X君与C君关于空间智能重构与通用学习机的对话（之二）

参考 今天第一篇人工智能架构文章

文章中观点：在动物来说，记忆和分析是不可分的，是一体的。现在的无人驾驶的记忆就不行。高精度地图那不是记忆。

成都天钥科技

【背景】：X君是数学家，研究通用学习机，在纽约。C君是“3D+大数据+智能”领域科学家，研发空间智能重构和相关软件，在北京。X君与C君在首轮对话中针对空间智能重构问题进行了有趣的探讨，两人相约在2017年与2018年的跨年夜，进行了第二轮对话，聊聊人与动物的空间智能感等相关好玩的话题。

北京时间2017年12月31日23:00左右，即北京时间跨年之际，X君与C君开始了本次“跨年&跨洋”对话。

【C君】：新年快乐！

【X君】：元旦快乐，同乐同乐！

【C君】：那我们按照上次定的交流规则，就请您先开始吧。

【X君】：好，我们就直截了当地开始吧。上回主要讲空间重构问题，我也学到很多东西，很有趣。这一次，我们先从动物角度来讲空间重构。不知道你喜不喜欢看《动物世界》？

【C君】：嗯，以前挺欢喜欢看的。

【X君】：中国的《动物世界》基本都不是自己拍的，一般都是引进美国或者英国拍的原片，然后再翻译成中文，导致很多精华的东西都丢失了。有一个美国电视节目，叫《Nature》，每周都有，看了可以大开眼界——动物的空间重构能力很多时候要远超于人类啊！

【C君】：认同。

【X君】：人也好，动物也好，大到鲸，小到蚂蚁，聪明到人，笨到蠕虫，对自己周围的环境都是有理解的。这种理解实质就是一种空间重构。人或动物的周围环境都是一个三维空间，人或动物能够和这个三维空间建立起关联。这个关联所在的地方，对人就是大脑，对昆虫来说就是神经节。这些内部结构有的复杂，有的简单，但是都能够达到理解周围环境的效果。这些东西，越细想，越惊奇，越想去探究。

先说比较低级的动物——蝴蝶。北美有一种蝴蝶，叫帝王蝶，一生都在迁徙，从加拿大飞到墨西哥那里去相亲产卵。你看，3000英里的行程，它们没有迷失方向，而且世世代代都是如此，似乎生下来就会。那么小的身体和神经元，就能干这样大的事，真是使人惊叹！

再说一个例子，可能跟人更接近一点——鹰。鹰在天上飞，鱼在水中游，鹰可以迅速扑下来，抓住鱼的鳃。俯冲下来的时候，鹰和鱼两者都在动，而鹰可以选择一个最恰当的角度，刚好把鱼给抓住了。这个快速俯冲下来抓鱼的过程，可以讲，这样的控制过程是人工系统做不到的，超过导弹的能力多少倍了。

【C君】：呃，这里我想插一句，说一下我的体会。我们有一个概念是空间智能，它是一个很大的体系，其中包括了感知智能等多个方面。就鹰的感知智能结构化特点来说，鹰眼睛应该是有类似望远镜功能的，能把远处细节看得清楚；而我们人类在这个点的感知智能水平应该是差得远喔。

【X君】：你讲的对。鹰眼睛是有类似望远镜功能的，一般是人眼的8倍放大距离，能分辨出更多像素，能够看得更锐利。但在这里的点不是说它的视力，关键是这个鹰抓鱼的过程是变化的，是个超级复杂的动态过程——它随时在调整自己，而且调整的很精准。如果我们人类要来做这个动态捕捉过程，目前的技术就是设计一个微分方程，例如很著名的二体追踪方程，然后求解计算来实施。但在鹰那里肯定不适用——没有一个方程或者计算机能在极端低的能耗下计算得那么快。但是，鹰自然而然就做到了，它的脑部非常小，却能做的那么好，非常惊叹！

