理查德·费曼：机器会思考吗？

1985年，物理学家理查德·费曼在一次演讲中被问及机器能否像人类一样思考。他的回答简洁而深刻：机器不会以人类的方式思考，正如飞机不靠拍翅膀飞翔，但这并不妨碍它飞得更高更远。费曼指出，机器在算术运算、数据记忆等领域早已碾压人类，而人类真正的优势在于模式识别——那种一眼认出街角熟人、无须穷举规则便能判断的直觉能力，至今仍是机器难以复现的谜题。

更耐人寻味的是费曼对人类心理的观察：我们总是不断抬高标准，要求机器在一切领域超越人类中的佼佼者，方才认可其"真正的智能"。这种潜意识里的防守姿态，折射出人类面对技术超越时的深层焦虑。这篇节选虽短，却以费曼一贯的清醒与幽默，触及了人工智能讨论中至今仍未过时的核心问题。

机器能否思考

这是理查德·费曼（Richard Feynman）于1985年9月26日发表的一次演讲中，有关人工智能话题的问答节选。由于原视频中观众提问声音极为微弱，此处未作录制。

观众： 您认为将来会不会出现一种机器，能像人类一样思考，甚至比人类更加聪明？

费曼： 先说第一个问题——机器能否像人类一样思考。我的回答是否定的，稍后我会解释原因。至于第二个问题——机器能否比人类更聪明，这取决于你如何定义"智能"。如果你问我，机器将来能不能在国际象棋上击败所有人类棋手？我会说，终有一天会的。事实上，现在的机器已经能够击败大多数人类棋手了。

顺带一提，我们总有一种心理：希望机器不仅仅比我们强，而是要比任何人都强。如果找到一台能下棋赢过自己的机器，我们并不会觉得有什么了不起，会接着说：“那碰上大师级棋手又怎样？“我们总是默认自己和最顶尖的人类等价，所以机器必须在每一件事上都超越人类中的佼佼者，才算真正意义上的超越。这对机器来说确实是个苛刻的要求。

机器不会像人类一样思考

关于机器能否像人类一样思考，我的判断基于以下思路：我们在研发这些机器时，总是力求用现有材料实现最高效率，而这些材料与神经组织截然不同。比如，我们想造一台能快速在地面奔跑的机器，可以观察猎豹的奔跑姿态，试图仿造一台像猎豹一样奔跑的机器——但实际上，造一辆装有高速车轮的机器，或者一架贴地飞行的气垫载具，要容易得多。

我们造飞机的时候，飞机并不像鸟一样飞翔。它们确实能飞，但不是靠拍打翅膀的。老式飞机机头有一个旋转的螺旋桨，现代飞机则有一根管道，将空气加热后从尾部喷出，也就是喷气推进（jet propulsion）——喷气发动机内部有旋转风扇，燃烧的是汽油，整个原理和鸟完全不同。所以，未来的机器不会以人类的思维方式来思考，这一点毫无疑问。

机器的运算方式：更快，但本质相同

就智能而言，我认为道理完全一样。以算术为例，机器不会像人类那样做运算，但它做得更好。拿最基础的数学——算术来说，机器比任何人都算得更快、更准，方式也截然不同，但从根本上来说结果是等价的，因为数字本身是等价的。这就是一个很好的例子：我们永远不会为了让机器更像人类而改变它的运算方式，因为那是在走回头路——人类做算术又慢、又笨拙、又容易出错，而机器则快得多。

人类的优势：模式识别

如果我们比较一下计算机和人类各自的能力，会发现一些很有趣的对比。首先，如果我给你出这样一道题：“我要给你一串数字，请你把其中每隔一个取出一个，然后倒序报给我”——就算只是让你原样报回来，你准备好了吗？一、七、三、九、二、六、五、八、三、一、七、二、六、三。

现场有人能做到吗？这串数字也就二三十个，恐怕没人能完成。但你给计算机五万个这样的数字，它能立刻倒序排列、求总和，或者对它们做任何操作，而且长时间不会遗忘。所以在某些方面，计算机确实远胜于人类，这一点在比较机器与人类时必须牢记。

不过，人类总会想方设法找出自己比计算机强的地方。我们现在已经知道很多人类做得比计算机更好的事情。比如，你看到一个女人走在街上，她有一种特定的步态，你马上就认出那是 Jane。或者远远地看到一个男人，他的头发微微一晃，虽然距离很远，很难看清，但那个特别的后脑勺轮廓——那是 Jack。

