托马索·波焦：大脑、心智与机器

爱因斯坦在苏黎世联邦理工学院的博士同学一共五个，他是最差的那个。毕业时，另外四个人都拿到了教职，只有他一个人没拿到，最后去了伯尔尼的专利局上班。

这件事是托马索·波焦（Tomaso Poggio）在访谈里讲的。他讲它，是为了回答另一个问题：爱因斯坦凭什么能想到相对论？

波焦是 MIT 教授、大脑、心智与机器研究中心（CBMM）主任，论文被引用超过十万次。他小时候把爱因斯坦当偶像，理由很具体：这个人只靠脑子里的一场思想实验，想象一个静止的观察者和火车上的人用手电筒通信，就把时间和空间的关系撬开了。

那是纯粹的智力。脑子一转，物理现实最深的一层就松动了。

但爱因斯坦在课堂上的成绩并不好，他走的是完全相反的一条路。波焦的判断是：爱因斯坦的天才之处，恰恰在于他不按传统方式思考。老师和其他学生都在同一套框架里做题，他偏要跳出来。

波焦把这件事讲成一条人生经验，用的类比特别接地气：股市里，所有人都在买的时候，你别买。科学研究也一样。大家都往一个方向挤的时候，那个方向大概率已经没什么剩下了。

时间旅行大概不行，但那是另一个问题

访谈里 Lex 问了一个很膨胀的问题：时间旅行可能吗？

波焦的回答很克制。他说科学上你永远不能说“不可能”，但根据我们对时间本质的理解，回到过去非常不靠谱。往前跳倒是理论上有点影子，比如把自己冻起来，或者坐一艘接近光速的飞船。

Lex 接着追：那你小时候那个梦想还在吗？造出足够强的智能，让它去解决人类解决不了的问题，包括时间旅行这种？

波焦说，有些问题可能就是无解的，比如凭空造能量、回到过去。但造出能像我们一样思考、甚至比我们思考得更好的机器，这件事他没看到任何原则上的障碍。他补了一句很关键的话：短期内更现实的方向，是机器帮我们思考得更好，至于机器替我们思考，还排不到前面。这件事其实已经在发生了。

他还顺带吐了个槽。“智能”这个词本身就很滑，跟“爱”“意识”一样，得先拆开才能谈。

为什么智能问题比宇宙起源还大

波焦说过一句话：智能问题是科学里最大的问题，比生命起源大，比宇宙起源也大。

他解释了这句话的来历。少年时代他迷恋相对论，但很快就发现，广义相对论那个级别的问题太多了，就算他是爱因斯坦，也不可能一个一个解完。于是他换了个思路：能不能找到一个能解决所有其他问题的问题？

答案就是智能。如果能造出一个比爱因斯坦聪明十倍的东西，剩下的问题就可以交给它。

这是他最初的动机，很功利，也很工程。但他说，很快这个动机就变了。人类智能本身成了他真正的研究对象，因为这背后藏着一个更根本的追问：我们用来做科学的那个工具，就是我们自己的大脑。它怎么工作？它从哪来？它的极限在哪？我们能不能把它变强？

这个问题一旦问出来就绕不开了。所有科学都得靠大脑完成，大脑于是成了科学最底层的那块地基。

飞机和鸟：不懂生物学，也能造出会飞的东西

Lex 问了一个很实际的问题：不理解人脑，能不能造出强人工智能？

波焦没有直接回答，先讲了莱特兄弟。人类解决飞行问题的时候，对鸟怎么飞其实了解得不多。知道“比空气重的东西也能飞”这件事很重要，但再往下，生物学对造飞机帮助有限。莱特兄弟确实观察过鸟，飞机却并非从鸟的骨骼和肌肉里长出来的。

那智能是不是也一样？

波焦说，现在这就是一个赌局。你可以这样问：假设我们早晚能造出一台机器，聪明到能当我的秘书，什么都能替我干。造出它需不需要了解人脑？还是说，了解人脑反而是最快的路径？

不同背景的人会押不同的注。他给了一个很有分量的历史证据：过去五到十年里 AI 的主要突破，源头大多在神经科学。

强化学习是 AlphaGo 的核心算法之一，它的思想源头可以追到巴甫洛夫，追到 60 年代的明斯基和其他神经科学家。深度学习是自动驾驶和 AlphaGo 的另一块基石，它的分层网络架构最早来自哈佛的 Hubel 和 Wiesel 在 60 年代对猫视觉皮层的研究。

