最 Deep 的 Seek：AI 的“終極設計圖”是什么樣子？

淺友們好~我是史中，我的日常生活是開撩五湖四海的科技大牛，我會嘗試用各種姿勢，把他們的無邊腦洞和溫情故事講給你聽。如果你想和我做朋友，不妨加微信（shizhongmax）。

AI 的“終極設計圖”是什么樣子？

文｜史中

我寫這篇文章的時候，正值 DeepSeek 撕開防線，和人類最強的智能 ChatGPT 隔空對峙。

DeepSeek R1 的兇猛，并不在于它超越了對手 o1 模型的邏輯推理能力（實際上只是幾乎追平），而在于它實現這些能力，只需要十分之一的成本。

換句話說，它的智能密度相當之高。

具體實現方式，DeepSeek 已經公布了論文，很多大神也做了詳細解讀，不多說了。

今天咱們試著潛入智能的最深處，討論三個層層遞進的話題：

1、用“顯微鏡”看，智能的微觀結構究竟是什么？

2、什么東西在決定“智能的密度”？

3、我們有辦法做出智能密度達到極限的 AI 嗎？

這么深刻的話題，中哥確實沒能力自己構建理論體系。給你介紹一個高手，他就是計算機科學家，被稱為目前活著的最聰明的人——史蒂芬·沃爾夫勒姆。

這篇文章的核心觀點，就是來自這位大神。

Stephen Wolfram

友情提示，接下來 20 分鐘，我們要和最聰明的大腦打交道，也許有些觀念過于抽象，需要一些額外的“思維墊腳石”。

有些墊腳石乍看和主題無關。但相信我，它們都是通向最終結論所必須的。如果卡住，延伸開去琢磨一下，再回到主題，最后一定會有收益。

讓我們開始吧！

（一）智能的蓮花開在淤泥上

沃爾夫勒姆從一個簡單的人工智能神經網絡開始：

上圖是一個很有“二極管”風格的函數，它其實和人腦很像。

你可以理解為它就是你的大腦在戀愛中所做的判斷：當 x 滿足某些條件時，你會上頭，和 ta 結婚，此時 f[x]=1；當 x 不滿足這個條件時，你會下頭，和 ta 分手，此時 f[x]=0。

現在，我們想“克隆”一下自己的大腦——用人工智能來模擬和這個“目標函數”一模一樣的操作。

該怎么做呢？

我們可以搞一個神經網絡，然后從這個目標函數上做數據采樣，用這些采樣去訓練神經網絡。

經過 1000 輪訓練，最后出來的結果是醬的：

一堆神經元分層傳導，每條連線都定了不同的參數權重，它們形成了一個類似于方程的計算系統。你給出一個 x 的值，它就能給你算出 f[x]的值。

你可以代入數值驗證一下，它雖然不和原始方程精準重合，但確實是非常接近的——這是個好使的人工智能。

不過這里有兩個問題：

1、在訓練開始時，你無法預知最終每個參數會是什么。

上圖顯示從第1輪到 1000 輪的訓練過程中，函數曲線不斷接近目標函數的過程。由于參數是在一步步迭代中確定的，所以無法預知后續如何變化。

2、訓練結束后，你很難講出每個具體神經元參數對最終結果的影響是什么。

隨著 X 的變化，中間參數取值也在變化。在曲線的轉折點，你能看出發生了變化，但很難說清楚每根線具體彎折的意義。

所以整個訓練過程有點兒“解釋不清楚”：你只知道最后這個神經網絡能用，但是，一不知道它是怎么能用的；二不知道它是怎么變成能用的。。。

這不是很奇怪嗎？

其實也沒那么怪。

我猜你上學時，一定有過這樣的經歷：試卷上一道題，你能直接說出正確答案。同桌問你怎么做的，你就是沒辦法拆成他能理解的步驟給他講明白。

還有的人，可以控制自己的耳朵動。可是你問他具體怎么控制，他肯定沒辦法和你說清楚，因為這是神經系統整體的運作，無法用語言邏輯拆分。

沃爾夫勒姆的意思是：

“解釋”這件事情，根本就是個幻覺。

比如我要給你解釋：“汽車為什么會走？”

