| 查看: 7361 | 回复: 5 | |||||||
| 本帖产生 1 个 ICEPI ，点击这里进行查看 | |||||||
mbchen专家顾问 (著名写手)
|
[交流]
从物理化学的眼光，看AlphaGo之后的人工智能已有3人参与
|
||||||
|
原载：《科学》2018, 70(5) 32. 计算机近期还难以企及的能力——评AlphaGo之后的人工智能 陈敏伯 （中国科学院上海有机化学研究所，） 摘要：要想知道人工智能到底能干什么，应该先问人可以教会计算机干什么，有没有计算机不学就独 自会干的事儿。科学进入现代的重要标志是理论物理学的建立。本文以理论物理中的近似与理想 模型、思想实验、佯谬和对称性的运用为例，又通过对人工智能十大算法的分析，指出目前的人工智 能仅仅是单纯的归纳推理，就是一只“罗素鸡”的智能。尽管这只“鸡”原则上记忆力无比强大，可 以做到在统计学上正确的一切工作，但那与物理意义上的正确绝不是一码事。要热情欢迎人工智 能时代的降临，更要看到人工智能真正的原动力来自科学。 ------------------------------------------------------ 正文： 近年来AlphaGo战胜李世石（英语Go来自日语的围棋）、掠食者无人机参与阿富汗战争、互联网商业、金融业以及各种机器人生产线的兴起，引起世界对人工智能的普遍注意。主流意见是：人工智能就是要在计算机上再现“全部的”人类智力功能[1]。对此，有人惊恐，有人茫然，有人兴奋......更多的人想知道计算机到底能干什么事。为此应该先问一问：人可以教会计算机干什么事，有没有计算机还没有学会的事儿，更有没有计算机不学就独自会干的事儿。为此，先概括一下人类自己会干什么事，自己都不会的事，何谈去教计算机。 纵观人类历史，改变社会面貌最大的人类活动是什么呢？无疑是“科学+技术”。五千年文明史，人类社会仅仅在最近一二百年才有了明显的改观。狄更斯小说《双城记》里有18世纪巴黎城人们顺手将粪便倒向窗外街头的描述；一百年前的照片告诉人们，那时连发达国家人们的生活水平也是相当有限的，人们刚知道工业要电气化。到了1950年代人们开始追求电子化。当时国人刚见到塑料袋，洗洗后反复再用。再过50多年的今天，国人连马桶都要智能化了，社会居然进入电脑化、智能化的境地，都要用机器人来干活。相比之下，显然其他任何一种人类活动对社会面貌的改变都没有科学技术的大。 有人误以为生产发展必然会推动科学前进。其实不然，康乾盛世之前中国的经济在世界上曾经领先过好几个世纪，GDP占世界总量的1/3左右，人均收入与欧洲不相上下。在那段长时期内，何以解释现代自然科学不在当时的中国诞生呢？至少中国也该参与部分现代自然科学的发展呀。1859年清代数学家李善兰与伟烈亚力（A. Wylie）合作翻译《代微积拾级》，把解析几何、微积分介绍到中国来的时候，西欧人已经掌握了数学分析、复变函数论、抽象群论、微分方程、非欧几何、拓扑学和形式逻辑学[2]。两者相差那么大，当时的中国怎么能参与现代数学的诞生呢？我们不得不承认世俗利益的长期压倒优势是阻碍科学在中国立足的重要原因，尤其是理论科学。更谈不上为科学真理走上火刑架了。 §1 现代科学的确立离不开理论物理 为什么科学技术有此魔力？科学和技术的历史告诉我们：科学是技术的基础和先导，而实验科学是科学的基础。但是倘若没有理论物理学的确立，实验科学是不可能步入现代科学的。从伽利略到牛顿促成了经典力学的形成，到19世纪下半叶麦克斯韦、玻尔兹曼、吉布斯和普朗克，再到爱因斯坦的时代，电动力学、统计力学、量子论和相对论相继问世，大学中开始有了理论物理学教席。物理学再也不是单纯的实验科学了。虽然理论物理学萌生于古老的实验物理学，并且受制于实验的启发和检验，但是理论物理学促进、提高了实验物理学使之步入现代科学是不争的事实。理论物理学的建立是科学踏入现代门槛的重要标志。