再讲一个例子，可能跟人更加接近，叫做图像式的记忆。比如，人能够认得走过的路。普遍来讲，男人比女人的认路能力更强，而女人则更擅长于认脸。对于黑猩猩来说，它的这种图像式记忆能力就更强。它们生活在密林里，人一进去这种密林就迷路了，因为每一处在我们看来都是一样的；但是黑猩猩对其中很小的差异，甚至每一片树叶的差异都能知道，所以它们能在密林里行动自如，都能认得路。说明黑猩猩的空间重构能力很强。有一个日本实验室，用计算机图像来测试黑猩猩。对于人无法在短时间内识别区分的图像，黑猩猩却能够轻而易举做到，甚至可以边玩耍边识别出来。这说明在它们的脑结构里面，图像识别和空间记忆能力是远超于人类的。

话说回来，举的这三个例子，说明动物是有特定方法能够自然而然去做空间重构的，而且很多方面都是远远超出人类的。

【C君】：我认同这个观点。我是这么理解的，从本质上来说，人跟动物智能的基本原理都是一样的，我称之为生命体智能，并将其归纳为五大智能体系——

一是生命能量支撑智能：比如消化系统、呼吸系统、血液循环系统、体温控制系统等智能化运行体系。

二是生长繁殖支撑智能：比如细胞分裂、生殖系统等智能化运行体系。

但是这两种智能体系几乎是不受人类自身所控制的。

三是运动平衡支撑智能：比如骨骼肌体系统、神经系统等智能运行体系。在这里人类是可以部分控制的，而很多动物在这方面比人类要强。

四是感知支撑智能：比如肌体系统、视觉系统、听觉系统、嗅觉系统、味觉系统、触觉系统等智能运行体系。在这里人类是可以半控制的，比如想看或者不想看时可以通过睁闭眼来实现控制。

五是认知思维智能，这完全是由人类自身所控制的智能运行体系。

刚讲的五大智能体系中，前面的越基础，越陌生，越不可控；后面的越智能，越熟悉，似乎越可控。但是目前科学家对这些的认识和理解都是远远不够的。空间重构本质上是空间智能中非常核心的一部分，是有其特定的宇宙逻辑的。

【X君】：你是从功能角度来分的。我感兴趣的是，这些动物生下来就有这些功能，而且花了很小的代价就能做到，而现在再厉害的计算机都做不到。目前人类所掌握的是数学工具，像导弹追飞机，就是采用微分方程，通过建立和不断修改微分方程来做到。现在看，和鹰抓鱼过程相比，现有的微分方程求解法未必是最佳方法。动物用它们的那套方法，比人类用的这套数学体系做得好很多——计算机耗能不知是鹰的多少倍，但是效果还差很多。所以说，有没有可能，想出另外一套方法，可以把空间重构做得比现在更好？这应该是一个很好的思考方向，这也是我的着眼点。

如果从功能看，神经元网络就是这样的一个东西，它具备很强的能力，可以适应任何环境。我认为这个功能反映的才是神经元网络的本质，抓住此点，就抓住了本质。我们提出通用学习机也是基于这样的想法：什么东西是本质，有什么科学原理，怎样才能通用学习。我猜想，这个方向可能引导我们走向新的数学。

【C君】：我觉得这个着眼点很有意思。一个数学家，能够从传统的数学方法论中走出来，从动物自身出发去思考空间重构智能，我颇受启发。

【X君】：我们回到上一轮对话所讲的那个话题——比如基于若干孔去重构地质空间中其他位置的信息，这个实际上跟刚才讲的都有相似之处。传统数学方法求解复杂问题，往往是需要先建方程并去解方程。而你上次讲到你们所创的后现代三大算法，并不需先建方程，也无需去解方程，直接针对复杂问题适应性实现求解。这就是一种潜在的新的方向。我觉得，你们是否有可能把现有方法再往上升华一下，使它更加普适化、通用化；就像鹰抓鱼无需解微分方程一样，这不是更好吗？

