Humans as Ecorithms
不，我对开发强大的大脑不感兴趣。我想要的只是一个和美国电话电报公司的总经理一样的大脑。---------------------------------------------------------------------------艾伦·图灵
8.1导论
科学，无论是核反应还是吸烟对健康的影响，都没有规定它应该如何应用。它的相关性需要一个单独的，即没有理论依据的讨论。科学家们有理由，或许也有义务对他们的工作进行更广泛的相关性推测。这就是为接下来的事情辩护的理由。 前几章阐述了生命的决定性因素是生物体与其环境之间的算法关系——生命通过学习机制应对其环境。在接下来的几章中，我将试图对两个问题提供一个个人的、毫无理论的回答:我们在地球上看到的生命、智慧和文化的所有复杂性都可以用这个假设来解释吗?它会带来任何普遍感兴趣的结果吗？ 使这个讨论更理论化的一个困难是，在生物学中使用的基本算法还没有被确定。当然，我们研究的一个主要动机，正是鼓励进一步的工作，以填补这些空白。一旦这些算法被更好地理解，我们将要讨论的话题将变得更经得起科学分析。 与此同时，还有一个困境。到目前为止，我一直在讨论计算和学习的理论，我认为这是科学的。随着我继续往下讲，我进入了一个更危险的领域，因为我还将对目前没有理论的东西发表声明。我最有力的结论之一是，人们应该对关于完全无理论的讨论持极端怀疑态度，因为它们几乎没有合理的意义。我自己也得小心别掉进智力的泥坑。如果我能做到这一点，那将是通过始终保持一些科学的视野，也就是说，我试图将重要但缺乏理论的问题与学习的理论联系起来。
8.2 先天与后天
一个广泛争论但仍未解决的问题是，人类的行为有多少是在怀孕或出生时决定的，又有多少是由生活经验决定的;究竟是个体或群体之间的基因差异起了决定性作用，还是人类的适应性太强，以至于出生后的生活经历都起了决定性作用。 最终的答案难以捉摸。人在出生后是非常容易训练和教育的。在数学测试等可衡量的任务上，个体和群体的表现明显不同，这很容易发现。检测这些差异的实验或调查有时具有很高的可重复性。然而，发现的差异是否与这场辩论有关，通常还有待解释。 对于计算理论来说，先天与后天的问题似乎不太可能是一个难题。当然，在电子计算机中不存在这样的问题。很明显，你的新电脑在交付给你的那一刻，你知道它的功能是什么。这些功能应该很容易从后续的增强中分离出来，比如添加的软件或硬件，或者运行学习识别声音的学习算法。 然而，算法的观点与刚才描述的计算机是不同的。相反，它对应的情况是，在你购买之前，你的计算机本身是在一个学习过程的帮助下创建的，它在你随后的使用过程中学习了越来越多的知识。如果你在购买之前和之后使用的学习过程本质上是相同的，那么在购买之后，重建机器在购买时的能力可能真的是有问题的。如果你买了一台二手电脑，它的前任主人用与你使用自己的电脑类似的方式使用它，你会怎么做?如果你买了一只狗，并试图区分前主人和你的影响，会怎样? 我认为，人类先天逆转-后天培养问题的困难来源正是这个。概念产生前的进化过程和概念产生后的学习过程非常相似，不需要强加一个简单的界面来区分它们。考虑一下，试图区分一个人的性格中哪些部分可以归因于他5岁半生日之前的经历，哪些可以归因于他5岁半生日之后的经历，是多么的荒谬。同样，怀孕或出生的时刻也不是主要的分水岭。当我们被孕育或出生时，我们已经有许多重要的东西学了一半。先天与后天的问题失败了，因为它把一个几乎任意的瞬间强加到一个连续的变化中。
8.3 天真