正是理论和实验两者的相互促进，才使得科学在近百年驶入了史无前例的快车道，社会面貌有了根本性的改观。在一定程度上可以说，理论物理学和实验物理学代表着在认识物质世界方面人类能力目前所能推进到的最前沿。所以，从理论物理学的能力来看人类智能是很有代表性的。近似：纵观全局与把握关键的能力理论物理学的这种能力到底是什么呢？被誉为“新中国理论物理第一人”的彭桓武院士说过：“统一与近似是理论物理学的两大特点。”[3]“统一”的含义人们并不陌生，爱因斯坦在他中年之后的漫长岁月里就率先致力于统一场论，也就是今天所谓万有理论（Theory of Everything）[4]的前身。至于他说的“近似”，又是什么呢？ 化学被认为是物理科学（physical sciences）中的一支。其中物理化学家最早认识到化学的道理要到物理学中去找[4]。在理论物理学的确立过程中也看到物理化学家的参与，如吉布斯、阿伦尼乌斯（S. Arrhenius）、能斯特（W. Nernst）、托尔曼（R.C. Tolman）等。物理化学学科的奠基人奥斯特瓦尔德（F.W. Ostwald）有句名言：“用物理的火炬照亮化学的暗室。”物理化学家对物理学的认识也是很深刻的。我国物理化学奠基人之一吴征铠院士对近似的看法尤其精辟，他说：“近似并不是数学，而是对物理问题的正确理解和对物理量的正确估计。”他把物理学意义下的近似看作“科学理论工作者最重要的本领”[5]，要远高于数学意义下的近似。 如何通过近似对物理问题达到正确理解和正确估计呢？显然先要有纵观物质世界全局的能力，从中判断出哪些是主要的影响因素，哪些是纠缠其中次要的影响因素。判断出在什么场合可以合理地割断错综复杂的内在联系，把主要的影响因素剥离出来。所以近似包括两层意义的能力：一是纵观全局的物理判断能力；二是把握主要矛盾的能力。 彭桓武和吴征铠这两位中国物理学、化学界大师对“近似”的看法极其重要，发人深省。显然，目前人们还远没能把这样的近似能力教会给计算机，计算机也无法“自学”达到这样的能力（后面将详细阐述）。有新闻说，有人曾经试图让计算机学习经典力学，可是困难重重，难以在可预期的将来实现。 §2 最重要的近似是采用理想模型 人们通常轻视近似，以为就是“不准确”的同义词，又以为科学理论引入近似势必导致结果的不可靠。可是，起码科学史已经说明：这样的看法实际上远远低估了人类的近似智力。科学史的具体发展告诉人们：最重要的近似是采用了理想模型。若不如此，则科学简直就无法从哲学的禁锢中萌发出来，更无法步入现代时期。哪些是理想模型呢？现在无论物理系还是化学系的大学课程一开始，经典力学要从伽利略的自由落体、小球斜面运动学起，气体的行为要从理想气体模型学起，振动要从简谐振子模型（即胡克定律）学起，固体的行为要从爱因斯坦模型学起。历史上科学就是在这里开始从哲学中分离出来的。这一连串的物理模型无一不是理想模型[3]。为数不多的现代科学萌芽就在这里发生。 1589年，伽利略在小球斜面运动中，撇去小球与斜面之间的摩擦阻力、气流对小球运动的阻力和测量时间的实验误差等复杂又次要的因素，他猜到在这样的理想模型中小球运动的距离s与时间t的关系为s=at^2/2，其中a为常量。 1834年，克拉佩龙（E.Clapeyron）把真实气体的三个经验定律玻意耳定律、查理定律和阿伏伽德罗定律，综合起来提出理想气体的概念，其状态方程为pV=nRT。可以用此理想气体模型对任意一种稀薄实际气体的真实行为作定量描述。 任意材料的性质，包括力学性质和热学性质，是工业化过程必需的基本数据。可是所有这些性质（无论宏观还是微观性质）都起源于对弹性力的描述。那就是胡克定律：弹性力F=kx。这也是一个基本的理想模型，又称简谐振子模型。在这一模型中，实际材料的小幅度形变过程中的塑性形变和非线性弹性形变被忽略不计，而突出其弹性形变的线性部分。还有一些其他有名的理想模型，例如刚性转子模型、三维平动子模型等。 