【C君】：嗯，我觉得您这么讲很切题了，我们这里是完全从不同角度去谈空间重构问题的。

【X君】：实际上，回顾刚才讲的内容，我们还可以讲更细一点，那就要聚焦到神经结构了。人和动物，对外部的反映都是依靠神经元；而神经元可以说是超级复杂。目前人工神经元包括深度学习只是将其大概简化成了一个内积器，太简化了。有一个学派，叫计算神经学派，他们并不是完全从生物角度去研究，而是从数学角度，针对一个神经元，建立了一套微分方程，来模拟神经元里面的复杂行为。全球上千的研究者在做这样的研究，但是到现在对其中的很多重要内容还是没搞清楚。这还仅是对一个神经元，如果对一个神经元网络，那就更复杂了。我们现在还没有能力去解决这么复杂的问题。但是，我们还是可以做工作的。注意，我们的着眼点并不在于完全清楚所有细节，而在于了解动物是怎样有效反映外部世界的一些主要方面，而且用这种了解启发我们在工程上的推进。这就是常说的生物启发进路。

这正是我目前在探索的，想从生物中获取灵感，推想一种新的方式。从这样的角度看，你上次所讲的，你们的方法跟神经网络不一样，但是可以实现空间重构，这就是很好的工作。如果能整理出来，往上升华，有可能会对其他工作产生冲击。比如你们现在做的是地质空间重构，能否将其通用化，可以应用到其他空间重构，乃至控制运动等等，这都是有可能的。

【C君】：很对，我也很认同。我们对神经元没有太多研究，但也有所关注。记得上次我们在微信中，探讨过蜻蜓、飞机与空气动力学以及飞行之间的关系等，很多研究局限于蜻蜓的翅膀结构以及扇动动作等，导致陷入死胡同；而事实上，飞机起飞只是需要通过研究蜻蜓来认知到空气动力学原理而已，至于飞机的结构完全是可以与蜻蜓大相径庭的，否则就会误入歧途。

共振现象在人类智能中起到很重大的作用，即共振效应；神经元体系只是面上的，它有很多更深层次的涉及到量子层面的东西，以及共振效应等，都在起到关键性作用。类似于地球的自转与绕太阳公转，单从引力来说是很难达到平衡的，也不是一个简单的引力波等理论所能去彻底解释的，应该有更深层次的量子体系在起作用。从神经元生物结构体系这个视角去研究神经元，可能会有点误入歧途，所以还是需要从研究神经元的最基本逻辑出发，这也是之所以我们目前能在地质空间重构领域能够抛出很多新东西的原因。

地质重构的复杂性在于，地质是几十亿年来地球上各种随机因素所堆积的结果。如果直接研究地球具体是如何随机堆积的，那是几乎不可能的。但是它的每一次堆积都是有基本逻辑规律的，而这种规律是可以研究的。类似鹰一样，我们需要挖掘鹰眼及鹰神经元在支撑鹰抓鱼动态反应过程的基本逻辑，再从这个逻辑去倒推，来构建一套方法体系，这完全是有可能的，而不是深陷于研究鹰脑神经元结构体本身。

包括上次交流中讨论的我们的三大算法体系——泛权、泛换和柔换，事实上有非常微妙的几个有趣点。举一个形象的例子：类似于我们走路时，在前边遇到一个深渊，有的人要么跳进深渊摔死了，要么就不敢过去了；恰恰我们巧妙地在深渊的中间找到了一个弹簧，我从合适的入射角跳进去，通过这个弹簧以一定的反射角弹射出来，就跨过了这个深渊。我们的三大算法其实就是找到了数学算法深渊中的几个弹射器，这是我们之所以能够无需建解微分方程就可以求解复杂空间重构问题的原因。

可以这样说，深度学习所做的特征识别，用我们的泛换理论都可以去做；而卷积神经网络所描述的问题，那用我们的理论更方便去做。因为卷积神经理论做的东西都是比较栅格化或者连续性的空间，对于离散空间，或离散与连续的混合空间，卷积理论是做不了的；要么把它转换为离散的卷积模型，但这样的话会导致很多问题很难去协调。

从动物的空间重构，到目前的深度学习等，从本质上来说，我个人认为，都反应出了神经元体系的一部分逻辑特征，这一点应该是毫不怀疑的。但是我认为，神经元体系本质应该是一种记忆结构而不是一个分析结构，这样更容易理解问题。