前面我描述了可学习目标追求的概念，这是一种追求环境提供的每一个可能的学习机会的积极策略。对于已经被识别为特征的概念，只要环境提供了适当的例子，任何一个概念都是可计算学习的，都将被学习。我认为我们的认知系统是天生的。 如此连线的系统并非没有缺点。一个不断地有意的吸收所有可学习的规律的生物是很容易犯错的。这种缺陷与一般解释统计信息时一样——数据可能不具有代表性或不充分，或者统计相关性可能鼓励我们假设不合理的原因“谎言有三种:谎言、该死的谎言和统计数据”这句谚语表达了这样一个认知系统很容易陷入的基本陷阱。特别是，当处理非自然的或敌对的数据来源时，我们在可学习目标追踪方面的激进算法将有点天真。 用更专业的术语来说，在PAC学习中，环境被认为是中立的。它既不是像慈祥的老师那样试图帮助我们更快地学习，也不是试图混淆或拖延我们的学习。从这个意义上讲，物质世界似乎本质上是中立的。因此，这样一个中立的学习环境是合适的，可以用来考虑进化是如何解决基本的物理问题的，比如运动和视觉。显然，没有仁慈的资源可以加速学习，也没有敌对的资源来阻碍它。 我们的基本学习本能就会进化到对世界做出反应，就好像世界是中立的，并接受表面价值和典型的所有信息。正如我们所看到的，仁慈的人，比如父母或老师，可以利用这种情况，向我们展示信息，推动我们的硬连接的学习算法，以特别快的速度达到预期的泛化。另一方面，一个敌对的实体可能会误导我们，它提供的信息会很快导致我们的算法错误的概括。当我们认识一个新朋友时，我们倾向于相信我们看到的行为是他们的典型行为，而不是欺骗行为。当我们去餐馆吃饭时，我们倾向于认为我们吃的是那家餐馆的特色饭菜。对可学习目标的不懈追求，以及将我们处理的大量信息视为中性的倾向，使我们很容易成为误导的巧合或欺骗的受害者。当我们从一个例子中学习时，这种现象被推向了极端。孩子在学习书本上的概念时，相信别人是合理的，而不是时刻警惕所展示的例子，比如大象或其他东西，是不具有代表性的。然而，由于过分渴望将数据作为代表，我们可能很容易被驱使得出错误的结论，哪怕是最小的操纵。对一个我们不太了解的人说一个负面的词可能会永久地影响我们对这个人的看法。
8.4 偏见和急于做出判断
一个相关的陷阱来自于我们有时必须快速做出决定的事实。有一个在任何情况下都能立即告诉我们是否要逃跑的回路是至关重要的。虽然这种电路的输出可以提供信息，以便在一些轻松的时刻进一步考虑，但它的主要功能将是对是否在一些紧张的情况下运行的是/不是建议。不幸的是，快速决定是否采取行动的需要可能会使我们的神经回路倾向于在缺乏信息的情况下匆忙做出判断。所谓信息不足，我的意思是，即使在一个中立的世界，信息也不足以对未来提供一个有信心的预测。然而，这并不是说缺乏信息永远不值得采取行动;如果另一种选择会造成严重后果，那当然会。当走在灰熊出没的地方，人们应该注意到灌木丛中的咆哮声。学习算法在有压倒性证据之前就采取行动，可能还有其他原因。我们之前描述的感知器算法之所以被首次提出，是因为它的逐步过程似乎很适合神经系统。它还有一些相关的附加属性。在目前的术语中，我们称它为在线算法，因为在任何数量的例子之后，哪怕只有一个，甚至没有，它都对下一个未标记的例子采取立场，将其分为正或负。如果我们的大脑有这样的在线算法，我相信他们有，那么在任何时候，他们都会倾向于对每个问题采取立场。换句话说，他们急于做出判断。在一个中立的世界里，仓促做出判断可能对我们整体有利。毫无疑问，我们会在一次会面后对个人做出强烈的判断，在一次访问后对餐馆做出强烈的判断。我相信，这种基于缺乏证据的预先判断的渴望是我们天性的一个基本方面，是拥有一个能够对哪怕是最少量信息作出反应的决策系统的结果。我们更擅长做决定，而不是评估其正确性的可能性，或根据证据证明我们的行为。这将反映PAC学习是/否问题相对容易，而不是这些更复杂的任务。事实上，我们可以把这种信任带得更远。除了根据我们自己的经验做出判断外，我们可能还会不合理地接受他人的信念和偏见，也许我们会假设他们或第三方，已经从数据中获得了问题的信念，就像我们会有。在允许事实和统计数据被当作表面价值的世界中，这种行为可能是一种有效的策略，但在对手和有议程的实体面前，这是一个严重的弱点。最近，我在费城坐出租车时，司机不到一分钟就问我:“你是数学家吗?”我说:“为什么?”他解释说:“数学家要么没有头发，要么头发会竖起来。”显然他在大学里学过一些数学。至少他在这个问题上的偏见是有个人经验的。
