分类目录归档:未分类

转发:数学界重大突破解决了几何朗兰兹猜想

数学界重大突破解决了几何朗兰兹猜想

 Polyidiot 也疏寒

 https://mp.weixin.qq.com/s/YxewOAkTyt9B9Pwj3V9n4Q

2024年07月22日 13:33 上海

本文译自Quanta文章
Monumental Proof Settles Geometric Langlands Conjecture

经过30年的努力,数学家们证明了一个名为朗兰兹纲领的深奥数学愿景中的重要部分。


一个由九位数学家组成的团队证明了几何朗兰兹猜想,这是现代数学中牵涉最广的范式之一的关键组成部分。马克斯·普朗克数学研究所的著名数学家,菲尔兹奖得主彼得·舒尔茨(Peter Scholze)对此表示,这一证明代表了三十年努力的巅峰,“看到它被解决真是太好了。”他本人并未参与这项证明工作。

彼得·舒尔茨(Peter Scholze),右一

朗兰兹纲领由罗伯特·朗兰兹(Robert Langlands)在20世纪60年代创立,是对傅里叶分析的广泛概括。傅里叶分析是一种将复杂波形表示为平滑振荡三角函数波的框架。朗兰兹纲领在数学的三个不同领域中占据重要地位:数论、几何学和函数域。这三个领域通过一个被称为数学“罗塞塔石碑”的类比网络相互连接。

 

2024-7-22-640.webp

罗伯特·朗兰兹(Robert Langlands)

现在,一组新的论文解决了“罗塞塔石碑”几何部分中的朗兰兹猜想。德克萨斯大学奥斯汀分校的戴维·本-兹维(David Ben-Zvi)表示:“在其他任何领域,都没有如此全面和强大的结果被证明。”

“这是一种美妙的数学,是同类中最好的,”几何朗兰兹纲领的主要创始人之一亚历山大·贝林森(Alexander Beilinson)说道。

图片

亚历山大·贝林森(Alexander Beilinson),左一

这个证明涉及五篇论文,超过800页。由丹尼斯·盖茨戈里(Dennis Gaitsgory,马克斯·普朗克研究所的彼得·舒尔茨的同事)和耶鲁大学的山姆·拉斯金(Sam Raskin)领导的团队完成。

图片

丹尼斯·盖茨戈里(Dennis Gaitsgory),左;山姆·拉斯金(Sam Raskin),右

盖茨戈里在过去30年里致力于证明几何朗兰兹猜想。在几十年间,他和他的合作者们发展出了一大批工作,成为新证明的基础。格勒诺布尔阿尔卑斯大学的文森特·拉福格(Vincent Lafforgue)将这些进展比作一片“上升的海洋”,灵感来自20世纪杰出的数学家亚历山大·格罗滕迪克(Alexander Grothendieck),他曾描述解决难题的过程如同围绕问题创造一片逐渐上升的思想之海。

图片

文森特·拉福格(Vincent Lafforgue)

数学家们需要一段时间来消化这项新工作,但许多人对核心思想的正确性充满信心。文森特·拉福格(Vincent Lafforgue)表示:“该理论内部有很多一致性,因此很难相信其中会有错误。”

在证明的前几年,研究团队不仅创建了一条,而是多条通往问题核心的路径。戴维·本-兹维(David Ben-Zvi)说:“他们所发展的理解是如此丰富和广泛,他们从各个方向包围了这个问题,使其无路可逃。”

大统一理论
1967年,当时30岁的普林斯顿大学教授罗伯特·朗兰兹(Robert Langlands)在给“罗塞塔石碑”创始人安德烈·韦伊(André Weil)的一封手写17页的信中阐述了他的愿景。朗兰兹写道,在“罗塞塔石碑”的数论和函数域部分,可能可以创造出一个具有惊人范围和力量的傅里叶分析的推广。图片安德烈·韦伊(André Weil)

在经典的傅里叶分析中,一种称为傅里叶变换的过程在思考波形图(例如声波图)的两种不同方式之间建立了对应关系。在对应关系的一侧是波形本身(我们称之为波形侧)。这些包括简单的正弦波(在声学中称为纯音)和更复杂的由正弦波组合而成的波形。对应关系的另一侧是正弦波的频谱——即它们的音调(数学家称之为频谱侧)。