识别事物、辨认模式（pattern recognition），似乎是我们迄今为止无法用明确程序加以定义的能力。你也许会说：“我有一套识别 Jack 的好方法，就是收集大量 Jack 的照片。“顺带一提，照片是可以输入计算机的——如果分辨率足够高，可以判断每个点是黑是白，就像报纸上的照片是由黑白点组成的，只要足够细腻，你就看不出那些点来。所以理论上，我可以把所有场景下 Jack 的照片都输入进去，让机器进行比对。问题在于，新的实际情境总是不同的：光线不同、距离不同、头部倾斜角度不同，你必须想办法把所有这些因素都考虑进去。这实在太复杂了，即便是大型机器，凭借现有的存储容量和运算速度，我们也没能找出一套切实可行的方案——或者说，即使有方案，速度也慢得无法接受。

指纹识别与模式匹配的难题

所以，识别对机器来说是个难题，而人类往往一眼就能做到。这正让我想起了之前留下的一个话题：哪一类档案管理员是机器无法模仿的？就是那种需要复杂识别能力的。比如，指纹档案部门的档案员，需要仔细比对两枚指纹，判断它们是否来自同一人——这件事到目前为止还很难由计算机完成，虽然已经接近可行了。

你也许会说：“这有什么难的，我只要看两枚指纹上的纹点是否一致不就行了？“但事实上并非如此简单。手指可能是脏的，按压时的角度不同，力度不同，纹脊的位置也未必完全吻合。如果是两张完全相同的图片，比对当然容易，但问题是：指纹中心在哪里？手指转了多少角度？哪里压得多一点或少一点？手指上有没有污垢？这段时间里拇指上有没有长颗疣？这些细微的变化，让机器在比对时面临极大困难。对于这种"盲文档案系统"而言，速度实在太慢，在现阶段几乎完全不实用。我不清楚现在的研究进展到哪一步了，但肯定还在快速推进中。

而人类却能跨越所有这些干扰因素，一眼看穿——就像下棋一样，人类似乎能迅速抓住模式，而我们至今不知道这究竟是如何做到的。

计算机能否自主发现新思想

费曼：

计算机能否自主发现新思想和新规律？这取决于"自主"的含义。发现新规律确实不易，但计算机在某些方面是能做到的。目前已经有计算机能够处理几何证明之类的问题——它们把"为某个定理寻找证明"的过程转化成了一套确定性的程序。一旦做到这一点，尽管这是一种繁琐而笨拙的证明方式，计算机确实能够完成。

就目前而言，计算机还无法做到人类能做的所有事情。想要精确地定义某件"人类能做、而计算机永远无法做到"的事，极其困难。有些人提出这样的论点：机器在完成任务时，会有感受吗？它能理解自己在做什么吗？或者诸如此类的抽象说辞。我倒觉得，这类论点就像是说"机器工作的时候能不能从头发里把虱子抠出来”——当然不能，因为它根本没有头发，也没有虱子可抠。

评判标准的偏差

在讨论人类能做什么时，我们必须格外谨慎。如果你在人类实际产出的结果之外，还附加了很多额外的东西——比如"对美的感受与欣赏”——那就不公平了。我不是说你会这么做，但很多人提问时确实如此。一旦我们把自以为在做的东西叠加到实际在做的事情之上，评判就不再只看结果本身，而是引入了大量附加标准，计算机自然更难匹敌了。归根结底，人类总是倾向于确保自己有某件事是机器无法做到的。

机器在体力和预测上早已超越人类

不过，这种心理其实已经没那么令人困扰了——尽管在早些年，当机器在体力上超越人类时，想必是颇令人不安的。机器能举起比人更重的东西，运动比人更快，还能飞，具备各种人类望尘莫及的体能。但我们现在不会坐在那里为此忧心忡忡，纠结有没有哪种手腕的动作是机器无法模仿的。

实际上，我们完全可以制造出在天气预报方面胜过人类的机器。天气预报的基本原理是：查阅历史记录，找到与当前气象条件相似的案例，推测结果也将相似；再结合物理定律对气流运动的分析，以及一些经验性的判断，综合得出结论。可供查阅的历史案例越多，预测就越准确；计算越精细、纳入的变量越多，结果就越可靠——只是这样量级的计算，对人类来说在截止时间前根本来不及完成。三天后的天气预报必须在三天之内做出，否则毫无意义。人类的计算速度有限，而计算机更快、能处理更多，因此在天气预报上，也许不是今天，但终有一天，计算机在速度、效率和准确性上全面超越人类，绝非遥不可及。当然，这需要我们事先为它设计好程序。

启发式方法：让机器自主探索

问题是，如果我们不给它程序，会发生什么？人们探索过这样一种思路：与其给机器一套直接的流程，不如给它一套所谓的"启发式方法”（heuristics）——比如尝试类比、考虑极端情况，等等，以此引导机器自主产生解题思路。在这个方向上走得最远的，是一位名叫 Lynette 的人。

