蚁群、大脑与人工智能

陌上秋草

刘桓中撰文

2024年9月

多年前上大学时读过一篇文章，其中有句话令人深思：人类最早探究的是离我们最远的天体，最迟探究的是离我们最近的大脑。

浩瀚宇宙产生了一个小小地球。不知多少偶然因素交错，让地球产生了生命。又不知经历了多少奇妙变故，让生命产生了思维。这一切太过于深奥，人类无法理解，便将其归因于万能的神。只有这样，人们才能在心灵深处得到一缕安宁，一丝慰藉。

可是，人类躁动的大脑并不满足于此，曾几何时，人类开始尝试用大脑来思考大脑，用思维来破解思维。这听起来有点不可思议，好似听到一个荒诞故事：魔鬼将自己撕碎，吞食得一干二净。

现实却不荒诞。多少年来，许多大脑在固执地思考着自身，逐渐破解着思维密码。
——————————————

《昆虫记》作者，法国生物学家法布尔曾做过一个奇特实验：把一群蚂蚁置于圆盘周围，使其首尾相接沿着圆盘爬行。不知何故蚁群出现错乱，它们不停地围着圆盘团团转，即便旁边有食物也不会离开队伍取食。蚁群如此忙碌了七昼夜，相继衰竭而亡。

蚁群转了七昼夜，衰竭而亡

有记录说，其他人也见过类似现象，甚至有数百只蚂蚁集体错乱。可见蚁群错乱并非偶然现象。学界认为，蚂蚁是靠气味相互传递信息，这种气味被称为信息素。蚁群错乱可能是周围有特殊气味干扰了信息传递，只是目前尚未发现是什么气味，如何干扰。

不妨来猜测下。目前已确知，蚂蚁出洞寻找食物时，会在沿途留下气味标志。如果发现大块食物自己搬不动，会回家喊人帮忙。当然也是借助信息素喊人。同伴们会沿着发现者留下的气味一路找到那块食物，然后齐心协力搬回家。假如中途有一段气味消失，有可能那块食物再也找不到。更坏的情况，假如气味路线不知何故变成了圆圈，这群蚂蚁会永不休止地沿着圆圈转，直至死亡。

不禁要问：工蚁们为何如此忠心耿耿为集体而献身？

英国布里斯托大学的尼格尔·弗兰克斯教授观察了30年蚂蚁行为。他认为，单只蚂蚁的行为很简单，蚁群行为却非常复杂。如同高级动物的大脑，单个脑神经元很简单。无数神经元组成网络，会产生复杂的思维。于是，一窝看起来傻傻的蚂蚁藉信息素构成一个超级生命体，便有了强大生存能力和毁灭能力。单只蚂蚁只是超级生命体的一个细胞，其本能就是为这个生命体而献身。

尼格尔·弗兰克斯教授在实验室观察蚂蚁行为

由此又产生另一个问题：单只蚂蚁的简单行为怎么就能复合成蚁群的复杂行为？或者说，单个脑神经元的简单功能怎么就能复合成大脑的强大思维？

这正是迷惑了人类许多年的关键问题，一个非常神秘的问题。若能解开它，人类对生命、大脑、记忆、意识这些本原概念的理解会突飞猛进，对人类的社会行为也会随之洞悉。

可是，由简单功能到超级功能的跨越真的那么神秘，那么复杂吗？英国数学家图灵于上世纪 50年代提出自组织概念。他认为，一些表面上看起来很复杂的系统，其实是由简单系统以自组织方式演变而成。例如，动物坯胎的发育过程就是按照简单规律实现自组织。自组织包含正反馈机制，其不断重复会突然呈现复杂模式，形成各种器官和皮肤上的花纹。这种系统被称为混沌（chaos）系统。

美国数学家曼德勃罗于70年代创造了曼德勃罗集。他认为，自然界中很多形状符合自相似原则，即相同形状随着尺寸递减不断重复，譬如树枝、河流、海岸线、血管系统、花椰菜等等。他把这种结构称为分形（factal），并用计算机绘制出各种分形结构。所用的绘图程序大致都是这种模式：

Z = Z x Z + C

这是计算机程序，不是一般数学公式。它表示把变量 Z自乘加上一个常量再赋予 Z，其中包括图灵所说的正反馈。正反馈导致系统的不稳定和结果的不可预测。也就是说，看似一种简单机制，其发展进程却是不可预测的。并非牛顿一派古典学者说的那样：任何事物若给以明确数学描述，便可准确预测其结果。

曼德勃罗集图形

比曼德勃罗稍早，美国气象学家洛伦兹曾提出“蝴蝶效应”概念。他尝试用简单数学公式预测气象变化，但计算机运算结果与预测相距甚远。反复运算后他发现，初值稍有变化就会得出完全不同的结果。运算并不包含随机数，计算机也没有错误，唯一解释就是公式中包含正反馈。洛伦兹如此来描述其发现：一只蝴蝶在巴西扇动翅膀，结果导致德克萨斯的一场风暴。