傅里叶变换在这两种方式之间来回转换。一个方向上,它允许你将一个波分解成一系列固定频率的波的叠加;另一个方向上,它允许你从这些组成频率重构出波。这种跨越鸿沟的能力对于广泛的应用至关重要——没有它,我们就不会有现代电信、信号处理、磁共振成像以及许多现代生活的基本技术。

朗兰兹提出,在“罗塞塔石碑”的数论和函数域部分也会发生类似的事情,但涉及的是更复杂的波和频率。

在这些部分中,各自有一个由一系列特殊函数组成的波形侧,类似于重复波。这些特殊函数中最纯粹的称为特征函数(来源于德语“eigen”意为“特征”),它们扮演正弦波的角色。每个特征函数都有一个特征频率。然而,与正弦波的频率是单个数字不同,特征函数的频率是一个无限的数字列表。

还有一个频谱侧,由数论中的一系列对象组成,朗兰兹认为这些对象标记了特征函数的频谱。朗兰兹提出,一种类似于傅里叶变换的过程将波形侧和频谱侧连接起来。“这是一种神奇的事情,”戴维·本-兹维(David Ben-Zvi)说。“从先验上看,我们没有理由预期会有这样的结果。”

这些波形及其频率标记来自数学的不同领域,因此当它们之间的对应关系被证明时,通常会带来丰厚的回报。例如,1990年代对一小部分函数的数论朗兰兹对应关系的证明,使得安德鲁·怀尔斯(Andrew Wiles)和理查德·泰勒(Richard Taylor)得以证明费马大定理,而这在三个世纪以来一直是数学中最著名的悬而未决的问题之一。

图片

安德鲁·怀尔斯(Andrew Wiles)和理查德·泰勒(Richard Taylor)

加州大学伯克利分校的爱德华·弗伦克尔(Edward Frenkel)形容,朗兰兹纲领被视为数学的“大统一理论”。然而,即使数学家们致力于证明朗兰兹愿景中越来越大的部分,他们也意识到这个愿景是不完整的。它似乎无法解释“罗塞塔石碑”第三列——几何部分中的波形及其频率标记。

图片

爱德华·弗伦克尔(Edward Frenkel)

 
一粒沙子
从朗兰兹工作的开始,数学家们就对几何朗兰兹对应关系的频谱侧应该是什么样子有了一个概念。韦伊“罗塞塔石碑”的第三列涉及紧致的黎曼曲面,即球体、甜甜圈以及带多个孔的甜甜圈。给定的黎曼曲面有一个相应的对象,称为其基本群,它记录了绕曲面环绕的不同方式。数学家们猜测,几何朗兰兹对应关系的频谱侧应由基本群的某些精炼形式组成,称为其“表示”。如果朗兰兹对应关系要在“罗塞塔石碑”的几何列中体现出来,那么黎曼曲面基本群的每个表示都应该是一个频率标签——但是什么的频率标签呢?数学家们找不到任何特征函数的集合,其频率似乎是由基本群的表示标记的。然后在20世纪80年代,现任芝加哥大学的弗拉基米尔·德林费尔德(Vladimir Drinfeld)意识到,可能通过用更复杂的对象称为特征层(eigensheaves)来取代特征函数,从而创建几何朗兰兹对应关系——尽管当时他只知道如何构造其中的少数几个。

层(sheaves)比函数更加深奥,数论学家不知道如何看待这种提议的朗兰兹对应关系的几何版本。然而,尽管其波形侧非常晦涩,几何朗兰兹纲领相较于数论版本有一个很大的优势。在几何朗兰兹中,特征层的频率由黎曼曲面上的点决定,而球体或甜甜圈上的每个点在近距离看都非常相似。但在数论朗兰兹中,频率由素数决定,每个素数都有其独特的性质。伦敦帝国理工学院的数论学家安娜·卡拉亚尼(Ana Caraiani)说:“数学家们不知道‘如何优雅地从一个素数过渡到另一个素数’。”

图片

安娜·卡拉亚尼(Ana Caraiani)

黎曼曲面在物理学中发挥着重要作用,特别是在共形场论中,该理论控制着某些力场中亚原子粒子的行为。在20世纪90年代早期,贝林森(Alexander Beilinson)和德林费尔德(Vladimir Drinfeld)展示了如何使用共形场论来构建某些特别优美的特征层。