8.5 个人化真相
我强调过，PAC学习提供了一种理论，即全世界的人如何从不同的个人经历中得出相似的概念。解释是，只要人类有一个共享的学习算法，只要他们看到的例子都是同一个概念，那么每个人都可以从之前学习过这个概念的其他人标记的例子中学习。世界各地的个人所看到的实际例子不一定是相同的。然而，PAC学习也有一些明显的局限性。在世界的不同地方，同一个词可能有不同的含义，或者例子的分布可能不同。在这些情况下，不变性假设将被违反，共享的意义将无法实现。这将导致误解。共享意义存在着有害的障碍，甚至超越了意义和分布差异所固有的障碍。这些进一步的障碍是由有限思维的眼睛与充满信念的内部记忆的互动所造成的。我们可能都在用我们的心灵的眼睛看同一个世界，但由于我们在很大程度上控制了允许哪些信息进入，这取决于我们的信仰，我们可能看不到同一个世界。在大脑的眼中，我们不仅处理来自外部的信息，还处理从长期记忆中从内部获取的信息。当我们听一场政治辩论时，我们每个人都可以将不同的内部信息带到我们的脑海中，这些信息会改变我们对外部输入的解释方式，甚至从输入中选择不同的句子来承认或忽略。我们过去经历中的差异不一定由共同的现在消除。根据长期记忆的内容，选择处理哪些体验以及如何处理体验是个性化的。不同的人对世界的看法不同，这只是一个不言而喻的事实。这里提供的是一种观点，说明了为什么必须这样：我们必须用有限的思维来看待世界，而不是像一个针孔一样，在我们长期记忆的大世界和外部更广阔的世界之间，如果这个世界要通过计算来学习的话。这一要求使得我们能够控制来自外部世界的信息，通过我们决定去哪里，相信谁，看什么，以及从我们的内部经验中投射到它上的结构和信念，我们允许这些信息冲击我们的眼睛。我们的长期记忆充满了通过我们的眼睛过滤的材料。我们所学的归纳法只适用于我们自己的大脑通常会遇到的场景。使用PAC语义的认知系统确实需要实现近似的内部一致性，这一点毫无疑问。因此，一个人内部概念的一致性应被视为一种规范，这可能被视为该人的个性化真理。但这并不意味着不同的个体之间会有一致的判断。
8.6个人感受
人类用诸如爱、恨、骄傲和内疚等词语来描述情感。这些话唤起了他人的理解和反应。一代人写的话对另一代人说，有很多共同的意义。个人的感觉和观点在大脑回路和个人行动中都是真实的。谈论我们的观点和感受可能是令人愉快的经历，可能是如此的合理。但是，除了它们是真实的这一事实之外，我们还能给它们赋予什么样的地位呢？在这一点上，经济学的立场很简单，不管个人感觉和观点多么真实或强烈，它们除了仅仅是无理论计算电路的输出之外，没有任何地位。考虑到人类在生物学上几乎完全相同，我们只能期望我们有相似的快乐和痛苦体验。如果我们大脑中的回路是相似的，那么，如果我们报告某个经历中的快乐或痛苦，那么其他人就会理解我们，这并不奇怪，因为他们的回路是相似的。因此，人们对基本道德的看法会得到广泛认同也就不足为奇了。当然，我们并不完全相同，因此，对于不同的个体，这些概念可能并不完全相同。但是，我们对快乐、痛苦和道德有着共同的看法，这只是我们的期望。个人情感的真实性以及与他人交流的可能性都完全符合生态伦理的观点。我们是否能够对我们的观点和感受进行推理，无论是分享的还是其他的，完全是另一回事。我不知道有什么依据可以证明我们有理由在这样一个没有理论的领域应用这样的过程并达到确定性。就个人而言，我们可能和其他任何人一样，有理由为自己的观点和感受而战，并采取行动。但是我们应该谨慎和谦逊地去做，因为似乎没有办法证明我们的感情和观点比别人的优越。
8.7理性的错觉