【X君】：但是，在动物来说，记忆和分析是不可分的，是一体的。

【C君】：是，对人类才有所谓分析，而对动物来说主要是记忆，但这样更容易看到问题的本源。

【X君】：动物不仅有记忆，也有分析。动物这套记忆和分析一体，也可以达到目的。但是，我们人就不同，发展出了逻辑和数学，记忆和分析就分离了。要做事情，就要提炼并采用一套数学方法。你们地质三维智能重构，虽然和传统的数学方法体系有所不同，不过说到底还是一套数学方法。

【C君】：是，没错，我们也是建立在现代数学基础上，包括各种先进理论。

【X君】：这就是我刚才讲的，人要做这个事情，没有别的方法，只能建一套数学方法，并把它加以调整来适应这个世界。但是鹰不是这样的，它没有数学方法，只有一套神经元结构，这套神经元结构通过一定的调整，它就做到了。这个对我们来讲，是更有趣的事情。

【C君】：我理解这个意思。我们的地质智能建模算法，恰恰就实现了这样的功能。地质专家看到钻孔就知道该怎么进行空间重构，而我们的算法就能够模拟地质专家的这种只可意会不可言传的空间重构逻辑本源。

【X君】：关键就在这里，模拟地质专家。需要知道，地质专家为什么能够做那种只可意会不可言传的空间重构，就是因为经验积累。鹰抓鱼，并非生下来就会，也是爸爸教的，是后天训练的。地质专家通过经验积累，也可以做令人惊叹的工作。但是对于导弹，就只能通过人来设计微分方程，再编程输到机器里这样一个过程来做。这套过程和经验积累过程是截然不同的。但是，我们想一想，如果我们改变一套方法，比如在里面放一套神经元系统，通过一些方法去教它，它就会了，而不需要编程了。这个事情，在我看来是一个很值得考虑的方向。

【C君】：我觉得这是一个很大胆的想法，相当于培养一个生物神经体系，培养它的学习能力然后去适应环境，但是这个挑战非常大。我们可否换一个角度思考——其实人和动物都存在空间智能这么一个框架，我们类似于神经网络一样将它模拟出来，然后让它具有空间智能学习能力，倒是有可能去做这种尝试。

换句话说，我认为鹰的神经为何能够做抓鱼的事情，在于它有自己的一套空间智能框架，生物神经只是在这套空间智能框架下的一种实现，能够进行响应和反映。我觉得，关键是如果我们能够提取构建出这套空间智能框架，那么这个事情就能水到渠成了。

【X君】：是，你刚才讲的对。这个事情一下子就全部做完是不可能的，只能分阶段分步骤去做。那我们现在暂时把刚才的话题停一下，先讲一下你刚才所说的空间智能，说不定我们能够找到更加有趣的话题。

【C君】：好的。我先概述一下我对空间智能的一个简单理解。以我们的日常行为作为例子，比如我们开门、坐电梯、下楼、上马路，其实这个过程中我们是有一套空间智能逻辑在做支撑的；如果突然来到一个陌生的世界，比如到了沙漠里，就不知道如何去走路了。说明空间智能是很多特定的逻辑的，针对这个我做了一些系统的研究，等什么时候有机会时我们可以坐下来细化展开谈这个问题，这是个全新的理念。个人理解，深度学习只是体现了空间智能的一个部分，包括卷积、高斯公式等关键的人工智能数学理论。空间智能这个概念非常有意思，而传统的智能不是这么定义的，包括从图灵开始到明斯基等。

【X君】：说实话，有些时候是所谓的名词之争，用的名词不一致，造成很多争议，我们尽量避免这些。我们回过来讲，人、动物都是可以认知三维空间的，大到人，小到蚂蚁等，否则就无法生存。那么，生物可以认知四维空间吗？记得我们曾在微信上谈到这个。假设有一个四维空间的存在，设想把一个新生动物，可能是一个婴儿，放到这个四维空间中，看他能否最终在这里面生存。当然这仅仅是一个思维实验而已，我想也是挺有意思的。在我看来，给予一定条件，它是能够生存的，它也能够学会里面的生存规则。