我可以從宏觀層面解釋：

能源的化學能轉化成了動能，汽車就能走。

但你還不明白，讓我詳細說說。

于是我從更細節的層面解釋：

發動機的四個沖程讓燃料燃燒，推動了傳動桿，傳動桿又連通了底盤和車輪，車輪轉動，與地面摩擦，汽車向前。

但你還不明白，讓我再詳細說說的。

于是我從微觀層面解釋：

分子層面的化學反應，剛體物理的諸多性質。

但你還不明白，讓我繼續深入解釋。

于是我發現，細微到一定程度，解釋就失去意義了：

汽車的微觀層面就是一堆原子。。。它們在遵循特定的規則震動。無數震動效果的總和就是汽車向前移動。

這算啥解釋？

沃爾夫勒姆在上個世紀就提出一個簡潔又兇殘的洞見：世界的本質是“計算不可約”的。（這是迄今為止對我震撼最大的認知之一，我在 中也詳細介紹過。）

簡單說就是：

1、微觀粒子遵循基本規律； 2、宏觀世界是微觀粒子的直接累積，無法被簡化。

但我們的大腦一廂情愿希望找到“簡單解釋”。

哪怕這些解釋不是100%事實，而是舍棄一部分事實之后，形成粗簡的“故事”，以便大腦（可憐的）計算力能夠與其他的故事類比起來，以此才能對改造世界的工作進行一些（不一定正確的）指導。