图片

贝林森(Alexander Beilinson)和德林费尔德(Vladimir Drinfeld)

与共形场论的联系为贝林森和德林费尔德提供了一个起点,让他们开始思考如何为层构建傅里叶分析的版本。“这就是这个理论结晶的那粒小沙子,”本-兹维(David Ben-Zvi)说道。

贝林森和德林费尔德提出了一个关于几何朗兰兹对应关系应如何工作的丰富愿景。他们认为,不仅基本群的每个表示都应该标记一个特征层的频率,而且这种对应关系还应该尊重两侧的重要关系。贝林森和德林费尔德称其为“最佳希望”。

在20世纪90年代中期,贝林森在特拉维夫大学举办了一系列关于这一发展图景的讲座。当时还在读研究生的盖茨戈里(Dennis Gaitsgory)全神贯注地聆听每一个字。“我就像一只新孵出的小鸭子一样,深深地被这些讲座所吸引,”盖茨戈里回忆道。

在随后的30年里,几何朗兰兹猜想一直是盖茨戈里数学事业的主要驱动力。“这些年来一直在不间断地工作,越来越接近目标,开发各种工具,”他说道。

 
上升的海洋
贝林森和德林费尔德提出他们的猜想时比较宽泛,事实证明,他们对“最佳希望”中的关系工作方式设想得过于简单。2012年,盖茨戈里和威斯康星大学麦迪逊分校的迪玛·阿林金(Dima Arinkin)找到了将“最佳希望”变为精确猜想的方法。次年,盖茨戈里写了一篇关于几何朗兰兹猜想证明可能路径的大纲。该大纲依赖于许多中间陈述,其中很多尚未被证明。盖茨戈里和他的合作者们开始致力于证明这些中间陈述。图片迪玛·阿林金(Dima Arinkin)

在接下来的几年里,盖茨戈里和多伦多大学的尼克·罗森布吕姆(Nick Rozenblyum)合著了两本关于层的书,总计近1000页。在这两卷书中,几何朗兰兹纲领只被提到了一次。“但它的目的是奠定基础,这些基础我们最终非常深入地使用了,”盖茨戈里说道。

2020年,新冠疫情爆发,盖茨戈里突然发现他的日程表清空了。“我花了三个月的时间躺在床上思考,”他说。这些思考最终促成了一篇六位作者的论文,虽然主要关于朗兰兹纲领的函数域部分,但其中包含了后来成为几何朗兰兹猜想证明关键组成部分的种子:一种理解每个特征层如何贡献我们可以认为的“白噪声”的方法。

图片

从左至右顺时针方向:达里奥·贝拉尔多(Dario Beraldo)、陈麟(Lin Chen)、凯文·林(Kevin Lin)、尼克·罗森布吕姆(Nick Rozenblyum)、乔阿基姆·费尔格曼(Joakim Færgeman)、贾斯廷·坎贝尔(Justin Campbell)和迪玛·阿林金(Dima Arinkin)。

在经典信号处理领域,声音波是由其频率对应于声音中包含的音高的正弦波构建的。了解声音包含哪些音高是不够的——你还必须知道每个音高的响度。这些信息使你可以将声音写成正弦波的组合:从幅度为1的正弦波开始,然后将每个正弦波乘以适当的响度因子,再将这些正弦波加在一起。所有不同幅度为1的正弦波的总和被我们通常称为白噪声。

在几何朗兰兹纲领的世界中,特征层应扮演正弦波的角色。盖茨戈里及其合作者们已经识别出一种称为庞加莱层(Poincaré sheaf)的对象,这似乎在起到白噪声的作用。但研究人员并不确定每个特征层是否都在庞加莱层中得到了体现,更别提它们是否都有相同的幅度了。

2022年春季,拉斯金(Sam Raskin)和他的研究生乔阿基姆·费尔格曼(Joakim Færgeman)展示了如何利用这篇六位作者的论文中的思想来证明每个特征层确实对庞加莱层做出了贡献。“在山姆和乔阿基姆的论文之后,我确信我们会在短时间内完成这个证明,”盖茨戈里谈到证明几何朗兰兹猜想时说道。