1907年，爱因斯坦提出的固体模型本来是为了解释固体在低温下热容随温度急剧下降的异常行为。考虑一个N个原子构成的晶体，晶格格点上每个原子有x,y,z方向上的三个振动自由度，所以爱因斯坦把该固体看成是由3N个具有相同振动频率的一维简谐振子组成的。这就是固体的爱因斯坦模型。爱因斯坦模型不仅成功地解释了低温下固体热容与温度的T^3关系的行为，而且揭示了晶体储蓄热能的本质是将外来热能转变为晶体原子的振动能量。更为重要的是：固体的爱因斯坦模型对热容的解释第一次为普朗克的量子论（1900年）提供了有力佐证，是科学史上的一件大事。 宏观运动中最复杂的莫过于流体运动。即便如此，人们总可以运用几种理想模型把它严格地分解为流体微团的平移运动、微团整体的转动运动、微团的切变形变和微团的胀缩形变这四种运动的叠加（亥姆霍兹速度分解定律）。 不少人瞧不起理想模型，以为那都是近似，是割断了事物之间无所不在的复杂联系、“孤立看问题”的结果。其实，实验也有近似：实验中的近似或误差经常难以估计其来源。要降低实验误差需要长期摸索、试错，随机因素影响很大。但是，理论物理中的理想模型近似与实验误差有区别：理想模型代表的理想体系不是“假想体系”，不是现实中不存在的。理想体系是在某些条件下客观存在的真实体系，或者精确地说，理想体系的行为就是真实体系在某些条件下的渐近行为。所谓理想模型引入的近似，其实它所提取部分的物理意义是非常清晰的，它舍弃部分的物理意义是清晰部分的“补集”，于是把理解上不清晰的范围越缩越小。这点与实验很是不同。 正因为有了各种理想模型，人们可以进一步把各种物质的内部运动剥离、分解为很多种基本运动方式的叠加；剥离、分解的过程也就是人们逐步深入理解的过程。例如分子整体的平动运动、分子绕其质心的转动运动、分子内各个组成原子对之间的振动运动，分子在外加电磁场作用下的取向运动等。分子内各个组成原子对之间的振动往往纠缠在一起（即所谓“强耦合”），非常复杂，很难解释实验得到的分子光谱，但是人们可以利用简谐振子模型和舍去高阶项的近似，把它们重新组合成为新的、物理上近乎等价的一组“简正运动”模式。这是一组貌似“牵一发，动全身”的运动，但是运动之间却是相互独立，耦合为零。更重要的是：恰恰而且唯独这种简正运动的描述才完全解释了实验分子光谱中的所有谱线位置。进一步的量子统计力学理论甚至把谱线的形状也解释清楚了。 物理科学的历史进展竟然是那么吊诡：先是用理想模型割断了事物内部的复杂联系，孤立地看问题。但是，只有这样人们才把那些复杂联系逐个分解、剥离出来；内部复杂的联系揭示之后，反而真正促成把问题全面看清楚的目的。从理想模型开始，到弱耦合体系，再到强耦合体系。正如孩子接到Logo玩具模型后总要先把它拆散，然后试着拼接起来，失败、部分成功，再失败，越拼越大，直到全部成功。最后孩子绽开笑容：“我懂了！”科学家也是这样搞懂问题的。 更重要的是，所有的理想模型在数学上都有严格解，即解析解。于是通过理想模型这个纽带，物理学取得了来自数学的强大支持。这是跨入现代科学门槛的具有决定意义的一步。数学对物理学、化学最重要的支持首先在于物理理解的严密性，其次才是数值上符合实验值；物理学家和化学家们从数学家那里学会并练就一套从形式的数学语言中获取物理意义的能力，再学会如何将理解的视野推广、拓展。杨振宁先生经常谈到陈省身先生的几何学对物理学的启发性支持就是一个范例；正因为如此，也提高了几何学在数学中的地位。另一个范例是赫斯特内斯（D. Hestenes）等人开拓的几何代数学（geometric algebra），这门数学现在被誉为整个物理学统一和简洁的数学语言，无论是经典的还是量子的[6]。 可见，理想体系引入的近似是可靠知识的重要来源之一。理论物理学（或理论化学）就是这样靠理想模型把复杂的问题抽丝剥茧似的严格地分解、剥离开来，一一予以攻克。始终坚持丝丝入扣地解决问题是理论物理学和理论化学一贯追求的治学风格。