越往微觀層面走，我們保留的事實就越多，故事就越不好理解，但離真相更近。

越往宏觀層面走，我們舍棄的事實越多，故事就越好理解，但離真相越遠。

這種感覺很奇妙。它暗示：我們的世界就像一朵蓮花，花瓣分明，艷麗異常，但追根溯源，卻根植在一坨爛泥上。

回到我們的主題。

神經網絡每個神經元是干啥的，之所以不好解釋，就是因為我們試圖用微觀事實在宏觀上拼出一個的“簡化的”故事，這本質上是無法做到的。

說了半天，意思就是。。。此題無解嗎？？！！

誒，沃爾夫勒姆的兇悍之處正在于此。他的觀點是：

通過深刻理解智能為什么不能解釋，可以指導人類造出更厲害的 AI！

下面扶穩坐好，我們從最微觀的一磚一瓦開始，一點點描繪這幅圖景。

（二）大腦是“離散”的！

計算機是會死機的。

如果程序里存在嵌套的邏輯，計算機就只能一直算一直算，死而后已。

之所以這樣，是因為它試圖用有限的資源模擬出一個“無限的數學空間”。

這個數學空間里，任何東西都是連續的。

例如，一個小數字都可以分成更小的數字：

0.001 夠小了吧，你給 1 前面再塞個 0，它就是 0.0001，妥妥更小。

同理，任何一個大數字都可以組成更大的數字。

在這個數學空間里，你可以砍一刀，再砍一刀，無限逼近但永遠也砍不完，跟拼多多一個德性。

實際上，現代數學的危機與榮光，微積分、群論這種高深的理論，都必須建立在各種極限概念之上。它們共同構成了“形式計算”的恢宏大廈。

但是，這個完美的數學空間只存在于純粹邏輯之中。

最近一百年的科學證據已經瘋狂暗示：真實宇宙的基本結構不是連續的，也不是無限可分的，而是“離散的”。

你可以不嚴謹地把宇宙想象成一個屏幕。

在最小的尺度上看，全是像素點。一個粒子要么在 1 號點位，要么在 2 號點位，不可能在中間的 1.5 號點位，因為宇宙的基本結構決定了就沒有這么個“像素”。

一個粒子從 1 號位置移動到 2 號位置，不可能是“滑”過去，必須從 1 號位置消失，然后瞬間在 2 號位置出現。

沃爾夫勒姆想強調的是，在這種不連續的底層結構上進化出來的大腦，也必然“遺傳”了這個離散化的底色。

現實情況也在印證，大腦不是計算機：

首先，我們的大腦真的不擅長算數，兩位數都容易算錯，而計算機最擅長的就是算數。 其次，大腦如果真的是計算機，一定會經常死機，但大腦從不死機。

殘酷的自然選擇，要求我們的大腦必須具備“反智”的能力：把任何問題都快速坍縮成一個確定的答案，同時可以不要求準確！

原始人在野外看到一個長條的物體，第一要務不是搞清楚它到底是蛇還是藤，第一要務是——跑。

于是，下次你聽到“不買華為是漢奸”，“日本人都該死”之類的二極管論斷時，可以更加心平氣和。

因為大腦本來就是這樣工作的，它進化出來是為了在有限的資源下幫人做出決定的，而不是用來探尋真相的。

接下來的問題是：大腦究竟是怎么通過“離散化的結構”給出“又快又不準”的答案呢？

是時候請出“元胞自動機”了。

（三）宇宙里的“邏輯碎片”

元胞自動機最早是馮·諾依曼提出來的設想。

簡單來說就是把世界簡化成一個充滿格子的平面，然后給出一定的規則，再給出一個初始條件。然后就像上帝一樣放手不管，只是隔空俯瞰這個世界的演化。

示例如下：

第一排：初始條件

第二排：規則

第三排：通過規則對下一行進行計算的過程

沃爾夫勒姆把元胞自動機玩出了花，他強烈地相信元胞自動機里暗示了宇宙和生命的密碼。

我們一直在強調的“計算不可約化”原理，也是從元胞自動機里觀察出來的。

這個規則叫做“30 號規則”，從初始的一個黑點，可以衍生出復雜的完全沒有規律的圖案。

現在，他設想了一個“三色”元胞自動機。意思就是每個格子可以填入兩種顏色：紅、藍，加上空白時的白色，一共是三色。

上面一排的三個格子的狀態，決定了正下面一個格子的狀態。

也就是說，要讓這個元胞自動機啟動，你只需要設定一個由 27 條規則（也就是 33 條）組成的規則集，還有第一行的初始狀態。

這就是一種規則集（包含 27 條規則）。

任務來了：假設初始狀態只有正中一個紅格子，那么有沒有一套規則，可以讓這個系統正好演化 40 步，然后就停止了呢？

就像下圖：

由于計算不可約化，沒有算法可以預知答案，只能進行實驗。

而且，這里有超過 7 萬億種組合情況（32?），枚舉法太慢。

有一種比較聰明的方法：

在 27 個規則中，每次隨機突變一個，如果生命長度接近 40，就保留這個突變；如果生命長度沒變或者原理目標，就不保留。

這個方法叫做“連續隨機突變”。

就這樣，經過 300 多次的嘗試，突然碰到了一套規則，讓生命的長度恰好是 40。

上圖的每一行都只顯示了 27 條規則的輸出結果（輸入沒顯示，和之前的那張圖里順序相同），從 27 個白格子開始逐步迭代某些規則的結果。右側的數字顯示了兩排之間發生變化的規則數量。

下面這張圖就是隨著規則不斷進行突變，最終結果不斷接近目標的過程。

但是，如果你問我為什么 40 的生命長度對應這套規則，我無法解釋，因為是我“碰”出來的。

“即便不能解釋，但它真的好使。”

