享誉世界的哲学泰斗丹尼尔·丹尼特，融通计算机科学、心理学、神经科学、语言学、人工智能，倾囊相授他一生至今所搜集的各种好用的思考工具。这本书诞生于大学新生的课堂，力图做到“人人能懂”。 使用大量方便的、辅助性的思考工具，去拓展想象力、保持专注力，让我们妥当、优雅地思考真正的难题。利用各种思考工具，让你拨开各种思想的层层迷雾，你会发现，那么多明摆着的观点其实根本就不是那么“明摆着”的。 达尔文的进化论不仅只是一种理论，也可以打造成直觉泵等思考利器，破除种种事后追溯的思维陋习。自然选择作为一种思维方式，也日益融入计算机算法的设计中，在本书中你还将掌握有关计算机能力的7个秘密，把算法和程序当作思考工具。 “直觉泵”是很有用的思考工具，作为一种思想实验，一个好的直觉泵比任何一种论证和分析都更为有力。这本书不仅带你去检验不合格的直觉泵，也让你理解好的直觉泵，更教你如何应用和制作直觉泵。 丹尼尔·丹尼特（Daniel C. Dennett） ● 世界著名哲学家、认知科学家，美国艺术与科学院院士，塔夫茨大学讲席教授。2001年，荣获被誉为“心灵哲学诺贝尔奖”的让·尼科奖。 ●2016年获评全球50位最具影响力的哲学家。“人工智能之父”马文·明斯基称赞他为“下一个伯特兰·罗素”。 ● 2010年当选圣塔菲研究所首届最为尊崇的访问学者席位——米勒学者，跨学科开展认知科学和进化生物学研究。 ● 与理查德·道金斯、萨姆·哈里斯、克里斯多夫·希钦斯并称“新无神论四大骑士”。

延伸阅读4: 智能大爆发的动力学分析 我们可以把智能变化率写成应用于系统的最优化力与系统的反抗度之间的比率： 于系统的最优化力的量是系统本身贡献的最优化力以及其他最优化力的总和。例如，一个种子人工智能可能会通过将自身努力和人类项目组的努力结合起来而得到提高，并且可以依靠更广泛的全球研究人员的共同体在半导体工业、计算机科学和相关领域取得的持续进步： O=O 系 统 +O 工 程 +O 世 界 种子人工智能开始时的认知能力十分有限。因此，一开始O 系 统 很小，而O 工 程 和O 世 界 如何呢？在某些情况下单一项目比世界上其他所有项目有更多的相关能力，例如曼哈顿项目就在洛斯阿拉莫斯国家实验室聚集了世界上最好的物理学家来研制原子弹。更为普遍的是，任何一个项目只包含了世界上相关研究能力的很小一部分。但即便是当外部的世界比一个研究项目有更多相关的研究能力时，O 工 程 仍然可能超过O 世 界 ，因为很多外部世界的能力并没有集中于特定系统中的问题。如果一个项目开始看起来很有前景，也就是当一个系统超过人类基本水平之后而不是之前，它就可能会吸收更多的投资用以增加O 工 程 。如果工程基本是公开的，那么随着其进展就将吸引更多人参与机器智能的工程以及多样化能力的竞争，O 世 界 也可能会上升。因此，在过渡阶段，随着系统能力的增加，应用于改善认知系统的总的最优化力很有可能得到提升。 随着系统能力的增长，可能会到达一个点，即系统本身产生的最优化力开始主导从外部应用于系统的最优化力（穿过所有重要的改进层面）： O系 统 ＞O工 程 +O世 界 这一跨界点之所以重要，是因为若超越了这一点，进一步提高系统能力会在很大程度上造成应用于改善系统的总体最优化力的增加。我们会因此进入强烈的递归性自我改良系统。这会导致一个相当广范围内的不同形状反抗度曲线下的系统能力的爆发性增长。 为了进一步说明，首先考虑一个反抗度恒定的情景，由此人工智能增长率取决于所应用的最优化力。假定所有应用的最优化力来自人工智能本身，且人工智能将其所有的智能用于扩大其自身智能，也就是O体 系 = I，我们可以得出： 解这个简单的微分方程，从而得出指数函数： 但是反抗度恒定是一个相当特殊的情况。由于前面章节提到一个或更多因素的作用，反抗度很可能会围绕人类基本水平下降，并且在跨界点和一定距离以外保持较低的水平（可能直到系统最终接近基本物理极限）。例如，假设在系统能够极大地促进自我设计并且导致每18个月能力便会倍增前，应用于系统的最优化力大致恒定（例如，O工 程 +O世 界 ≈C）。（这可能大致与摩尔定律下软件进步的速度曲线一致。） 如果是通过近乎不变的最优化力得到了速度提升，就会使反抗度下降成为系统力的倒数： 如果反抗度沿着双曲线模式持续下降，那么当人工智能到达跨界点时，应用于提高人工智能的全部最优化力就会翻倍，我们能够得出： 下一次倍增发生在7.5个月后。在17.9个月内，系统的能力增长了上千倍，于是便获得了速度超级智能（图4–3）。 这一特殊的增长轨迹在t=18个月时有一个正奇点。事实上，随着系统开始接近信息处理的物理极限，反抗度保持不变的假设将不再成立。 这两种情况只是用于解释说明，也可能会出现许多其他轨迹，它们取决于反抗度曲线的形状。我们很容易就可以断言设置在跨界点周围的强反馈循环会强烈地趋向于使爆发比其本来可能的情况更快。

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。