整个思路中，哪段严格、哪段因为暂时的困难而引入某个近似都一清二楚。如果在解释实验中遇到困难，那就是近似过头了，可以把舍弃的部分设法适当地捡一部分回来。 以上介绍表明在科学领域中近似的意义是举足轻重的。而运用近似又必须对整个物质世界内在的每个基本原理、基元过程有全面的掌控，还要有来源于数学家的那种概念推广的能力。这样的能力显然是计算机难以企及的。 §3 思想实验和对称性的运用也是计算机难以企及的 实际上，理论物理学除了会运用理想模型作近似方法之外，还能运用思想实验和运用对称性。思想实验又称佯谬或悖论（paradox）。 人们通过构建思想实验来洞察世界。试图从某一理论、观点出发推出与已知的科学原理发生矛盾的命题；或者，从某一前提出发试图推出两个在逻辑上自相矛盾的命题，这两种推理判断就是佯谬或悖论，前者是逻辑推理的结论与事实有矛盾，后者是逻辑推理导致两个互相矛盾的结论。在科学遇到重大困难的时刻，提出悖论是作为一种反驳或证明的手段，用以暴露现有理论的不完备，佯谬经常是将科学概念推向新台阶的关键一步。 古希腊时期，芝诺提出芝诺佯谬，“证明”善跑者阿基里斯永远追不上乌龟。其错误本质的争论持续了两千年。现在终于明白了：错在芝诺用的时间标度不是一个好的标度，它只能适用于描述阿基里斯还没有追上乌龟的那一段运动。理由是：尽管在芝诺标度计量的时间达到无穷大之前可以用它描述运动，但是在它无穷大之后，时间和运动实际上都还延续着[7]。 又如“麦克斯韦妖”的思想实验：两间相邻的房间由一个小窗相通，小窗设计得极其轻巧，开闭不费能量。设想让一个小妖精控制小窗的开启，按照飞到小窗位置的分子冷热的不同，分别允许左边房间的冷分子进入右边房间、右边房间的热分子进入左边房间；否则就关闭小窗。一定时间之后，原先温度相等的两间房间变成了温度不同的房间。1867年麦克斯韦设计的这个思想实验是对热力学第二定律的一种追问或质疑。正由于麦克斯韦妖这个思想实验，在1929年启发了齐拉特（L.Szilard）意识到信息与熵之间存在联系。把熵的概念拓展到热学之外，要比香农（C.E.Shannon）想到信息熵早19年。 另一个著名的思想实验是“薛定谔猫”，至今还在启发人们对量子力学的本质进行深入的思考。 其他著名的悖论或佯谬还有很多，如数学集合论中的罗素悖论，相对论中的双生子佯谬等。热力学中的热寂论实际上也是个佯谬，可称为“热寂佯谬”。显然计算机很难从人类那里学会构造思想实验的深邃洞察力。运用对称性的学问，即运用群论，也是人类另一种独具的智慧。1963年理论物理学家维格纳（E.Wigner）因运用群论来研究原子光谱学而获得诺贝尔物理学奖。其实这项奖的重要性远远超出了光谱学。理由是：即使人们对非常复杂的事物的很多具体行为还不知道，但总可以从事物显露出来的对称性中看出某些必须严格遵守的规律[8]。 这些对称性不只是几何对称性，还有各种时间、空间等关系上的对称性。早在1918年，德国女数学家诺特（E.Nöther）就证明了每一条对称性必然对应地存在一个严格的不变量或守恒律。群论就是研究对称性的数学方法。例如：无论哪个实验，在不同的时间去做，实验结果总该是相同的。那就是“时间的均匀性”，可以证明这条对称性必然导致能量守恒定律。又如：在不同的地点去做同一个实验，无论何地该实验的结果也终归是相同的，那就是“空间的均匀性”，可以证明这条对称性必然导致动量守恒定律。再如：无论哪个实验，把实验装置放在不同的方位去做，实验结果也应该是相同的，那就是“空间的各向同性”，可以证明这条对称性必然导致角动量守恒定律。 还有，无论何时何地，一个不受外力的任意原子，其外形一定是球对称的。根据群论，其中电子的运动状态一定受到球对称的约束，只能处于服从SO(3)群的某个状态；这就是化学元素周期表的本质，原子中的电子只能处于s，p，d，f，g，...态。也可以理解为：在球对称边界条件的约束下，薛定谔微分方程的解就只能是s，p，d，f，g，...