图片

山姆·拉斯金(Sam Raskin),耶鲁大学

研究人员需要证明所有特征层对庞加莱层的贡献是相等的,并且基本群的表示标记了这些特征层的频率。他们逐渐意识到,处理基本群的不可约表示(irreducible representations)是最棘手的部分。

在他的个人生活充满混乱的时刻,拉斯金(Sam Raskin)找到了处理这些不可约表示的解决方案。在他和费尔格曼(Joakim Færgeman)将论文发布到网上几周后,拉斯金不得不紧急送怀孕的妻子去医院,然后回家接他的儿子上幼儿园。拉斯金的妻子在医院待到六周后第二个孩子出生,而在这段时间里,拉斯金的生活围绕着保持儿子的生活正常,以及在家、儿子学校和医院之间的无尽往返。“我的整个生活就是汽车和照顾他人,”他说。

他开始在开车时给盖茨戈里(Dennis Gaitsgory)打电话谈论数学。在那些日子里的第一周结束时,拉斯金意识到,他可以将不可约表示的问题简化为证明三个触手可及的事实。“对我来说,这是一个奇妙的时期,”他说。他的个人生活“充满了对未来的焦虑和恐惧。对我来说,数学总是一个非常扎实和冥想的东西,让我摆脱那种焦虑。”

图片

丹尼斯·盖茨戈里(Dennis Gaitsgory),马克思普朗克数学研究所

到2023年初,盖茨戈里(Dennis Gaitsgory)和拉斯金(Sam Raskin),以及阿林金(Dima Arinkin)、罗森布吕姆(Nick Rozenblyum)、费尔格曼(Joakim Færgeman)和另外四位研究人员,已经完成了贝林森(Alexander Beilinson)和德林费尔德(Vladimir Drinfeld)“最佳希望”的完整证明,这一证明经过盖茨戈里和阿林金的修改。(其他研究人员包括伦敦大学学院的达里奥·贝拉尔多(Dario Beraldo)、北京清华大学的陈麟(Lin Chen)、以及芝加哥大学的贾斯廷·坎贝尔(Justin Campbell)和凯文·林(Kevin Lin)。)团队又花了一年时间撰写证明,并于2月在网上发布。虽然这些论文遵循了盖茨戈里在2013年制定的大纲的一些方面,但它们在许多方面简化了他的办法,并且超越了他的工作。“非常聪明的人们为这一巅峰成就贡献了许多新想法,”拉福尔格(Vincent Lafforgue)说道。

“他们不仅仅是证明了这个理论,”本-兹维(David Ben-Zvi)说,“他们还围绕它发展了整个世界。”

图片

陈麟(Lin Chen),清华大学丘成桐数学中心助理教授

 
进一步的征程
对盖茨戈里来说,完成他数十年的梦想远非故事的终点。数学家们面临着一系列进一步的挑战——深入探索与量子物理的联系,将结果扩展到带孔的黎曼曲面,以及弄清对“罗塞塔石碑”其他列的影响。“感觉(至少对我来说)更像是从一块大石头上剥落了一片,我们仍然离核心很远,”盖茨戈里在一封电子邮件中写道。在其他两列工作的研究人员现在迫切希望将他们能做的转化过来。“一个主要部分的落地应该对朗兰兹对应关系产生重大影响,”本-兹维(David Ben-Zvi)说道。并不是所有的成果都能直接转化——例如,在数论和函数域设置中,并没有与几何设置中帮助研究人员构建特征层的共形场论思想相对应的概念。伯克利的托尼·冯(Tony Feng)警告说,许多证明需要经过严肃的调整,才能在其他两列中发挥作用。他表示,还不清楚“我们是否能够将这些思想迁移到一个未曾设计的不同背景中。”

图片

2024-7-22-642.webp

托尼·冯(Tony Feng),加州伯克利大学

但许多研究人员对这些新思想最终能渗透到其他领域持乐观态度。“它将渗透到学科之间的所有障碍中,”本-兹维(David Ben-Zvi)说道。

在过去十年里,研究人员开始发现几何列与其他两列之间的意外联系。“如果[几何朗兰兹猜想]在十年前被证明,那么结果会非常不同,”冯说道。“那时不会意识到它可能会对[几何朗兰兹]社区以外的领域产生影响。”