【C君】：这个我能理解。

【X君】：这说明神经元结构，不管是人的神经元，还是动物神经元，它是有足够的适应性的，它能够适应任何环境，为什么会有神经元结构，就是因为它的适应性是超级好，人这里可以用，蚂蚁那里也可以用。对照一下数学体系，适应性也挺好，能够用于很多方面，但是毕竟没有神经元结构这么好。</

【C君】：对，这个我理解。

【X君】：数学中的数论、微分方程等等，可以用于化学、物理、地质、生物，甚至研究恋爱都可以用，说明数学结构适应性很强。但是毕竟没有神经元结构好；对于神经元结构，只要把它放到任何环境，通过外界刺激就可以适应这个环境了，这个结构真的是超级好用。但是问题在于，我们对这个结构的理解还非常表浅。现在搞的深度学习，没有抓住高度适应性结构这个核心。一旦抓住了高度适应性这个核心的东西，有可能成就一种比现有理论体系更好用的东西。我认为高度适应性是本质的东西，抓住此点，就抓住了本质。我们提出通用学习机也是基于此。再说一次，我猜想，这个方向可能引导我们走向新的数学。

【C君】：这个思考点很有意思，我也能理解，包括上次你写的对深度学习的分析，我也认同。深度学习有它的价值，但是它对神经元的理解差距还是挺大的。不过我个人认为，要去深刻理解神经元结构，是一件比较遥远的事情。

【X君】：我的理解是，这里有个区别：一是对神经元结构了解很透，这是一个目标，跟你讲的一样，可能比较遥远，比如说对人脑了解很透，就非常复杂；二是我们不需要对神经元的细节了解得很透，但是我们要找到神经元网络的那个高度适应性的基本规律，这是两件不同的事情。而找到高度适应性的一些基本规律，我觉得这是可以做到的，也是必须要做到的，而且我们现在正在做到。我写的文章，仔细研究了这些基本规律，我认为已经抓到了其中最基本的核心东西。当然目前还在完善，特别是后续还要做工程实现，但是我认为这个方向是对的。科学总是一步步走的，在目前阶段，把最关键的东西抓住了、抓好就够了，这是我的看法。

【C君】：我很理解和认同，尤其是刚才讲的第二点，也是我一直在思考的。虽然我并不去研究神经元，但是我非常认同第二点。其实我们不需要对神经元的内在结构做细化的研究，而是挖掘找到它运行的基本规律，然后做一些功能的验证和反演，是完全有可能真正构建出一套神经元的内在逻辑框架的。

【X君】：的确如此！

【C君】：但是在这块我自己没做什么研究，后续有机会向你学习，因为这块非常有意思。

【X君】：非常好，我就借此机会，简单讲几句，本来是留在下一次话题来讲的。

【C君】：哈哈，那我们先讲一点，刚好把下一个话题接起来了。

【X君】：好，那我们留一个话把子，使得下次好开头。我们要说的就是所谓的范式转换。前几十年的计算技术的发展是依赖于图灵机理论的。而从现在起，计算技术的发展就需要依赖于学习机理论，特别是通用学习机。当然，现在关于通用学习机的理论并没有完善，仅仅是开始。但是单是明确提出这个名词，通用学习机，就很重要。不能仅仅是做这个学习、那个学习，构建这个结构、那个结构，而没有“通用”。事情如果想不到就永远做不到，只有想到了才有可能做到。那么通用学习机和图灵机有什么不同呢？可以这样简单地说，图灵机的着重点在程序和编程，而通用学习机的着重点在学习。正是因为通用学习机要学习，其内在机理就必然发生重大变化以适应这种要求。而这样的改变就是促进计算技术发生范式转换的动力。我们开始了这个方面的工作，我认为这个方向是完全正确的。只要照这个方向做，再加上一定的力量去促进工程实现，一定可以达到通用学习，可以适应任何环境。嘿嘿，这就是我们下次要说的事情。