这组球谐函数。无论今后发现什么新元素，原子内部存在什么新的效应，都不可能改变自由原子外形的球对称，继而元素周期表一定还是现在这个样子，它必须服从SO(3)群。 至今很多人赞赏《周易》中的阴阳、男女、虚实、正负......惊叹《周易》可以联系宇宙的无穷多的事物。其实阴阳、男女、虚实、正负......都仅仅属于群论中的一个C2点群。群论告诉我们：同属于一个群的无数个问题之间是靠同构和同态联系起来的。可见阴阳、男女、虚实、正负......之间的联系其实毫不神秘，只是它们在同一个C2群内的同构关系。自然界中存在好多种群，C2群只是其中的一个而已，例如C2群和球对称的SO(3)群就不是同一种群。于是，试图用《周易》来解释自然界中所有事物只是古人的期盼而已，与现代科学不是一码事。 总之，思想实验、佯谬和群论方法也是人类独有的智能，又是计算机难以企及的。 §4 计算机实现人工智能靠的是什么 上面已经说到目前对人工智能的主流认识就是它至少要在计算机上再现全部的人类智力功能[1]。实际上，70年前，美国在研制原子弹的曼哈顿计划中诞生了第一座电子管计算机，主持该项目的冯•诺伊曼（J. von Neumann）教授就已意识到下一步要将计算机发展为具有人那样智力的机器。战后，冯•诺伊曼就带领他的研究生麦卡锡（J. McCarthy）朝人工智能方向研究。他们认识到首选的课题一要游戏规则清楚，不然无法编程；二要尽可能地发挥计算机的特长：不会遗忘、不怕海量的记忆。那就是棋牌类问题。至今，包括AlphaGo在内的人工智能本质上还是属于此类课题。 正如人类自身的智能一样，一般说来，人工智能应该包括获取外来知识、学习知识（即思考、判断）和使用知识（即操作、执行）三大任务，具体来说要让计算机具备以下能力：知识交流、感知、学习、推理、判断、移动和操作物体等。这三大任务对应的人工智能的组成部分称为机器学习、数据挖掘和执行机构。 人工智能的建立，当然先要让计算机有知识，然后才谈得上智能。那就是通过所谓机器学习，让机器获取知识。在机器学习中，需要将各种知识重新表述为计算机软件可以直接操作的形式，即表述为“数据”，这部分工作又称为“知识表示”。人接受外来知识的五个渠道是听觉、视觉、嗅觉、触觉和味觉。对应地，知识表示就是先要给计算机配备对应的这五个渠道。例如听觉的知识表示是，先把声波传感器即听筒的模拟电信号变成计算机能够操作的数字电信号。视觉的知识表示是把摄像头得到的图像变成由一串编码构成的图像文件数据。当然，知识表示还有其他很多种形式。例如看一个化学分子式或分子结构式，都需要有各自的知识表示。总之，人工智能的第一道工序是机器学习或知识表示。 人工智能的第二道工序是要使得计算机具备思考能力，这部分称为“数据挖掘”。第三道工序是人工智能的“执行机构”，显然这取决于机器人的主管专业。机器学习的知识素材和推理过程产生的知识的中间产品与最后产品，都需要有储存的地方，那就是人工智能的数据库。 可见数据挖掘是人工智能的核心。纵观数据挖掘的十大算法[9]：C4.5算法、K-means聚类算法、朴素贝叶斯算法、K最近邻分类算法、最大期望算法、Page Rank算法、Adaboost迭代算法、Apriori算法、支持向量机法、CART分类与回归树方法，可以看到所有算法的知识源头是数据，经过数据的自动生成、采集得到所谓“大数据”。十大算法无非就是对数据的归纳分类、搜索排序和统计分析。 据介绍AlphaGo在人工智能的方法上并没有质的突破，只不过在执行现成方法过程中强化了计算条件。它用了12层节点的人工神经网络作为工具在海量数据中找寻到达目的的最优路径。原则上，深度搜索和人工神经网络都不是新方法[10]。 至于当前时髦的大数据，的确非常实用，对社会管理、工程技术等许多方面都有极广泛的应用价值。应该说对其应用价值怎么估计也不过分，但肯定的是其中核心工具是统计数学。