延伸阅读3:

进化概述

人类智能的进化要经历很多重要过程，但不是每一步都与正试图使机器智能进化的人体工程师有关。地球上的进化选择中只有一小部分是为了智能选择。具体来说，人体工程师希望攻克的难题就是全部进化选择中的这一小部分。例如，由于计算机可以依靠电力运行，所以我们也不必为了创造智能机器而改造细胞的分子结构来获得能量—而这种新陈代谢路径上的细胞进化，可能已经用掉了地球进化历史中选择能量的一大部分。

有人可能会认为，人工智能的关键是神经系统结构，这个神经系统在10亿年前即已形成。如果根据这个时间节点，那么相关“实验”的数量便可以大大减少。因为现在地球上有4×10^30~6×10^30个原核生物，但只有10^19只昆虫，不到10^10个人（人类开始耕作之前的人口远没达到这个数量级）。这些数字还不算太惊人。

然而，进化算法（evolutionary algorithms）不仅要求筛选所需的变量，还需要评估变量的适应度函数（fitness function），而这种算法所需要的计算机组件是最贵的。人工智能进化对应的适应度函数需要模拟神经系统、习得新知识并且拥有评价适应度的认知能力。因此，我们最好不要关注有复杂神经的有机体的原始数量，而是要关注我们模拟进化适应度函数所需的生物机体中的神经元数量。昆虫的脑容量差别很大，体积较大的昆虫和社会性昆虫的大脑相对更大：蜜蜂的大脑有10^6个神经元，果蝇的大脑有10^5个神经元，蚂蚁则介于二者之间，有25万个神经元。大部分较小的昆虫只有几千个神经元。如果我们适当高估研究对象的神经元数量，假设有10^19个果蝇，每个果蝇有10^5个神经元，那么地球上总计就有10^24个神经元。水生桡足类动物、鸟类、爬虫类、哺乳类动物的神经元数量是10^25。（在农业时代之前，有不到10^7个人，每个人有10^11个神经元，共计10^18个人类神经元，但是人类每个神经元的突触数量则比其他生物要多得多。）

模拟一个神经元的计算成本取决于模拟的细节。即使是一个非常简单的神经元模型，要模拟一个神经元（在真实时间里）每秒钟也要进行1 000次浮点运算（1 000FLOPS）。霍奇金–赫胥黎（Hodgkin-Huxley）生物电模型需要1 200 000FLOPS。更加细致的多隔室模型可能要多3~4个数量级，然而抽象神经元系统更高级的模型则可以从简单模型里减掉2~3个数量级。如果模拟10亿年进化产生的10^25个神经元，并且我们让计算机运算一年，就要求10^31~10^44FLOPS。中国天河2号（截至2013年9月）是世界上最强大的超级计算机，但也仅能达3.39×10^16 FLOPS。近几十年，商用计算机用了6.7年才提高了一个数量级的运算能力，就算摩尔定律再继续适用一个世纪，也不足以弥补其中的差距。即使用更好的硬件，运行更长时间，也只能多支持几个数量级的数据运算。

另一方面，这也是保守的数字。进化在没有目的的情况下，实现了人类智能。换句话说，自然机体适应度函数不只是为了智能和其前体而选择。即使是有着能处理更高级信息并且总是从中受益的有机体的环境可能都不会选择智能，因为智能的提高需要付出很大代价，比如更高的能量消耗和更长的成熟周期。在这种情况下，成本大于利益。而险恶的环境也会降低智能的价值：个体的生命越短，能用来提高学习能力的时间就越少。降低的智能选择压力减缓了智能提升革新的传播速度，以及依赖此革新的其他选择的机会。如前面所提到的，进化会将选择权力分散在与智能无关的很多特征上，比如免疫系统与寄生物之间竞争的共同进化的红皇后效应（Red Queen Effect）。进化继续浪费着资源去产生致命的突变，并且没有利用不同突变效果带来的数据相似性的优势。这些都是自然选择中效率低下的现象。当工程师使用进化算法开发智能软件时，则可以相对容易地回避这种低效现象。

消除上述低效现象的做法能将早先计算的10^31~10^44FLOPS降低很多个数量级，这似乎是有可能的。不幸的是，要想获悉究竟是多少个数量级则比较困难，甚至做个大体的估算也不太容易。就我们所知，提升效率能够节约5个、10个或25个数量级。