【C君】：我大概能理解。我这段时间也一直在学习这些文章，结合这次的深入交流，我对这些文章的理解更有触动了。我更想把这套东西称之为通用学习机的一个基本框架，在此框架上，然后再去构建后续的实施能力。我是这么思考的：真正的通用学习机，只要它是通用的，它对某个具体领域，就很可能有隔膜感，很可能，有了通用的框架，对不同领域，需要做一些特化。

【X君】：我认为你讲的很对。PC就是通用的，可以做任何事情，但是需要特定的程序。通用学习机也类似，可以学习任何事情，但是需要适当的特化和适当的数据。说实话，对于通用学习机，目前来讲我们仅仅做了最最基础的工作，工作还很多很多。问题在于，方向是最重要的。如果方向错了，就问题很大。

【C君】：你说得太对了。

【X君】：我们认为，通用学习机的方向很对，很有价值。但是要推动这个方向，就需要最好的人来做。

【C君】：人是第一宝贵的。

【X君】：你可能还记得，我曾经说，我们能做的最好的事情，就是给中国的年轻人画一个非常巨大的饼，然后这些聪慧天才的年轻人能够去把这个饼做出来。这就是我们的希望，聪慧天才的，有冲劲的年轻人。只要有足够的环境，我相信我们能够在比较短的时间内，实现出一个工程体系，可以显现出它自己的强大生命力，这个是可以做到的！

【C君】：这个讲得非常对。前段时间我一直也在看你的这几篇有关通用学习的文章，但是要系统消化，需要更多的时间；由于目前投入时间有限，有些细节我没来得及去思考与消化。以我目前的理解，从大的方向上讲，这个通用学习机有很多特点，这种整合的能力肯定是远远超越深度学习的；从工程上怎么去实现，我感觉也是有一定的预期的；我个人认为，大的方向应该是正确的，但是后续更进一步细化去推进，还会有更大的一些困难和挑战。

【X君】：这个是我们的下一个话题。现在中国应该是快接近新年钟声了吧，哈哈！

【C君】：对呀，现在还差几分钟，我们再聊一会儿，就聊到明年了。这叫做跨年长聊！

【X君】：哈哈，那好那好！今天的内容基本说完了，我们还留个话题，下次继续。回顾一下：有的时候，多看动物的资料，一是很好玩，是一个很好的休息；二是可仔细想想动物这些东西，深入思考，你会觉得很有意思。

【C君】：对，非常有意思，也很契合我们的话题。还有，我非常感兴趣之前你所提到的，就是神经网络的基本规律。它究竟是什么？这也是我一直在思考的，但是我这方面的工作做得不太多。之前你讲得很对，现在的算法都是解决一个个问题，只是这个问题的范围大一点或小一点而已。但是构建一个具有通用学习性的框架，确实是一个很大的挑战。

【X君】：呃，这里打个岔。刚讲的黑猩猩在密林里面，每一片叶子它都知道。那我们抽象来讲，想象有一个动物，把它压到地质空间去生活，那么它也能充分理解地质空间。它只要有一个超级适应能力的结构，它应该就可以对地质的情况也做得很好。你现在做的地质智能重构方法体系，可能就是这样一个结构，看能否升华出来用在别的地方。

【C君】：我觉得，自己这套方法应该是其中一个角度的思考，因为我们确实模拟了地质专家的思考。也就是说，地质专家一看我们的东西，就会说“这个就是我所想的”。当然它肯定离通用智能有不少差距，但是我觉得倒是揭示通用智能的一个很好的思维视角。

【X君】：世界上很多事是相通的，有可能你这个角度能够对其他问题也产生促进。你讲的三个算法，是从地质角度出发的，解决了地质问题，有没有可能再升华一下，然后用到别的应用领域？

【C君】：我们已经做了一些工作，下次发些资料给你看。的确是值得继续思考，继续完善的。

【X君】：很好！

【C君】：一个小时一下子就过去了，现在已经新年了，那祝你新年快乐！

【X君】：元旦快乐！那好，那我们今天先到这里，下次再聊。

刚好过了北京时间零点，从2017年聊到2018年，X君与C君挂断了本次跨洋电话.....

本对话由C君记录整理，X君做了一些修改。