波焦自己的赌注是：神经科学至少还会继续提供灵感。不一定是每一次突破，但一定会有几次。

小孩和果蝇的基因数量差不多，这件事很要命

波焦说，很长一段时间里他都觉得人工神经网络太简陋了，跟真实的神经网络比简直是玩具。后来他改主意了。

原因是对比对象变了。人工神经元确实是生物神经元的漫画版，但它再简陋，好歹是“一堆互相通信的单元”，这跟大脑的基本结构对得上。而传统计算机科学用来模拟思维的东西，数学逻辑、Lisp、Prolog，连这个都算不上。人工神经网络至少架构上离大脑近得多。

那它缺什么？

缺的是标签。深度学习要训练，得喂大量人工标注过的样本，比如一百万张图片，每张都有人告诉你里面是什么东西。生物不是这样运作的。一个婴儿在生命头几年看到的图像也有几百万张，但没人会给他几百万个标签。

这里波焦讲了一个他觉得特别有意思的对照：人类和果蝇的 DNA，基因数量差不多。

果蝇基本上是一台被基因硬编码的机器，它一生中学到的东西很少，95% 的行为是出厂设置。但我们和它基因数量差不多，那我们的学习能力从哪来？

波焦的推论是：因为进化没给我们更多基因，它就只能把我们造成一台通用学习机器，再塞几个非常弱的先验进去。硬件不够，用软件凑。

婴儿脸上的那块“可塑性空白”

他举了一个具体例子，关于大脑里识别面孔的那块区域。

我们早就知道，大脑里有一批神经元专门对面孔有反应。问题是：这块区域是天生接好线的，还是生下来之后很快学会的？

哈佛的玛格丽特·利文斯通（Margaret Livingstone）做了一个很巧的实验。她把刚出生的小猴子养起来，前几周不让它们看到任何脸。小猴子能看见东西，但所有照顾它的技术人员都戴着面具。

结果，这些猴子大脑里那块本该对脸敏感的区域，完全没有面部偏好。

波焦的猜测是：进化给出的东西是一块高度可塑的区域，它被预设成“很容易被印刻”，基因里并没有一张详细的面孔模板电路图。画一张那样的电路图需要太多比特，得规定大量神经元之间的连接方式，基因装不下。

基因真正下发的指令更像是：记住你生命头两周里最常看到的东西，尤其是跟食物有关的。

这个实验还有一个后续细节，特别能说明问题。那些被面具挡住脸的小猴子，经常看到的是技术人员喂奶时戴的蓝色手套。结果它们大脑那块区域里，有一部分细胞变得对手套敏感。

脸的位置被手套占了。硬件是同一块，装什么软件看环境。

大脑是模块化的，但模块的硬件长得一样

1950 年代神经科学有过一个说法，叫“等势”（equipotentiality），意思是你切掉大脑的哪一块都差不多，顶多性能下降一点。这个说法来自大量老鼠实验，后来被证明是错的。

现在我们知道大脑高度模块化。某块区域中风，人可能就说不了话；另一块出问题，腿可能就动不了。证据来自战争伤员、脑损伤病例，以及近些年的功能性核磁共振。

但这里面藏着一个大谜题。波焦说，大脑里有些部分解剖结构明显不同，比如小脑、海马体。可大脑皮层不一样，视觉皮层、听觉皮层、运动皮层、语言皮层，硬件长得几乎一模一样，神经元类型一样，连接方式也一样。

同一块硬件，为什么要跑视觉、听觉、语言这么多种完全不同的软件？

波焦说这个问题现在是开放的，他倒是觉得它很有启发性。如果一块架构既能做视觉又能做语言，那背后的机制大概是通用的。这对造人工神经网络是个重要提示：别为每个任务设计一套专用架构。

为什么深度网络比浅层网络强：组合性

波焦用了“组合性”（compositionality）这个词来解释深度学习为什么有效。

他研究的问题很技术：什么时候多层网络比单层网络强？答案是，当你要学的那个函数本身具有组合结构的时候。

什么叫组合结构？就是函数套函数。你看一张图，不需要一次看所有像素，可以先看一小块，算出点东西，再在一小块的结果上算下一层。读句子也一样，不用一个词一个词地啃，可以看音节、拼成词、再拼成句子。

浅层网络要逼近这种函数，需要指数级多的单元。这就是所谓的维度灾难。一个 200×200 像素的图像，四万个变量，想要 10% 的精度，单元数量大概是 10 的四万次方。这个数字比宇宙里的原子还多。

深层的、带局部连接的分层架构，可以完全绕开这个诅咒。前提是函数本身是组合的。

Lex 在这里抛出了马克斯·泰格马克（Max Tegmark）的观点。泰格马克是物理学家，他认为组合结构之所以存在，是因为物理世界本身是局部的：原子只和邻近的原子作用，行星只和邻近的行星作用。组合性是物理定律给的。