所有这些都指向同一现象：自组织系统可以由简单结构产生复杂结果。那么，大脑也是这种自组织系统吗？

所谓人工智能就是用人工方式模拟大脑，让机器能像大脑那样思维，那样相互影响和控制。早期研究是把大脑看成一个黑箱，让机器模拟大脑的输入输出，从而模拟大脑功能，因为那时对大脑内部机制了解太少。这种方式也能创造人工智能，但设计过程非常复杂，越是深入开发越是复杂。面对大脑神奇的思维奥秘，学界有种望洋兴叹的感觉。

本世纪来，随着对脑神经结构的深入了解，人们开始思考一个问题：既然大脑是自然产物，并非什么超级神灵设计而成，它必然符合自然产物的一般特征，即基本结构很简单。生命本身也是如此，单个基因并不复杂，基因之间相互关联，相互作用，才形成看上去十分复杂的生命形态。

最近，哈佛大学和谷歌研究院共同做了一项意义深远的研究，带头人是哈佛的利奇曼博士和谷歌的贾恩博士。研究组用电子显微镜将一立方毫米人脑组织做高分辨成像，为众多脑组织细胞一一建立三维图。下面是单个神经元的三维图像。研究组发现，单个神经元通过 5600条神经纤维在大脑中建立连接。现已发现，成年人大脑中包含800多亿个神经元，可见神经元网络的内部连接是多么复杂，其包含的数据量是多么庞大。

单个神经元连接 5600条神经纤维（蓝色）

不妨设想，大脑就是个自组织系统，在外部信号刺激下，这个自组织系统会做局部重建，将新信息保存下来，并与原有信息建立联系。例如，眼睛看到的景象会随时保存下来，并不断影响大脑中的固有信息。人们还会利用大脑中的固有信息在脑中勾画出从未见过的景象，如同真实景象那样保存在脑中，这就是创造过程。即便在梦中也会出现这种创造过程。

新型人工智能就是在模拟大脑的自组织方式：人工创建一个庞大的神经元网络，用海量数据对其进行刺激，让其自动重建内部连接。这个过程称为训练，用来训练的海量数据称为大数据。

最先完成惊世成果的是电脑围棋。用传统方法设计的围棋软件顶多能达到业余棋手水平。人们哀叹：围棋每下一子都面临天量选择，远远超出电脑的计算能力，恐怕今生也见不到高水平围棋软件了。话音未落，DeepMind 公司的围棋系统 AlphaGo就战胜了韩国九段棋手李世石，举世震惊。

AlphaGo 是用大量人与人对弈数据训练而成。DeepMind 公司并未止步，他们直接让围棋系统相互对弈，并用对弈结果自我训练，从而创建了更厉害的 AlphaZero。如今 AlphaGo 已无人能敌，但遇上 AlphaZero 只能甘拜下风。这里的秘诀是：搜集整理人类对弈，漫长浩繁。围棋软件相互对弈，瞬间就下完一盘，创造数据比搜集数据效率高出不止千倍万倍。围棋界发现，AI 围棋甚至突破了以往的定式，一些曾被看作臭棋的落子，竟是一举定胜负的妙招。

围棋是一个封闭系统。相比现实世界，围棋只是个固定不变的小世界。面对大世界的人工智能，其复杂度不知要高多少层级，但其基本原理一致。所有搞自动驾驶的大公司都用类似方法来训练智能系统，所不同的是硬件配置。例如，特斯拉公司训练 FSD 自动驾驶系统时，不仅用实际驾驶场景，还大量使用电脑自动创造的模拟场景，由此可以快速方便地制造难题，让 FSD 来适应。这与围棋系统 AlphaZero 的训练模式很相似。最近特斯拉称，FSD 已达到 L4自动驾驶等级。若属实，那应是自组织模式的又一重大成果。

特斯拉公司 FSD 系统的路况模拟界面

目前，人工智能的最大障碍已非研究方法，而是研究投入和算力成本。据说 AlphaGo 和李世石一次对局仅电费就需数千美元。那并非一般人想象的，弄几台电脑或是建个小型网络即可实现。这种高智能需要庞大电脑网络的协同运算。算力成了当今最时髦的科技术语。英伟达成了提供算力的头位硬件厂商，其股价猛烈飙升，已和微软、苹果并驾齐驱。

芯片线距正接近一纳米，人类正不顾一切向原子级进军。全世界都在瞪大眼睛盯着人工智能的进展。有人热血沸腾等待新时代的来临，有人唉声叹气预言着世界末日。人类社会如同自然界，也有其自组织机制。也许不久世界将来一次剧烈局部更新，在各社会细胞间建立全新连接，不妨拭目以待。

（插图来自互联网）