本书论据之一的进一步结果是，当对无理论概念进行推理时，PAC学习的语义是恰当的，因为理性有其自身的局限性，如果忽视这些局限性，后果将不堪设想。自然语言中的词汇在实践中应用于自然产生的情况。它们之所以有用，是因为它们在按传统意义使用时得到了足够一致的理解。例如，像“有意识的”这样的词首先指的是个人经验和感觉。人们不得不震惊的是，在如何理解这些词汇方面的共识水平是如此之高。如果我们试图把这些词用在思维实验或脱离了它们所学习的自然环境的人工情景上，我们就进入了毫无意义的领域。一张桌子粘在两把椅子上是桌子还是椅子?白蚁有意识吗?电脑能有自由意志吗?这些问题是没有意义的，因为这些词所描述的概念仅对PAC所学习的例子的分布有意义。除此之外，他们没有任何地位可言。因此，一个被广泛讨论的问题是:如果计算机忠实地模拟了人类大脑的变化，那么它是否具有意识?这个问题与一个有两个翅膀和一个象牙的动物是大象还是鸟的问题是一样的。我们没有理由对此加以重视。将PAC学习到的概念，如意识，应用到不发生在概念学习领域的人为情况，这是完全错误的。不幸的是，标准逻辑，当应用到用英语或任何其他自然语言表达的命题时，为犯这样的错误提供了无限的机会。这在哲学话语中尤其如此，在哲学话语中，人们试图通过讨论引发不寻常或边缘情况的思想实验来获得洞察力。例如，一些反对人工智能可能性的论点有以下形式。只有一条指令的计算机程序不可能被认为是有意识的。但是如果我们假设每个人都相当于一百万个在线程序，比如说，并且是有意识的，那么就必须存在一个最小数量的线，有资格成为意识。任何具体的数字都会被认为是荒谬的。个模棱两可的数字是很容易的，目的是平等地分割理性人士的意见。对于这样的数字，连问这个问题都没有意义。理性只要意识的概念被用在非正式的传统意义上，这个论点就没有意义。这可能是真的，就人类与意识相关的经验而言，没有一个单行程序是有意识的。人类的大脑可以被一个百万在线程序忠实地模拟，这也可能是真的。然而，这并不意味着人类的意识经验可以用来将任何中等长度的程序分类为一种或另一种。因此，我们认为这整个论点都是错误的——错误地假设意识的概念是理论性的，但在某种意义上它不是。(当然，这并不是唯一一种可以从争论中找出错误的方法。)字符识别领域的一个类似问题是区分数字2和3的手写体示例。当我们在自然情况下判断某人写的是数字2还是数字3时，我们可能会非常自信。但是，在这些数字之间故意写一个模棱两可的数字是很容易的，目的是平等地分割理性人士的意见。对于这样的数字，连问这个问题都没有意义。理性站在一方这种错误的错觉不仅会出现在对假设情境的哲学讨论中。在所有没有理论依据的领域，包括许多实质性的人类日常关切，例如政治和宗教，我们都面临着同样的危险。在报道可观察到的事实和解释统计证据时，我们可能是在安全的基础上。我们个人也有能力以内部一致的方式处理广泛的无理论的归纳。当我们超出这个范围时，问题就出现了。如果我们试图通过将两个没有理论的想法组合在一起来应用理性，那么在前一章中描述的强大的逻辑只提供了一个可能的近似证明。 我不知道还有什么更确切的理由。任何关于无理论的预测，无论是通过强大的逻辑还是任何其他已知的系统做出的，都将是错误的。当某些东西仅仅是个人情感的表达时，相信它是理论性的是有危险的。政治信仰体系已经改变了国家，但当它们的时代过去时，很类似的危险也出现在乍一看更定量和技术性的领域。义的领域，还看不到这样的共识事后看来，2008年之前主导金融行业的各种风险模型并非理论，而同样只是个人情难重建它们是如何抓住那么多人的想象力的。感的表达。一个必要的，但不是充分的标准，一个领域是理论性的，适当的逻辑推理，是知情的人可以达成实质性的共识。目前，在许多具有重大人类意。这些领域的对话可能具有交流事实、交换个人观点甚至娱乐的价值。然而，问题出现了，在这些领域的推理或其他论述的尝试是否有进一步的价值。也许对推理自信最极端的表达之一是对17和18世纪欧洲智力发展的描述，即“理性时代”。考虑到在那个时代，人类似乎并没有增强其推理能力，这似乎是一个奇怪的术语。主要的发展是一些领域，如力学，被纳入科学和理论的范围。在这些领域中，理性的应用被证明是强大而有效的，事实上，那些科学上的成功确实激励了哲学家和其他人尝试将理性应用于那些仍然缺乏理论的领域。但是，后者的发展是否也可以被视为理性的胜利，似乎还有待讨论。
8.8机器辅助人类
