曹议文老公作为一名专注于计算机视觉的人工智能从业人员，一直以来我都对什么是智能以及如何实现强人工智能有所追问。在完成了学业并参与了数年工作之后，依然觉得现阶段的绝大部分理论成果对智能的基本问题没有进行正面的回答。近期我从自己的冥想出发，逐渐寻找到了认知神经学和认知心理学对人的思维的深入解读。在这些学科的基础上，结合自己的思索，我试图给智能一个自认为比较具体的解构化的假说描述，并对如何实现强人工智能提出自己的遐想，供大家参考拍砖。

　　关于智能的定义，最有名的就是图灵测试了。图灵认为给定一个可以交互的黑盒，如果有超过30%的人类认为黑盒是真人，那么黑盒就被认为具有智能。很显然这是一种判定式的定义，就像判别模型一样可以判断但不能生成智能。很多博主也有对智能本质的精彩描述（例如，scott.cgi：智能的本质：人工智能与人类智能），不过大多是从智能的功用出发来进行阐述。在这里，我试图以直接解构的方式对智能进行假说探讨，因为我们要实现人工智能，就要对智能的构建元素以及构建过程进行充分的了解。

　　对于人类可以自主掌控的显意识，我认为其基本组成就是概念和逻辑两个元素。概念发端于我们对静态记忆的分类和抽象，像三角形、四边形和圆形，再比如猫、狗和猪，更高级的还有动物、植物和微生物，生命体和非生命体等等。随着我们的成长，记忆日渐丰富，头脑中的概念也越来越多，并且形成一定的组织架构。逻辑则起始于我们对时序的感知，起始于对概念按时序进行的组合排列。例如，“风吹水面会起波纹”，就是对“风”“吹”“水面”“起”“波纹”这几个概念的一种时序组合排列。我们认可的逻辑都是由这些符合客观事实的概念时序组合累积和抽象起来的。这些时序组合先形成陈述性逻辑指导日常生活，再逐渐被抽象成更高层的逻辑，例如“风吹水面会起波纹”这句话就能抽象出因果逻辑。看到这里，我们应该可以察觉到，在我描述的这套假说体系中，人类的智能就是逐渐由少到多，由静态到动态，由实际到抽象，由小范围到大尺度，一步一步地用概念和逻辑搭建起来的。这种思想本质上也是一种递归，诚如这篇博文所述：刘逸川：智能的本质是递归。

　　至于人（可以推广到一切智能生物）为什么能形成概念和逻辑，从神经学、生物学和进化论的角度看，这就是个随机现象。随机的脑神经进化，使智能生物具备了形成概念和逻辑的神经基础，从而产生了智能，获得了生存竞争优势，淘汰了不具备智能也不具备特殊生存手段（例如植物、细菌和病毒等）的生物。另外，所谓的自我意识，应该就是头脑中与自己有关的所有概念和逻辑组成的集合，人们利用这个集合来认识自我并区分自我和其他外部世界的事物。

　　视觉作为人类获取信息的主要途径对人类智能的重要性不言而喻。从第一节描述的假说来讲，视觉提供了形成概念的静态记忆和形成逻辑的情节记忆。至于视障人士形成概念和逻辑的的过程，我觉得人类对声音的处理也有类似视觉处理的过程，因此就不额外赘述。从当今主流的认知心理学理论来讲，视觉处理过程包含一个自下而上和一个自上而下的过程（可参考：《认知心理学：认知科学与你的生活》），不过对于这两个过程的具体分析由于缺乏足够的实验证据，除了基本的视觉输入机制以外，都停留在假说理论的层面，这里也是结合我个人的看法谈谈可能存在的处理过程。

　　先说说自下而上的过程。视觉的最底层输入有颜色和亮度，对颜色和亮度信息进行基本的处理就可以获取大量的边缘信息。同时视觉通常是双目输入并且输入是持续的，对双目信息的融合可以获得三维信息，对持续输入的对比又可以获得运动信息。因此通过简单的神经网络模块，在没有额外高级认知的参与下，视觉系统就可以获取颜色、亮度、边缘、三维和运动信息。视觉系统大多数时候并不会对目之所及的所有信息同时进行处理，除了偶尔的整体场景识别外，往往在任一时间点，视觉系统只会对某一单个的物体或区域进行重点分析，而这就是我们大脑的注意力机制在发挥作用。通过直观感受我们可以基本推测，视觉系统获取的颜色、亮度、边缘、三维和运动信息都可以引导注意力机制注意到视野中与众不同的区域。我们可以初步假设，视觉系统为我们的视野计算了一个或者多个平均图，视野中与平均图截然不同的区域都会召唤注意力机制的关注，从而得到大脑的额外处理。这个额外处理就包括对该区域的进一步分析和对该区域的记忆保存。