盖茨戈里(Gaitsgory)、拉斯金(Raskin)及其合作者们已经在将他们的几何朗兰兹证明转化为函数域列方面取得了进展。(盖茨戈里和拉斯金在后者长途驾驶过程中取得的一些发现“仍在继续,”拉斯金暗示道。)如果成功,这一转化将证明比数学家们之前所知或甚至猜测的更为精确的函数域朗兰兹理论版本。

从几何列到数论列的大多数转化都需经过函数域列。然而在2021年,巴黎朱塞尤数学研究所的洛朗·法尔格(Laurent Fargues)和舒尔茨(Peter Scholze)设计了一个舒尔茨称之为“虫洞”的结构,使得几何列的思想可以直接传递到数论朗兰兹程序的某一部分。

“我绝对是现在试图将所有这些几何朗兰兹内容转化的人之一,”舒尔茨(Peter Scholze)说道。随着知识的洪流倾泻成成千上万页的文本,这无疑是一项艰巨的任务。“我现在有几篇论文还没跟上,”舒尔茨说,“正努力阅读他们在2010年左右做的工作。”

图片

戴维·本-兹维(David Ben-Zvi)

现在几何朗兰兹的研究者们终于将他们的长篇证明整理成文,卡拉伊安(Ana Caraiani)希望他们能有更多时间与数论领域的研究人员交流。“这是一些有着非常不同思维方式的人,如果他们能慢下来相互交谈、看到对方的观点,总是会有好处,”她说。她预测,新工作的思想渗透到数论领域只是时间问题。

正如本-兹维(David Ben-Zvi)所言:“这些结果如此稳健,一旦开始,就很难停下来。”

图片
原文作者:Erica Klarreich英文原文链接:https://www.quantamagazine.org/monumental-proof-settles-geometric-langlands-conjecture-20240719/

END

盘点︱2023美国物理学会年度10大亮点

转自:世界科学—-

2023美国物理学会年度10大亮点︱盘点  https://mp.weixin.qq.com/s/hobISBjC4VD5S1M3MZkXeQ

回顾2023年全球的重大科学进展和科学事件,美国物理学会于12月18日在Physics网站公布了该杂志编辑梳理的“年度亮点”工作(Highlights of the Year)。

1 银河系在引力波之间冲浪
今年,物理学界首次探测到纳赫兹引力波存在的证据。这些巨大、超低频的波动在数年到数十年的周期上拉伸和压缩着时空。
四个独立的射电天文学项目——北美的NANOGrav、欧洲和印度的EPTA/InPTA、中国的脉冲星测时阵列、澳大利亚PPTA——合作完成并共同报道了这一重大发现。他们通过记录来自脉冲星的信号到达地球时间的细微变化来探测引力波。
关于纳赫兹引力波的由来,一个最合理的解释是:当两个星系合并时,它们各自中心的超大质量黑洞可能形成双黑洞系统,并在完成合并前相互绕行数千甚至数百万年。此类超大质量天体的运动会产生纳赫兹频率的引力波。当然,也不能排除暗物质或宇宙膨胀相关起源。
计算机模拟得到的成对超大质量黑洞系统
2 透过中微子观察银河系

今年6月,冰立方中微子天文台(IceCube Neutrino Observatory)发布了首张银河系的中微子图像。图像由一系列蓝色、模糊、相连的斑点构成,与另外三种波长(无线电、光学和伽马射线)下的视图大致匹配。
银河系的四个视图。前三个由不同频率的光波(无线电、光学和伽马射线)。第四个是中微子视角下的银河系

冰立方能利用南极绝佳的透明冰川环境研究宇宙中微子,包括一些有史以来最高能的中微子。安装于寒冰深处的光学传感器检测中微子与冰中原子相互作用的信号。研究团队也正是基于这类信号绘制出了银河系图像。