2008年金融灾难的事件向我们提出了第二个问题，即如何结合人与计算机的活动。金融和投资分析是一个广泛使用统计工具来分析数据的领域，在社会科学的许多领域也是如此。这些统计工具，通常以计算机程序包的形式出现，充当了人为增强人类识别数据模式能力的角色。虽然机器计算的数据统计可能会影响得出的结论，但得出结论的仍然是人。因此，在这种情况下，人与计算机的联合活动仍然可以被视为一种解码算法。基于这种观点，我们可以将统计算法的使用视为我们生物电路在学习中所做的非常自然的扩展。这些活动是值得称赞的，因为它们增强了我们的自然算法处理无理论问题的能力。然而，即使经过了机器的强化，对任何缺乏理论的决策来说，适当的警示仍然存在。由此产生的决策仍可能是毫无理论依据的。增强的统计工具并不会让一个没有理论的领域变得理论化，经济学家和金融家都有理由相信这一点。在这个过程中做出的任何决定都需要同样谨慎地对待。对所做的任何发现进行推理都会有与我们讨论过的任何无理论决定相同的局限性。除非有相反的证据，否则从统计分析中得出的结论应被简单地视为分析师的意见，而分析员的电路可以通过人工的方式来扩充。我并不是说不应该使用已知的最先进的理论方法，只是要充分承认它们的局限性。在无理论的领域，包括社会科学，人类的决策，即使在最复杂的智力辅助下，仍然受制于PAC学习中固有的不确定性。
8.9还有别的吗？
前几章将生态礼仪描述为一个数学研究领域，并认为它为理解学习、进化和智力现象提供了一把不可逾越的钥匙。在本章中，我回顾了这一建议的一些后果。剩下的最后一个问题是，这种方法是否遗漏了一些与人类思维有关的基本内容。这里给出的认知观点可以总结如下。认知概念是计算性的，因为它们必须在出生前或出生后通过某种算法学习过程获得。认知概念同样是统计的，因为学习过程从统计证据中得出其基本有效性。我们看到的证据越多，我们就越有信心。我们的大脑眼睛在世界和我们的长期记忆之间有一个界面。我们，如我们的回路所代表的，对通过大脑眼睛流动的信息有一些控制，因此不能将其视为客观的或中立的。构成我们知识数据库的神经系统回路是许多连续进化和学习行为的结果。换句话说，我们的知识是通过一系列连续的、细微的修改而积累起来的，每个修改都具有学习的语义。推理的一个例子是，在头脑的眼睛内，将这些回路应用于手头的任何情况。我们的神经系统进化来处理无理论的问题，但当我们做出有理论的决定时，我们使用相同的电路。人类的思维能像这幅图所显示的那样基于一些简单的东西吗?我认为答案是肯定的，几乎没有证据表明，为了解释人类行为，需要完全不同性质的机制。那些坚持不这么认为的人可能对人类实际拥有的能力过于乐观了。当新问题出现时，我们并不擅长解决它们。任何找到的解决方案通常都可以追溯到之前遇到的类似问题的解决方案。对2008年金融危机的回应是否称得上人类智慧的飞跃?我和许多人都认为不是。执行的反应是以前类似事件中使用的反应的变体。它们可能最终是有效的，但它们并不能提供证据，证明大脑具有超脱尘世的品质。相反，他们证实，为了解决复杂的无理论的问题，从过去学习就像我们知道的那样好。读者可以选择从其他人类活动中寻找完全不同性质的认知机制的证据。我怀疑是否能找到这样的证据。这本书颂扬科学。科学发现的历史上有许多辉煌的时刻。我们能否在那里找到证据，证明用于解释我们智力的算法存在不足?我怀疑不是。正如我已经指出的，科学有惊人的一致性。几个世纪以来，物理科学家一直在探索表达预测物理定律的数学公式。这样的公式有很多，而且它们有很多相似之处。在这里，我想说的是，图灵所采取的不同方向将为我们理解其他许多目前尚不清楚的现象提供一条途径。事实上，尽管科学史最初看起来令人印象深刻，但我们只有有限的理由可以沾沾自喜。牛顿、达尔文、爱因斯坦和图灵提出了新的问题，并坚持不懈地追求它们。虽然人们只能对他们选择问题的洞察力、他们运用的智慧和毅力感到惊叹，但如果没有他们的科学中尚未被解释的一致性，他们的成功是不可能的。即使宇宙似乎是一个中立的老师，我们也从它的统一性中受益，这使得科学发现的任务比我们在虚荣心中想象的要容易驾驭得多。