　　至于自上而下的过程，很可能就是形成视觉概念的过程，而且是一个逐步丰富的过程。随着人类幼儿的成长，输入的视觉信息日渐增加，而保存的基本单元可能就是注意力关注的某一个事物。这些基本视觉记忆单元会向上传导，向更高层皮质提供输入，而这个过程很可能是一个类似于上采样的过程。这样在更高层皮质就会形成初步的抽象视觉概念，例如各种形状。在之后的视觉识别过程中，这些已有的视觉概念就会参与和指导对视觉信息的加工，这样记住的视觉记忆单元就会有额外的属性信息，例如杯子是由一个圆柱体和一个半圆形组成的。然后新的视觉记忆单元又会重复向上传导的过程，形成新的视觉概念，指导再之后的视觉信息加工。如此循环往复，就形成了我们对视觉世界的多层次认知。

　　在计算机视觉的很多论文和专著中还往往会提到中级视觉处理，具有代表性的就是格式塔心理学（格式塔心理学）。格式塔心理学认为人们在感知物体的时候，视觉系统会依据诸如接近性、相似性、闭合性和连续性等的属性对视觉信息进行初步整合以形成各种局部整体，这些局部整体要么代表一个完整的物体，要么代表一个完整物体的重要组成部分。个人感觉这种中级处理也属于自下而上的过程的一部分，是注意力机制完成的一种功能。

　　现在的深度学习神经网络主要是在对自下而上的过程进行建模。其中，对颜色、亮度、边缘和三维信息的利用最为直接充分，对运动信息的利用需要串联多个网络进行额外处理而且在处理图片信息时往往并不必要。对注意力机制的建模可以通过添加额外模块达成，但建模效果显然与人类的注意力水平还有明显的差距，而这种差距主要体现在对多种原则的综合利用上，并且很可能这就是缺乏自上而下的指导的结果。虽然深度网络的高层特征从某种程度上也对视觉概念进行了建模，但是是以一种黑箱的、不严密的、随机的方式进行的，如果要真正地让神经网络具有强智能，我觉得对视觉概念进行多层级显式建模很可能是避不开的环节。另外，与人类视觉皮质保留了大量视觉记忆不同，神经网络也没有显式地有组织地保存任何具体的视觉记忆（虽然生成网络确实以某种不能完全解释的方式记住了一些视觉内容）。

　　人类的语言是对业已形成的概念和逻辑的实体化输出，先有语音，后有文字。所以语言本身对于智能而言只是智能的工具，是智能保存、发展和交流的媒介。有了语言之后，思考这件事情会变得更加容易，原来在头脑中对概念的调取组合变成了对语音的调取组合，而调取和操控语音的能耗和复杂度显然是小于调取和操控具体记忆的能耗和复杂度。如果没有以记忆为基础的概念作为底层架构，语言本身并不能形成对客观世界的有效反映。如果以上论断是成立的，那么现在NLP对语言的处理将无法形成对事物真正的理解，因为仅仅在语言层面上进行信息处理并不涉及对客观世界的建模、分析和预测。

　　记忆按其保存时长来分，可以分为感觉记忆，短时记忆和长时记忆。感觉记忆最为短暂，是我们感官接受外界刺激后对刺激的延迟保存，持续时间在数百毫秒以内，最为人熟知的就是视觉暂留现象。短时记忆持续时间可达数秒乃至数分钟，是人们对注意力关注的对象的短期保存，是为后续处理（记忆或者逻辑分析）作准备的处所。通过多次重复的刺激，短时记忆的内容可以变为长时记忆。如果需要推理决策处理，长时记忆中更多的相关内容会被调入短时记忆一并处理，这就是所谓的工作记忆，是我们大脑进行所有思考的工作空间。而长时记忆则是长久保存在我们大脑中数月数年甚至终生的记忆，它又被具体细分为语义记忆和情节记忆。语义记忆是我们对世界的认知，而情节记忆则是对我们亲身经历的事情的记录。