這句話是否似曾相識？

沒錯，這個特點和神經網絡一！毛！一！樣！

看到這，你有沒有一種不踏實的感覺？上學時老師可不樣這么解題啊。萬一我沒“碰”出來正確的方法，怎么辦？

為了打消你的疑慮，沃爾夫勒姆又多做了幾次。由于每次的隨機性不同，他找到很多套規則，結果都可以是 40。

以下就是五種情況：

這說明啥？說明正確答案不止一個，想要碰出來，也沒那么難。

這里有一個隱藏的關鍵前提，沃爾夫勒姆選擇了“三色元胞自動機”，它在邏輯上就內涵了 7 萬億種情況。

如果選擇“二色元胞自動機”，則一共就有 256 種規則組合，這里面的可能性就大大降低了。

我甚至可以都列出來給你：

元胞自動機里設置的顏色種類，在某種意義上對應了宇宙空間中的“維度”概念。三維宇宙，就對應著元胞自動機的三色。

通過元胞自動機你可以感受到一個類比：三維宇宙比二維宇宙的邏輯豐富性可是大了不止一點半點。

為啥咱們的宇宙是三維的？

很可能是因為二維宇宙可能無法產生復雜生命，也就無法追問宇宙為什么是二維的。

根據沃爾夫勒姆的宇宙模型，空間可以理解為一種由點線組成的網狀結構。維度越高，點之間的連線就越多，從 A 到 B 可能的路徑也更多，也就是邏輯更豐富。

由此，我們能得到如下三條啟示：

1、我們的宇宙充滿了 邏輯碎片 。 2、簡單的邏輯碎片通過排列組合，可以成為擁有特定功能的 工具 。 3、用邏輯碎片組合出特定工具的方法并不需要多高的智慧，僅僅通過 “突變”+“篩選” 就可以。

而智能系統沒啥神秘的，本質上就是一個可以實現特定功能的（復雜一點兒的）工具嘛。

既然這么說，用類似的方法，也可以做出一個大腦咯？！

可以試試。

（四）用“小方塊”做出一個大腦

為了方便你理解，先做一個小小的熱身。

我們使用一個“二維元胞自動機”。但這次我們不對規則進行突變，而是給定如下兩套規則。（沃爾夫勒姆給他們的編號是規則 4 和規則 146）

在我們的元胞自動機中，具體每一個格子使用規則 4 還是規則 146，由突變決定。

為了突出展示，我們把采用規則 4 的格子用綠色填充，把采用規則 146 的格子用粉色填充。

以下是幾個示例：

下面我們開始實操：

假設我們的目的是讓這個元胞自動機活 50 步。然后我們從純綠色開始，在隨機的地方把綠色變成粉色，篩選距離 50 步更近的突變。

不出所料，我們能碰出來符合條件的突變：

而且還不止一種。

下圖就是另一些例子：

下圖顯示的是很多次實驗中，找到結果分別所需花費的步驟。

好，你應該已經明白了基本玩法，熱身結束。

接下來我們把這個元胞自動機做一點兒小改動。

首先，我們把結構改成蜂窩狀，每個細胞的狀態只由最近的兩個決定。

然后，我們使用如下兩套規則：

略懂邏輯學的童鞋肯定看出來了，這不就是兩個基礎的邏輯函數么：與&異或。

這里我們用綠色代表“與”，用橘色代表“異或”。

厲害的來了！使用“與”、“異或”排列組合，還可生成無數其他規則，有種“一生二二生三三生萬物”的意思。

系統在隨機突變中，理論上會制造出各種函數！

別急，我們一步步來。

先采用我們熟悉的方法進行突變，讓這個系統存活 30 步。顯然可以做到：

但我們已經不滿足于這一點了，接下來上點兒強度：

我們想讓系統從某個特定細胞出發，30 步之后，恰好到達另一個特定細胞。

通過突變，可能創造出這樣的系統嗎？

事實證明，可以！

我們繼續上強度，讓這個系統變得更“智能”：

能不能用一個系統同時滿足多個要求？

例如，點亮第 0 排的 x 細胞，就一定能點亮第 30 排的 y 細胞？

就像下面這樣：

注意，要用一套固定的系統（綠橘色塊位置不能動）來完成這些不同的任務哦！

事實證明，依然可以。上面展示的這個系統就可以嘛！

說到這，你有沒有發現什么？

你再仔細看看上面那張圖。沒錯，我們訓練出了最早給你展示的那個神經網絡 f[x]。

這個用元胞自動機做出來的像“蜂巢”的 AI 和我們之前的那個神經網絡是幾乎等價的。

下圖是這個系統訓練過程中各個“中間形態”的突變點位和與之對應的方程 f[x]：

但是，敲黑板！這個元胞自動機可不是經典的神經網絡結構，它們不僅是長得不一樣，在基礎結構上也是不一樣的。

經典的神經網絡人工智能也是“離散”的，不過每個神經元的權重最初都是通過形式計算得到的，可能是循環的、無限的小數。

為了不讓 AI 在運行時死機，必須強制把他們小數點后面的位數切斷才能用。屬于是“強制離散化”。

但“蜂巢 AI”的結構天然就是離散的，從頭到尾都不會遇到小數點的困擾。

這個離散的結構有兩個巨大的優勢：

1、它是自然的產物：沒有經過人類設計，是通過演化得來的，基本結構和我們的大腦更接近。 2、它的性價比極高：哪怕它得到的結果不太準確，但運行時耗費的計算力非常非常小。