也就是，在公认的两大科学方法中，人工智能的所有功能中只用到归纳法（induction），而没有用演绎法（deduction）。需要强调不要把统计数学意义上的正确混同于物理意义上的正确，两者绝不是一码事[11]。不讲物理意义的至少不是物理学和化学。这一点数理统计学权威费希尔（R.A. Fisher，1890—1962）有一句极为精辟的话：“统计本质上是一种归纳推理。”[12]。数理逻辑学家罗素又用了一个“罗素鸡”的故事生动地指出其中的毛病[13]。故事讲农夫养了一只鸡，每天清晨按时走到鸡舍喂鸡，日久，鸡悟出了规律：凡清晨那熟悉的脚步声走来，它总能从那农夫手中得到鸡食吃。可是有一天清晨农夫走来，非但不给食，却一把抓起鸡脖子要宰。鸡临死前才明白它总结规律的判据是不完全可靠的，可为时已晚。这位曾掀起第三次数学危机的思想家无非是让人们明白：那只鸡认识规律的方法就是单纯的归纳法，没有演绎法，是一种不完备的求真判据。统计数学本身是严格的，但应用过程中应该当心其中的陷阱、误解。笔者13年前就曾在国内专业学术会议的报告中指出：同一个统计数学方法可以拿来做科学计算，也可以拿来卜卦、算命，人们要划清科学和算卦的界线[11]。总之，尽管目前人工智能原则上具备近乎无限大的记忆容量、近乎无限快的运算速度和绝对不会遗忘的记忆力，但人工智能本质上只会归纳推理，故只是一只“罗素鸡”。这里的说理依据不是哲学，而是数理逻辑。统计数学上的准确对于工程技术也许够用了，但是追求物理意义上的正确才是科学的真正目标。分不清科学与工程技术两者的差别一定会造成科学决策的偏差和教育的偏差。这几十年里，这方面我们的教训还少吗？据我所知，即便工程领域的学者，现在也渐渐明白“定量描述”与“理解”两者的差别。定量描述只是统计数学上的正确而已。这也是发达国家与后进国家制造业实力差别的重要原因之一。后进国家中，只顾“够用”的狭隘科学观阻碍了它制造业实力的提高。 可见至少在可预见的未来岁月，人工智能不可能顾名思义地被那么拔高，它离开人类智力还有相当的距离，更没有计算机独自不学就会干的事儿。 §5 迎接人工智能时代的到来 技术发展的影响经常会出乎人们的预料，尤其是在最近的一个世纪。例如，人们没想到个人电脑的普及其实来自游戏机的发展。1970年代末的计算机都是大型的，一台计算机就足以供给一所甚至两所大学的众多用户使用。制造大型计算机的IBM公司、Honeywell公司当然瞧不上Atari等小公司造的游戏机Atari-400、Atari-800。那只是卖给中学生玩玩的东西，上百美元一个。然而不久游戏机突然发展为苹果公司出产的Apple II微机。IBM不甘心把微机这个广阔市场拱手让出，于是不惜将微机原理的底牌汇编语言公之于众，想用这一招挤垮小公司。但是，苹果公司依仗它的图像优势并没有被挤垮，反倒因此引出无数个品牌的PC兼容机，病毒也出来了。最出人预料的是，个人电脑极快地得到普及，PC机也可以DIY了。再过没几年，个人电脑的功能又被植入移动电话之中变成智能手机。人们惊呼人工智能时代的到来。可见，接连几个被疏忽的因素引发了一系列颠覆性的社会后果。 同样，科学领域也有这样的例子：理论化学家一开始就瞧不起那“异常”粗糙的分子力学（molecular mechanics），区区五六个经验公式怎么就拿来夸口为“力学”？哪知道，那时正好遇上了1980年代微机的兴起。分子力学的计算很简单，立马就可以在屏幕上显示出大致合理的彩色三维分子结构图来。这一新生技术立刻吸引了化学界、材料科学界的眼球。分子模拟、药物设计、材料设计等分支学科应运而生。各种新型化合物、新型药物、新型材料的研究纷纷试图脱离传统炒菜式的试错模式，进入理性的科研模式，极大提升了理论在化学中的地位。这是理论化学家所始料不及的。 当前，以AlphaGo事件、无人机、机器人为标志的人工智能扑面而来，大家议论纷纷。笔者欣赏如下的态度： （1）由衷地欢迎人工智能时代的降临，深信它将给人类社会带来很大的进步。 （2）要让大众再一次看到人工智能巨大魔力的表象背后真正的原动力来自科学。科学就是阿基米德赖以撬动地球的支点，技术就是依靠这个支点将科学的力量放大了好多倍，轰动了社会。尽管科学只讲真伪，不讲价值，但是历史经验屡屡告诉我们：正是科学的那种目标自由式地追求真理，恰恰就导致人们实现了社会最重要的实用性目标。要饮水思源，在欣赏和享受人工智能的同时，更要看到真正的原动力来自科学。 （3）除了科学因素之外，即使在人工智能的技术因素中，也要区分华丽的肤浅技术和真正的关键技术。例如国产智能手机的品牌很多，但其实只有一两家掌握了关键的技术因素。 （4）人工智能的时代步伐是不可阻挡的，至于附带引出的新问题、甚至弊端，要取直面对待的态度，逐个解决，不能因噎废食。正如不能因为化学毒气、化学污染就禁止化学一样，至少没有化肥世界粮食产量会下降一半以上，以致一半以上的人口因缺粮而面临死亡......你愿意吗？我们完全可以像建立国际禁止化学武器公约组织（OPCW）那样，将来禁止制造智能盗贼、智能恐怖分子......就是了。 最后，面临智能时代，真正的危机是人自身的提高问题。根据以上叙述，机器人可以减轻或取代人的体力和低端智力，但却不能替代人的高端智力。警惕人工智能把人们惯懒了。把你惯成满足于使用傻瓜相机、傻瓜电脑，把你惯成只靠电视、手机来获取“知识”，把你惯成把微信八卦当学问，惯到懒得连上厕所也要高度自动化。说到底，你毕竟不能一直这样“宅”下去，面对机器人在许多传统职业岗位上愈益明显的竞争威胁，人类自身怎么办？恰恰相反，提高人类自身的科学技术素养和道德敬业精神的任务却变得比以前任何时期都要紧迫得多。个中道理不言自明。 ［1］胡珉琦. 人工智能: 为什么忧虑. 中国科学报, 2016-04-01. http://news.sciencenet.cn/htmlnews/2016/4/342011. shtm. ［2］王树禾. 数学思想史. 北京: 国防工业出版社, 2003. ［3］彭桓武, 徐锡申. 理论物理基础. 北京: 北京大学出版社，2011. ［4］哈格 T. 鲍林——20 世纪的科学怪杰. 周仲良, 郭宇峰, 郭镜明译. 上海: 复旦大学出版社, 1999: 67. ［5］吴征铠. 我的一生. 北京: 原子能出版社，2006：252. ［6］Hestenes D. Reforming the Mathematical Language of Physics （Oersted 奖得奖演说词）. 2002// Doran, C, Lasenby A. Geometric Algebra for Physicists. Cambridge: Cambridge Univ Press, 2007. ［7］郑庆璋, 崔世治. 相对论与时空. 郑州：山西科学技术出版社, 2001: 3. ［8］朱洪元. 群论和量子力学中的对称性. 北京: 北京大学出版社, 2009. ［9］Wu Xindong, Kumar V, eds. Top Ten Algorithms in Data Mining. Boca Raton, FL: CRC Press, 2009.Henderson H. Artificial Intelligence: Mirrors for the Mind. New York: Chelsea House, 2007. ［10］Silver D, Hassabis D, et al. Mastering the game of Go with deep neural networks & tree search. Nature, 2016, 529: 484. ［11］陈敏伯. 单凭统计拟合能逼近真理吗？——凭什么相信计算之三. 化学通报, 2016, 79: 196. ［12］Fisher R A. Statistical Methods and Scientific Inference. Oliver & Boyd, 1956; 张尧庭. 概率概念的发展和争论. 见: 邓东皋, 编, 数学与文化. 北京: 北京大学出版社, 1990: 359. ［13］Russell B. 哲学问题. 北京: 商务印书馆, 1959. 关键词：人工智能 理论物理学 近似 对称性 理想模型 归纳演绎 |