　　关于记忆的知识讲解，很多认知神经学和认知心理学的书籍都有详细的介绍（这里推荐一下《认知神经科学》一书，作为入门教材确实写得不错），这里就不继续展开了。但还值得一提的就是关于情节记忆的储存模式。情节记忆的一个特点是它是多方面的，包括视觉、听觉、触觉等；情节记忆的另一个特点是它记忆的内容是持续一段时间的、动态的。通过实验证明，对于情节记忆的生成，海马体具有不可替代的作用。现在的研究普遍认为，情节记忆的形成需要海马体对储存于多个大脑叶的多个片段记忆进行索引编码整合，只有编码过的情节记忆才能长期保存和成功调取。有海马体受损的病人，根据受损部位的不同，将发生顺行性或（和）逆行性遗忘，也就是不能记住以后发生的所有事情或者（和）不能回忆起以前发生的事情。从情节记忆的保存机制我们可以看出大脑的记忆储存有一种分布保存，然后向上汇聚整合的模式。之前提到的视觉概念的生成假说也是受了这种模式的启发而设想出来的。对于计算机而言，保存视频片段自然不必完全采用这样的模式，但是对于我们设计模型和思考人脑的工作机理，情节记忆的生成模式还是具有一定的启发意义。

　　其实计算机的运作机理还是很好地模仿了大脑的运作模式，其基本调度架构就是注意力机制和工作记忆机制。我们每天早上醒来，就被习惯、环境和随机的想法联合支配。当前抓住你注意力的事物会召唤大脑调集相关的记忆内容进入工作记忆，然后调用一定的策略使用这些记忆内容做出行动决策，最后你的身体再执行这些决策。环境里的任何事物、某些突然跳出来的想法都会插队，抢占注意力的高地。处理完一件事情之后，另一件事情就会抓住注意力，然后让其以相同的模式展开处理，循环往复直至一天的结束。当你进入梦乡后，就只剩你脑子里一些随机的记忆偶尔跳入你的工作记忆并唤醒其他的相关记忆，组成各种光怪陆离的梦境。注意力机制和工作记忆机制的配合是不是与电脑的CPU和内存的相互配合很像呢？所以大脑的顶层运作还是很容易实现的，实现强人工智能的关键难题还是在于概念和逻辑的构建，也就是静态记忆的合理聚类和动态记忆的合理抽象；难在只提供一个不包含知识的基础架构，然后让计算机像人类一样自己总结关于这个世界的知识和模型。

　　经过上述分析，个人认为，强人工智能的实现离不开神经生理学、认知神经学、认知心理学、数学和计算机科学等学科的通力合作。总体来说，这里存在两条技术路线）对真智能的解析认知和实证查找；2）对人工智能的基于数学的工程搭建。早在1980年代，David Marr就在他的《Vision》一书中阐述了这样的看法。作为一个对心理学、神经学、数学和计算机科学都有深入理解的科学家，David对人工智能的很多看法时至今日依然能给人带来启迪的光芒。可惜天妒英才，David英年早逝，不能将他的学说深入发展下去，后继者似乎也没有很好地延续他的研究思路。刚才提到的两条路线是相辅相成的关系，对神经系统的深入认识能正确指明计算机科学的前进方向并提供建模的灵感来源；使用计算机工程搭建人造神经系统又可以对各种神经系统假说进行验证同时反向为认知神经学提供具体功能模型上的灵感。理想状态下，如果有一个涵盖这些学科的综合性学院进行统筹安排并促进交流合作，那么人工智能的发展应该会进行地更有效率。但现实中，至少两方面的困难会限制这种方法论的实行，一是神经学和心理学与数学和计算机科学之间的差别很大，合作起来必然存在诸多不适；二是取得神经学和心理学的进展相对比较困难，不一定只依赖于数学和计算机科学的发展，也高度依赖各种检测设备的技术进步和大量的生物实验。不过，个人认为，作为人工智能研究人员，除了对本领域前沿知识的关注，对认知神经学和认知心理学方面的发展也应该保持合理程度的关注，如果只从数学领域寻找灵感，恐怕不是取得最终成功的理想方向。

　　智能之所以可以帮助生物生存繁衍，就是在一定程度上可以正确地反映客观世界，是客观世界的一面平整的主观镜子。人类的智能作为地球智能的巅峰，可以十分立体地反映客观世界的诸多方面，并且可以通过推理演绎预测客观世界可能发生的变化。人类能够“理解”世界，或许就是仰仗于头脑中形成的具有网状连接的概念集，每一次“理解”行为可能就是一个概念及其相关概念被激活的过程。所以，人工智能大概也应该有一套机制显式地反映这个世界的各个层面，构建一个可以白盒验证的世界模型，并具备使用该模型进行推理演化并预测其变化的能力。数字和语言终究只是载体，如果承载的只是不可控的编码而不是世界的有序构成方式，估计也终难达成“懂”的境界。