不過，這樣做出來的智能系統，它的穩定性如何呢？會不會稍微有點兒擾動就“神經錯亂”呢？

沒關系，是騾子是馬拉出來遛遛！

這個系統從不同的初始值出發，所有過程中被點亮的細胞的熱力圖。可見：無論取什么初始值，最后結果都落在固定的“0”和“1”上。

（五）模糊的正確

就拿人類來說，我們的大腦時刻要面對的信號都不是“純凈”的。

比如現在，你的大腦正在接受很多信號：手機屏幕上的文字，視野里的背景信息，耳朵里的聲音，肢體感覺，等等。。。

這些信號永遠會糾纏在一起，你的大腦必須能應對這種狀況：耳朵里聽見別的聲音，你還得保持繼續閱讀才行。

當然信號的噪音不能太大，干擾太大誰都受不了。但你的大腦抗干擾能力越大，就說明你大腦的“魯棒性”越強。

現在我們回到“蜂巢 AI”，試著給它輸入噪音。

怎么模擬噪音呢？

可以在初始的時候，同時給它輸入兩個黑點，甚至多個黑點。

我們先選一種沒有噪音的情況下“蜂巢 AI”的表現：

從：

演化到：

也就是下圖最左邊的情況。

下圖右邊幾張是在初始值中添加不同噪音的效果：

第 0 排帶紅圈的點位就是噪音； 下面所有帶紅圈的點位就是噪音產生的擾動，也就是相對于沒有噪音的區別。

下面這張圖，顯示了蜂巢 AI 對噪音的適應情況。（沒有列舉所有可能的噪音，只是一些典型的情況。）

第一排是選定的一種沒有噪音的原始輸入。下面就是在原始輸入的基礎上添加噪音的影響。

白色橫條，意味著輸出和原本的一致。沒有受到噪音影響。 粉色的橫條，意味著輸出和原本不一致了。受到了噪音影響。

乍一看，這系統的穩定性也不咋地啊，粉色的情況那么多。

別急，我們來仔細分析一下，受到了干擾后，具體結果是啥？

沃爾夫勒姆總結了各種情況，如下圖：

其中 32.1% 其實是沒有輸出結果，系統走到半路就停了。

這就好比你在嘈雜的地方讀書，既沒有聽清別人說什么，也沒有看懂書里寫什么。這種結果其實挺好，因為系統沒有胡亂給出答案。

還有 23.8% 是給出了純純正確的答案。

還有 15.6%、2.54%、1.7% 是給出了包含正確答案的錯誤答案。

實話說，這個表現已經很牛了！

有趣的是，還有 24.2%，是給出了純純錯誤的答案，但這個錯誤答案卻對應著其他輸入的正確答案！

這說明啥？

說明這個系統也許會出錯，但它不會錯到非常離譜。進化迭代，讓這個系統冥冥中形成了兩個“吸引盆”，好像結果會自動滑落到盆底一般。

當然，要達到這種境界，也需要一些訓練技巧。

所謂技巧也不是人工干預細節，而是在演化的時候，加入一些“負樣本”，當蜂巢 AI 得出錯誤的結果時，會觸發“懲罰”機制。

這個方法，和我們熟悉的經典人工智能訓練是一樣的，也和人腦的訓練方法是一樣的。你不好好學習，老師就會邀請你媽媽來揍你一頓，這就是懲罰機制。

至此，我們已經訓練出一個丐版的智能系統。

它具有模糊的正確性，它在噪音中保持強韌，不輕易被毀滅，它拿到了“進化游戲”的入場券。

而且我們似乎還額外獲得了一個認知。

那就是：對智能祛魅。

智能的秩序和自然界的無序總是形成鮮明反差，以至于在漫長的歷史中，人們總愿意相信有個“造物主”來屈尊造人。

而“蜂巢 AI”的訓練過程恰恰告訴我們：智能的出現，不是什么了不得的偶然事件，反而是個大概率事件。

同樣模擬 f[x] 那個方程，還能探索出很多種組合形式。

（六）智能是“邏輯的搬運工”