波焦说，这个说法对，但可以再往前推一步，方向可能正好相反。

世界也许并不碰巧是组合的。也许是我们的大脑被接成了深度网络，所以它只擅长处理组合性的问题，处理不了那些不组合的问题。我们测试算法用的题目，都带着组合结构，因为造我们的那台机器就是按这个结构造的。

他甚至给了另一个更“生物”的解释：局部连接的原因可能很土，就是长不出长距离连接。生物系统里，短程连接好长，长程连接成本高、数量有限。于是大脑只能被造成一个深度卷积网络。而这个网络恰好擅长某类问题，这类问题恰好是我们活着需要解决的问题。所以我们就觉得它们“简单”。

他还补了一句很实在的话：你完全可以靠解决这类问题，做出一家成功的公司。Mobileye 做的自动驾驶，就是一个组合性的问题。

梯度下降为什么管用：最优解比宇宙的原子还多

深度学习调参数靠的是随机梯度下降，一个简单得近乎粗暴的算法。Lex 问，这么简单的东西为什么能 work？

波焦先说，他不觉得大脑会真的在做梯度下降。从我们目前对皮层和突触的了解看，生物实现这个算法不太可能。所以一定存在别的优化算法，他猜是有的，还没人找到。

然后他解释了梯度下降为什么在工程上这么成功，这里有个观念上的转折。

传统统计学教你：模型参数越多，你需要的样本就越多。数据量至少要是参数量的两倍，最好十倍，不然就是过拟合。今天的神经网络反着来，参数量是数据量的十倍甚至百倍。

这么自由，怎么还能学到东西？

波焦说他做过一些计算，用了代数里一个老定理，贝祖定理（Bézout's theorem），它可以估计多项式方程组解的个数。结论是：一个典型深度网络的局部最优解数量，可能比宇宙里的原子还多。

既然满地都是解，随便走走就能碰到一个，也就不奇怪了。这跟线性方程组是一个道理：未知数比方程多，解就有无穷多个。你总能找到一个解。

找到解和找到能泛化的解是两件事，波焦特意把它们分开了。但他指出，过参数化把“找解”这一步的难度直接降下来了。

GAN 被高估了，但方向是对的

Lex 问生成对抗网络（GAN）能不能帮忙解决无监督学习的问题。

波焦的回答比较冷静。他觉得 GAN 是一种估计概率密度的新办法，以前没人这么干过，有它的价值。他对它在智能里的作用没那么乐观，比领域里很多人要保守。

他的观察是，很多人被 GAN 生成逼真图像的能力震住了，这种惊艳感很大程度上解释了它的流行。生成好看的图，和解决“减少人工标注”这个核心问题，是两回事。

他自己很多年前做过类似的东西。训练一个网络，输入是姿态、表情这些参数的集合，输出是图像。用同样的数据集，把输入输出倒过来训练。结果生成的图像质量相当不错，机制比 GAN 简单得多，效果差不多。

他的判断是：GAN 在计算机图形学这类应用上很有用，指望它解决标注问题，恐怕不行。他说了句很直白的话，很多人以为自己能取出比放进去更多的东西，可世界上没有免费的午餐。

怎么把“大数据”变回“小数据”

这是访谈里最实用的一段。

Lex 提了一个类比：我们正在教机器，能不能反过来研究“怎么当一个好老师”？现在给网络打标签的方式，根本没考虑过该挑哪些样本教。

波焦接过这个话头，讲了一个计算机科学史的浓缩版：过去是程序员贵，后来是标注工便宜，未来应该变成学校。像教小孩一样教机器。

怎么挑样本？他还是回到生物。

进化是机会主义的，给的都是弱先验。比如几乎所有生物，包括人类婴儿，都内置了检测运动的能力。这套机制从果蝇到人高度保守，是进化很早就发现的东西。

这解释了一个现象：婴儿生下来头几天，眼睛总是追着动的东西看。

为什么追运动？因为运动自带分割。一个东西在动，它和背景的边界就自动出来了。婴儿不需要先学会分割，运动帮他分好了。一个干净的、抠掉背景的物体，是学认东西最理想的样本。

所以流程可能是这样的：先靠运动看几周，把物体认下来、印刻进去，之后就算物体不动、混在背景里，也能认出来了。

用极弱的先验启动，然后自我引导、逐步扩展。波焦认为，机器要摆脱海量标注，很可能得走类似的路。

视觉的黄金时代，和理解的荒原

Lex 问：能识别物体、能定位，跟真正理解一个场景，差距有多大？

波焦说，这个差距非常大。

他先肯定了现状。现在做底层视觉、语音识别，是黄金时代，很多应用非常有用，Alexa 就是例子。同一水平的事情还有一大堆可以做，包括医学诊断。

再往上，理解一个场景、理解语言、理解动作、理解人，还差得很远。他说得很直接：尽管有很多宣称，我们其实还差一截。

关于 AI 威胁：早点担心是对的，但现在还早

Lex 提到了马斯克、罗素、博斯特罗姆这些人对 AI 生存风险的担忧。

波焦的态度很清楚：担心是好事，早点担心比晚点担心好。他不反对担心。

但他认为真正需要担心的时刻还很远，有些说法是误导性的。比如“AI 比核武器更危险”这类话，他的评价是“这真的错了”。从优先级上讲，核武器仍然更值得担心，而且已经有人在处理了。

