问题是用感官信息更新我们头脑中的知识，并通过推理找到所有可能的结果。比如，我收到一封关于体检的电子邮件通知，它需要我查看日程安排，并将体检的日期和注意事项存储在记忆中。

第三类问题是统筹规划，为了达到最终目的而对实现路径进行分层。以体检为例，在体检当天，我们必须计划如何从家到医院，先检查哪个项目，需要花费多少时间等。

总的来说，智能化的最终愿景在于全方位理解世界，把现有的知识与感知到的信息联系起来，并通过层级化部署，最终实现目标。