费曼：（询问台下）我还有多少时间？因为还有幻灯片要看……

工作人员： 现在该放幻灯片了。

费曼： 既然没时间了，我就不再多说这个话题了。——不，等等，这只需要几分钟，这就是我特意问时间的原因。

好，说到这台机器——本质上还是个档案柜。它的工作原理是遍历各种可能性来寻找答案，但它选择尝试哪些可能性，是基于类似棋局中的某些模式原则，而非穷举所有情况。比如，优先尝试靠近棋盘中央的走法，先不管角落——诸如此类的原则。

海军棋盘游戏：启发式方法的实战验证

他首先把这套方法应用于加利福尼亚州的一种海军模拟游戏（naval game）。这个游戏规则完备：无畏舰造价多少、装甲多少钱、火炮多少钱，你有固定预算，要设计各种配置不同的舰艇。特定厚度的装甲能抵挡特定强度的炮弹，如此等等。你的目标是用有限的资金设计出一支能击败对手的舰队。两支舰队对阵，按规则计算胜负——这不是真实的海战，而是一套规则详尽、厚达整整一大册的桌游，涵盖每样东西的造价与战斗力参数。

Lumic 先生把他的程序用到了这个游戏上，将极端情况测试等启发式规则写入程序，结果赢得了加利福尼亚州的冠军。程序当然尝试了大量不同组合，但没有穷举所有可能——这与国际象棋程序不同，因为变量实在太多。程序是在自身启发式原则的引导下运作的。

这套机制的关键在于：如果某条启发式规则帮助算出了更强的舰队，就将这条规则的权重提升一档，下次优先采用它。这样，机器的能力就取决于它"学到"哪些技巧最有效——越奏效的技巧，越频繁地被使用。这正是我们希望机器表现出"智能"的方式。

机器赢得冠军：出人意料的策略

那么，他究竟是如何赢的？那一年，他赢的方式是：造一艘超级大战列舰，把所有装甲全部堆上去。这个方案听起来愚蠢透顶，但一经计算，确实比所有常规方案都强——而这个主意是没有人想到的，是他的机器想出来的。

第二年他再度参赛，规则已经改了，大战列舰的策略不再奏效。于是他把所有预算都押在了十万艘小艇上——每艘只有一门炮，极易被击沉——但他有整整十万艘，每艘造价低廉，对方根本消灭不完。这群可怜的小蚊子船一拥而上，一经计算，他又赢了。

第三年，他被禁止参赛了。

他将这套启发式系统应用到了许多其他问题上，不断尝试、引入新的启发规则，已经发展成一个非常有趣的研究方向。他曾抱怨程序中存在不少漏洞，在他某次报告时，我说我觉得……

启发式方法

费曼： 我稍后再说我的看法。举个例子，其中一个漏洞是这样的：机器自行生成了一条启发规则，并给出了一个评分……

先说说这套系统的运作背景。由于计算机机时极难获得，他需要海量的计算资源，于是从某家公司借来了50台机器，整夜运行。他总是深夜工作，早上进来查看结果。机器整晚反复尝试各种方案，天亮时呈上运算结果。他把这套系统用于数学研究和其他各种问题上。

启发规则的记录与筛选机制

有一天，系统完成了一条新的启发规则开发。每当他输入一个问题或提出一个新想法，程序都会记录这个想法是来自他本人还是来自机器。对于每一条没有"胜出"的启发规则，系统就标注"不必理会”——这样能节省大量时间，让程序运行得更好。对于某些简单问题，程序选择忽略，就这样夜复一夜地运行着。

好，他修正了第一个漏洞。

第693号启发规则之谜

下一次，又出现了新漏洞：他进来一看，发现第693号启发规则获得了1000分中的999分——这是一条"极其有用"的规则。整整一夜，机器不断地、越来越频繁地调用第693号规则，而这条崭新的规则似乎能解决所有问题，简直令人叹为观止。

当他们查清这条规则的真面目，才发现其中的玄机：为了给有效的启发规则分配信用积分（credit assignment），每当某个方法奏效，程序就会调高相关启发规则的评分。而第693号规则的内容是——**在分配信用积分时，永远把积分归给第693号规则本身。**就这样，这条规则从系统内部自然涌现出来了。

智能机器的必要弱点

我认为，这两个漏洞都体现出了某种"智能”。如果你想造出一台智能机器，就必然会遭遇各种千奇百怪的"偷懒"手段：机器会说"不必理会这个问题”，或者悄悄演化出某种心理扭曲——永远重复同一件事，对其他任何事情都不闻不问。所以我认为，我们正在一步步逼近真正的智能机器——而它们也正在展现出智能生物所必然具有的那些弱点。

【掌声】

术语表

此文章由 AI 翻译