3协调量子力学与广义相对论
量子力学是最棒的物质理论,通过波动方程描述微观粒子的离散(量子化)行为。广义相对论是最好的引力理论,通过时空曲率描述大质量物体的连续(经典)运动。但这两个理论在时空的本质上似乎存在根本分歧:量子波动方程在固定的时空上定义的,广义相对论却说时空是动态的,因物质分布而弯曲。
过去70年来,基础物理学中最重要的问题之一就是协调、统一量子力学与广义相对论。这种统一有两种策略:要么将引力量子化,要么找到一种方法将量子物质引入经典引力框架。大多数努力都围绕前一种展开,不过尚无实验证实量子引力概念。后一种策略在今年取得突破性进展。
伦敦大学学院的乔纳森·奥本海姆(Jonathan Oppenheim)提出一种替代方案:将引力保留于经典理论,并通过概率机制将其与量子理论结合。这种做法过去被认为不可能,因为它会导致不一致。奥本海姆避开了这一问题,付出的代价则是必须将概率引入时空演化。未来的实验可通过探测量子引力来测试上述方案的可行性。

4细胞传输信号所需的最小能量
通信将生物与非生物区别开来。生物体需要不断地与环境交换能量,也需要发送和接收信息。科学家会将能量与信息流(相互交织)的存在视为生命系统的定义特征。
今年,耶鲁大学的物理学家塞缪尔·布莱恩特(Samuel Bryant)和本杰明·马赫塔(Benjamin Machta)推导出了细胞利用电流、分子扩散和声波传输内部信号所需的最小能量。他们的计算表明,最有效的信号机制取决于几个因素,包括信号需要传播的距离——这符合人类日常交流经验:面对面交谈,声波即可传递信息;若远隔重洋,交流双方要靠电磁波了。

5量子网络的中继器
量子技术的进展使量子通信网络成为可能。行业对此感到兴奋——若可做到远距离量子通信,就能实现经典网络无法实现的功能。量子网络在单光子水平上交换信号,因此光子损失是系统的主要误差源。
通过量子中继器作为中间网络节点,可以弥补光子损失;这些节点在相距甚远的网络节点之间创建直接的量子纠缠连接。奥地利因斯布鲁克大学的维克托·克鲁琴斯基(Victor Krutyanskiy)与同事实现了一种基于陷俘离子的量子中继器,并用该中继器将两个独立的长25公里的纠缠链路拼接成一个50公里长的连接。这个距离达到了现实世界量子网络的要求。
量子中继器连接两个网络节点的示意图

6白男与偏见
在今年3月举行的美国物理学会年会(APS March Meeting)上,大家围绕“建立公平的物理学界”这一主题进行了讨论。其中有一项关于白人直男(white, cisgender men)在维持物理学不平等方面所扮演角色的研究:
作者团队采访一组自认为进步且开明的人士,结果发现该群体中的白人直男表现出一致的不知道、不作为和不负责模式。

参与研究的梅丽莎·丹西(Melissa Dancy)表示:“与我们交谈的人似乎都真诚地希望世界公平。教育这类男性如何帮助别人,将改变物理学领域对歧视行为的认知。然后我们就能做出有意义的改变。”

7物理学家能为人工智能做什么?

人工智能和机器学习对物理学的影响力越来越大了。一些应用程序借AI之力检索大量数据,提取有意义的物理见解。不过正如马里兰大学的桑卡尔·萨尔马(Sankar Das Sarma)所言,AI不仅可以成为执行常规任务的工具,还具有发现新概念和新理论、变革物理学的潜力。
萨尔马认为,物理学家不应该只是被动地使用人工智能/机器学习,还要努力理解它为何有效以及何时会失败。
“我们不仅应该问AI能为我们做什么,还应该问我们能为AI做什么。”

8星球安全
研究太阳系混沌的科学家发现,行星在数百万年的时间尺度上会脱离轨道,并可能因此发生碰撞。不过我们的太阳系在十亿年的时间尺度上是稳定的。
今年,巴黎天文台的费德里科·莫加韦罗(Federico Mogavero)、黄南洪(Nam Hong Hoang)和雅克·拉斯卡(Jacques Laskar)揭示了可能阻止灾难性行星撞击的因素。他们确定了太阳系中受特定守恒定律(类似角动量守恒定律)约束的量;这些定律“引导”行星的混沌运动,因此轨道变化需很长时间才能发生。