至于时间线，他提到博斯特罗姆说过大概一百年，也提到有人说过二十年。他自己没给具体数字，只说自己更接近罗德尼·布鲁克斯（Rodney Brooks）那一派，更保守、更靠后。

访谈里有个小细节挺有意思。Lex 问，假设真造出了那种系统，它的设计我们能理解吗？会不会是简单可解释的？

波焦说，大概不能。紧接着他补了一句：这取决于你说的“理解”是什么意思。

他打了个比方。我们其实也不理解深度网络内部每一个单元在干什么，但我们开始有了理论，知道它的计算是什么、局限在哪、性质如何。这就像我们“理解”氢弹一样。理解的定义可以很宽：作为一个文明，我们能不能再造出一个来？能，就算理解了。

他自己 40 多年前和大卫·马尔（David Marr）写过一篇关于理解层次的论文，当时分了硬件层和算法层。最近他把这篇论文更新了，加了一层：学习。

为什么加这一层？因为你可以完全理解怎么造一台学习机器，但不知道它学出来会是什么样。就像你理解孩子学习的过程，但你不理解他为什么突然迷上某一种音乐。“理解过程但不理解结果”这种状态，本身就已经是很强的理解了。

伦理是可以学的，因为脑子里真有对应的区域

Lex 问伦理能不能被机器学会。

波焦说很可能可以。然后他区分了两个容易混的东西：一个是“神经科学的伦理”，也就是神经科学家该守什么规矩；另一个是“伦理的神经科学”，也就是道德判断在大脑里怎么实现。他感兴趣的是后者。

这不是空想。已经有证据表明，大脑里有特定区域参与道德判断。更进一步，你可以用磁场刺激这些区域，改变一个人的道德决定。

这是他的同事瑞贝卡·萨克斯（Rebecca Saxe）等人的工作。

波焦说这只是开始，方向很清楚：如果伦理判断有明确的神经基础，那它就是一个可学的问题，也就可以被设计进机器里。

意识：做图灵测试的时候，它其实偷偷在场

谈到意识这个硬问题，波焦先承认它难，难在定义。神经科学家和哲学家一直在争：意识是不是必须有血有肉？硅基设备能不能有意识？还是说万物都有一点意识，只是程度不同？他提到了朱利奥·托诺尼（Giulio Tononi）的整合信息论。

然后他提了一件事：克里斯托夫·科赫（Christof Koch）是他的第一个研究生。

Lex 问，造智能系统需不需要搞清楚意识？

波焦说，大部分做 AI 的人会回答不需要，这是个工程问题，能通过图灵测试就行。

他自己的看法不太一样。他认为在做扩展版图灵测试的时候，意识其实是隐含在里面的。你要判断对面是不是真的有智能，你实际上偷偷要求它有某种自我意识。科赫不同意这个看法。

Lex 接着问了一个更哲学的问题：死亡、有限性，对意识和智能是必要的吗？

波焦说这个问题他从来没想过，挺有意思。他提到乔布斯在斯坦福演讲里说过，生命的有限性是成就的驱动力。理性地讲，他不认为意识必须依赖必死性。只是在我们这种生物系统里，这两件事看起来总是一起出现。

“谁知道呢。”

下一个突破在哪：一个让人分不清自己在哪的实验

Lex 问下一个突破会是什么。波焦说他不知道，很可能还是受神经科学启发。

他介绍了他自己参与的登月项目：MIT 的 CBMM，主要由 NSF 资助，研究的是视觉智能，具体说是视觉皮层，以及我们怎么环顾四周、理解周围的世界。这里是什么情况？怎么从这里走到那里不撞到东西？周围有没有其他人？这些东西我们感知得极快。

他说这已经非常接近意识了，还不完全是。

然后他讲了一个 Google X 的实验，很有意思。受试者坐在椅子上，戴着 VR 头显和耳机，通过一台附近机器人的眼睛看世界，机器人的摄像头和麦克风就是他的感官。

结果是，几乎所有受试者都产生了一个强烈的、甩不掉的错觉：他们觉得自己就在机器人所在的那个位置。他们能从机器人的视角看到自己的身体，仍然觉得自