回复此楼» 本帖附件资源列表
-
欢迎监督和反馈：小木虫仅提供交流平台，不对该内容负责。
本内容由用户自主发布，如果其内容涉及到知识产权问题，其责任在于用户本人，如对版权有异议，请联系邮箱：libolin3@tal.com - 附件 1 : 科学_2018,_70(5)32_陈敏伯=_计算机近期还难以企及的能力——评AlphaGo之后的人工智能.pdf
2018-11-15 10:49:17, 832.88 K
» 收录本帖的淘贴专辑推荐
 机械力化学 | 新技术 |
» 猜你喜欢
有没有水性聚氨酯树脂或者丙烯酸树脂乳液产品比较好的公司推荐
已经有0人回复
-
在基材表面涂覆水性聚氨酯晾干后，浸泡碱性溶液出现白色沉淀原因
已经有1人回复
-
有机高分子材料论文润色/翻译怎么收费?
已经有176人回复
-
聚丙烯酰胺做涂层的时候可以用什么来染色观察涂覆情况呢？
已经有0人回复
-
广医大接收调剂！
已经有18人回复
-
湖北大学2024材料学院刘老师课题组招收调剂生材料学及材料与化工10名
已经有0人回复
-
广东医科大学生物医学工程接收第二轮调剂，需考数学一
已经有21人回复
-
调剂，广东医科大学生物医学工程（要求考数学一）
已经有10人回复
-
气质联用谱图分析求解
已经有2人回复
» 本主题相关商家推荐: (我也要在这里推广)
天天进步啊
木虫 (著名写手)
- 应助: 87 (初中生)
- 金币: 5658.2
- 散金: 101
- 红花: 42
- 沙发: 9
- 帖子: 1791
- 在线: 997.5小时
- 虫号: 3689648
- 注册: 2015-02-15
- 性别: GG
- 专业: 理论和计算化学
2楼2018-11-15 14:13:29
★
小木虫: 金币+0.5, 给个红包，谢谢回帖
小木虫: 金币+0.5, 给个红包，谢谢回帖
|
对拟合结果是罗素鸡这一点深有同感。我做过一些有机合成的DOE，本质上就是用统计数据去拟合一个未知的多变量函数(比如反应转化率对温度、pH等变量)，得到的方程其实是这个未知多元函数的泰勒展开(根据实际情况和数据吻合度截断)。这是一个本地模型，也就是陈老师说的罗素鸡，内推可行(否则数学模型就不对)，外推就只能做参考了-外推得到的最佳反应条件如果不荒唐(比如负反应浓度)，值得做实验试一下。 发自小木虫Android客户端 |
3楼2019-07-19 11:40:59
4楼2020-11-23 14:38:34
mbchen
专家顾问 (著名写手)
-
专家经验: +186 - ICEPI: 70
- 应助: 108 (高中生)
- 贵宾: 0.15
- 金币: 2792.7
- 散金: 235
- 红花: 80
- 帖子: 1206
- 在线: 733.9小时
- 虫号: 383121
- 注册: 2007-05-26
- 性别: GG
- 专业: 理论和计算化学
- 管辖: 无机/物化
5楼2023-03-30 21:56:42
mbchen
专家顾问 (著名写手)
-
专家经验: +186 - ICEPI: 70
- 应助: 108 (高中生)
- 贵宾: 0.15
- 金币: 2792.7
- 散金: 235
- 红花: 80
- 帖子: 1206
- 在线: 733.9小时
- 虫号: 383121
- 注册: 2007-05-26
- 性别: GG
- 专业: 理论和计算化学
- 管辖: 无机/物化
6楼2023-03-30 22:14:41
15