沃爾夫勒姆嘗試了很多“蜂巢 AI”，每次都能訓練出來擬合最初那個 f[x] 方程的人工智能。

這里的關鍵是，即便它們完成的任務相同，但由于隨機性的影響，每次訓練出來的系統在微觀結構上都不一樣。（紅綠色塊的位置不同）

怎么訓怎么有，這說明什么？

說明“邏輯資源”在自然界極其豐富。

就像銅礦一樣，在地球上到處都有。古代各個地區的人類文明雖然沒有交流，但都順利發現了冶煉銅的技術，獨立進入青銅時代。

如此，我們可以試著回答最初的問題：

“智能”的微觀結構，到底是什么？

智能的運轉，就是把自然界已有的邏輯碎片給組合了起來，讓它能夠判斷輸入與輸出極其復雜的對應關系。

不過即便只是對既有邏輯的搬運和整合，也不是所有整合方法都能產生高密度的智能。

一個反直覺的結論是：

當你越佛系松弛的時候，越能造出高密度的智能；當你越想嚴格把控，恰恰越難以造出高密度的智能！

這不是一碗雞湯，而是一把鋒利的認知武器。

不信我們接著看一個實驗：

剛才我們說過，用“與”和“異或”可以組合出各種函數，而且針對某一個函數，有無數種方法可以等效出來。

但查看細節就會發現，等效的“蜂巢塊”的大小可不一樣。

比如我們找到的等效于兩色元胞自動機規則 30 的“蜂巢塊”最小只需要 4 行，并且有兩種情況：

如果允許加到 5 行，那情況就一下子多了。

可這些蜂巢塊都是進化得到的，看上去雜亂無章，無法解釋。

如果我們非要做出可以解釋的蜂巢塊也可以，就得按照人類理解的邏輯計算方式來一步步生成。

比如：

其中的 x、y、z 就代表規則 30 的三個輸入。

可以證明，這個“蜂巢塊”確實是對的 ↓↓↓

但你發現沒，人工搭建的塊，比自然進化出來的塊更多，需要 6 行。

多數情況，按照人類邏輯來搭建邏輯樂高，得出的結果要大得更多。比如規則 110。

這些是通過進化得到的：

這個是通過人工搭建得到的：

一個結論呼之欲出：

即便邏輯資源在自然界豐富存在，但是“隨機進化”冶煉出來的純度更高，而“人工搭建”的方法純度更低。

要知道，無論是規則 30 還是規則 110，都還僅僅是一個簡單的思想實驗，模擬了神經協作模式的皮毛而已。真正大腦的運作會比這個復雜千倍萬倍。

可想而知，如果使用“人類可解釋的編程方法”，在腦細胞層面每一次邏輯迭代都會比自然進化的方案更耗能，那么整體思考的代價將變得非常沉重。

這暗示了一個真相：一個系統的“邏輯密度”和“可解釋度”是一個蹺蹺板！

這也解釋了一個大問題：為什么現在我們的人工智能如此耗能？

因為我們在訓練中使用了大量“人工搭建”的邏輯，它們就像“腳手架”，增加了智能的可解釋性，但也降低了智能的邏輯密度。

這里，我們可以回到 DeepSeek。

之所以說 DeepSeek 對 AI 技術產生了極大的理論貢獻，是因為它終于找到了一種方法，在訓練的流程中拆掉了大量腳手架。

具體來說，DeepSeek 在很多重要的點位上用強化學習（RL）的方法替代掉了人類監督微調（SFT）。

簡單理解就是：強化學習就是在底層去掉人類監督，只保留一些高層的人類篩選，讓 AI 有更大的自由度自己探索適合的思考方式。

這相當于在訓練的關鍵步驟照搬了宇宙的智能設計圖——“突變”+“篩選”。

換句話說：它找到了一種更好的“搭宇宙便車的方法”！

如果回頭望，你會驚奇地發現：整個 AI 的發展歷史，就是科學家們不斷放手，不斷把智能的產生交給隨機進化，不斷更好地“搭宇宙便車”的過程！

（七）搭好宇宙的便車

在人工智能學科誕生初期，重磅科學家們幾乎都在支持“符號主義”，也就是手動匹配萬事萬物的聯系，讓 AI 的全部推理都有理有據，在最細節的層面也要能被解釋。

但逐漸，科學家承認“學會多少道理都過不好這一生”，不如放手讓 AI 自己去學習事物之間的聯系，這才倒向了羅森布拉特的“聯結主義”，乃至后續辛頓教授在這一流派基礎上開創的，以至于 ChatGPT 誕生。

由此，AI 才洶涌成蓬勃的大河。

不是因為人們喜歡放手，而是因為不放手就無法前行。

世界上第一個基于“聯結主義”的人工智能感知機，Mark I。

和這條河流所對應的，是人類計算負載從 CPU 向 GPU 的史詩級遷移。

CPU 是為形式計算而設計的，源自于人造的理想空間：它可以處理復雜的控制指令。

GPU 是為圖像處理而設計的，根植于人類的視覺進化：它可以高效處理簡單重復計算。

你還記得那個蹺蹺板嗎？

本質上，CPU 就代表了“可解釋度”，而 GPU 則代表了“邏輯密度”。

CPU 時代的領軍企業英特爾，股價腰斬，險被收購；而 CPU 時代的領軍企業英偉達，股價已經翻了無數翻。

從微觀上看，兩家公司的每一次經營決策的累積導致了如今的分野。但拉開視野來看，順應歷史的潮流，才是勝利的關鍵。

數學是人類智慧的王冠，精準形式計算的需求永遠龐大。

但宇宙的“計算不可約性”從根本上決定，更多的日常決策只適合于離散化的擬合。

聯結主義 AI 的興起、離散化結構的成功、英偉達 GPU 的崛起，不都是因為他們搭對了宇宙的便車嗎？

有個笑話講：最牛的 AI 老師傅每天上班都要默念十遍“智能的本質是壓縮”。

這恰好揭示了生命進化的真理，也揭示了離散化擬合的本質。那就是：只求神似，不求精準。

世界上的現象復雜，但凡要用有限的計算力去擬合，就需要有損壓縮。

比如在用蜂巢 AI 擬合 f[x] 時，由于系統的“離散”本質，即便不斷增加系統的計算力，我們得到的也是一個近似曲線，而不可能完全貼合形式計算的那個理想曲線。

下圖就是對 f[x] 的理想曲線進行壓縮后的結果。

但它的好處顯而易見，那就是計算時間是絕對剛性的。

無論如何，系統都可以在有限時間內快速給出擬合結果——不死機。這對于生命的生存至關重要。

剛性時間就是進化的篩選條件之一。

在此基礎上智能進化的過程，就是不斷找到更好壓縮方案的過程。

為了更直接地展示 AI 在壓縮上的能力，沃爾夫勒姆做了另一個實驗——“自編碼器”。

把第一排當做輸入，把最后一排當做輸出。系統的目標就是：經過中間步驟的演化，讓輸出無限接近于輸入。

它模擬了人“壓縮世界”的過程：在內心構建一個世界的“像”。

這個系統沒有看上去那么簡單，因為在計算的過程中，最初的信息會被“碾碎”，而在后來又要“重構”起來。

但宇宙內稟的邏輯資源太豐富了，不費什么力氣就進化出很多“自編碼器”。

接下來更騷的操作來了：他把系統的“腰部”收窄，看看還能不能訓練出自編碼器。

結果是：仍然可以。

而且，就算腰部極細，細到只有兩個格子（下圖），系統仍然能完成自編碼。（ 只不過在這種極端情況下，壓縮的質量不忍直視。）

在細腰部分傳遞的信息，其實就是數據的壓縮版本； 腰部以上，是壓縮過程； 腰部以下，是解壓過程。

不同的壓縮系統，對應著不同的耗能和效果。兩個參數做簡單的除法，可知它們 智能的密度也不相同。

這個簡單的模型卻給了我們巨大的信心：

只 要能找 到更好的方式對世界進行壓縮，我們就能制造出一個和人腦平齊，甚至超越人腦的智能系統。

如今，我們已經有了 ChatGPT，有了 DeepSeek。

再往前看，我們有可能把這種“搭便車”玩到極限，造出理解萬 物、無所不能的超級智能嗎？

（八）我們的無知與歡喜

其實，如果我們接受了“計算不可約性”，很容易推出如下結論：

1、我們永遠有機會做出更好的人工智能； 2、我們永遠無法抵達人工智能的“極限”。

所謂人工智能的極限，就是對一切問題都能給出正確答案的那種神級智能。

作為“離散宇宙”的生物，我們只能基于離散化的結構創造智能。運轉的細節依靠億萬模糊的擬合，它的原理本身就內含了出現大量錯誤的可能性。

也就是說，無論我們如何掙扎，基礎的物理定律“保證”了我們永遠無法準確理解萬物，也永遠無法準確預測未來。

我們，就像被困在一個黑盒子里，再撕心裂肺的吶喊都無法透傳出去——如同進入《2021 太空漫游》里那個黑色的石碑，人類能做的只有沉默與敬畏。

沃爾夫勒姆把宇宙的底層結構想象為一種“超圖重寫”結構，這是元胞自動機的另一種抽象，也是和元胞自動機計算等價的。

簡單來說，超圖重寫就是把宇宙看成一幅“圖”。在這幅圖上運行迭代策略：隨著時間流逝，按照既定規則，以一個結構替代另一個結構。

這個規則可能很簡單，比如下面就是一個規則示例：

即便規則這么簡單，每次迭代都會產生新的結構，下一次的迭代也會在新的結構中繼續演化，并不重復。由于計算的不可約性，宇宙將會變得越來越復雜。

下圖，就是基于上面那個規則演化幾步之后的結果：

同樣因為計算不可約性，在這樣的宇宙里生活，沒人能夠先于演化精準預測超圖的全景，最多只能通過（基于離散結構的）“智能”來對某個局部的圖紙做粗略預測。

而且，由于我們用來預測的智能系統本身，也是“超圖”的一部分，這意味著智能當然也無法預測自身的未來狀態。

這個特點解決了一個終極追問：人到底有沒有自由意志？

我們可以逆向思考：

什么是沒有自由意志？就是我們可能找到預測自己在未來某一刻的思想的方法。對吧？

但計算不可約性已經預言了，我們沒有辦法準確預測大腦未來的狀態。也就是說，無論我們的思維是不是機械運動的，都不影響“我們無法預測它”這一事實。

所以，我們永遠可以認為自己“有”自由意志！

只不過，這種自由意志的代價是昂貴的：

人類，作為一個智能體，永遠無法理解宇宙的所有真相。 AI，作為一個人造的智能體，同樣永遠無法理解宇宙的所有真相。

但這種對“無法理解”本身的探尋，何嘗不是一種理解呢？

這種揭示自己渺小的真相的路程，何嘗不是一種偉大呢？

我們盛開，但我們腳踩淤泥；

我們腳踩淤泥，但我們盛開。

正如胡適所說：怕什么真理無窮，進一寸有一寸的歡喜。

真正的慰藉，也許并非“朝聞道夕死可矣”。而是在終極真理的巨大引力下跌撞前行，收獲的一路歡喜。

這，也許才是終極意義上的 Deep Seek。

參考資料：

https://writings.stephenwolfram.com/2024/08/whats-really-going-on-in-machine-learning-some-minimal-models/

《機器學習中到底發生了什么？一些極簡模型》

三生萬物

再自我介紹一下吧。我叫史中，是一個傾心故事的科技記者。我的日常是和各路大神聊天。如果想和我做朋友，可以搜索微信：shizhongmax。

哦對了，如果喜歡文章，請別吝惜你的“在看”或“分享”。讓有趣的靈魂有機會相遇，會是一件很美好的事情。

Thx with in Beijing