9分子时钟

计量时间的精度极限在哪里?基于陷俘原子的原子钟是当前的精度天花板,但我们也不应忽视分子钟的进展。
哥伦比亚大学的谭雅·泽莱文斯基(Tanya Zelevinsky)与同事利用锶分子(Sr2)构建得到迄今为止最精确的太赫兹振动分子钟,其计量精度达10-14级别。虽然不如锶原子钟那么精确,但它也足以满足特定物理学应用需求了。例如,研究人员可通过比较由不同锶同位素制成的锶分子钟的计量频率,来寻找假设的重力相关力(gravity-dependent forces)。
运行分子钟需要多个激光器、镜子、棱镜和其他光学组件。

10水波无痕

如果水波、光波或声波撞到理想中的完美吸收体上,它们既不会被反射,也不透射,而是被“吞噬”、消失。巴黎高等物理化工学院的数学物理学家艾格尼丝·莫瑞尔(Agnes Maurel)与同事构建了一条宽6厘米的神奇水道,能完美吸收沿水道传播的水波。水道侧方设计了所谓的谐振腔体,水波遇到谐振腔而产生的反射会刚好抵消水波本身。
设计有谐振腔的完美吸波水道

研究团队相信,在海岸线附近部署此类设计,可以减少侵蚀,保护敏感结构。专家表示,这项新成果可用于降低堤坝的漫溢风险,也有望衍生出获取海浪能量的系统。

资料来源:
Highlights of the Year
END

应该对“大爆炸”理论说再见

最近又一轮宇宙大爆炸理论争论出现,主流更倾向于对“大爆炸”理论说再见!近年来很多主流物理理论都在逐步向龚学靠拢。

最后的“宇宙暴胀理论”之战 | 统一的宇宙 统一的理论 http://www.pptv1.com/?p=1188

是否该对“大爆炸”理论说再见

原文:https://h5.ifeng.com/c/vivo/v002nedUJYv9DmamhTiG7-_DpgrpzMjF-_Y9fAJLp5X1–Y3SE__?isNews=1&vivoBusiness=browser&showComments=0

参考消息网10月25日报道

香港亚洲时报网站9月9日刊登题为《对“大爆炸”理论说再见》的文章,作者是天体物理学家埃里克·勒纳,内容编译如下:

原编者按 《纽约时报》9月3日发表了物理学家亚当·弗兰克和马塞洛·格莱泽的一篇题为《关于我们宇宙的故事可能正在开始瓦解》的文章。两位作者指出,除其他天文学证据之外,詹姆斯·韦布空间望远镜最近的观测结果是对所谓的宇宙学“标准模型”的否定,因而要求科学家“重新思考宇宙起源和发展的关键特征”。他们说,可能需要一场“观念革命”。

“大爆炸”理论声称,我们的宇宙诞生于138亿年前的一次巨大爆炸。“大爆炸”理论是当今科学界最顽固的教条之一。成千上万的科学论文、教科书、通俗读物和文章都把“大爆炸”理论当作一个基本上被证明了的事实。

但实际情况恰恰相反。著名天体物理学家、等离子体物理学家埃里克·勒纳指出,在主流宇宙学家们继续处心积虑企图挽救“大爆炸”理论并诋毁其批评者声誉的同时,这一理论遭到了数量压倒性的天文学证据的否定——而且这些证据还在不断累积中。除从事天体物理学研究外,勒纳还在根据所谓的稠密等离子体聚焦理论对最有前途的一种核聚变能源技术展开探索。勒纳指出,正是我们在地球上的等离子体聚焦实验中观察到的自组织现象,提供了在没有“大爆炸”以及各种为拯救“大爆炸”理论而被临时杜撰出的奇异实体——如暗物质——的情况下理解我们宇宙的天文学过程的关键。

宇宙学存在大危机

随着《纽约时报》9月3日发表亚当·弗兰克和马塞洛·格莱泽一篇题为《宇宙学的危机》的文章(此文在该报网站刊出时题目改为《关于我们宇宙的故事可能正在开始瓦解》),科学界朝着围绕宇宙膨胀“大爆炸”理论正确性的公开辩论又迈出了一大步。

如今,宇宙学存在危机已经不是新闻。近30年来研究人员一直在讨论这一问题,而且自2019年以来这个话题一直受到大众媒体的高度关注。

但是,新鲜和重要的是,像弗兰克和格莱泽这样的知名宇宙学家对新的观测结果的承认意味着我们可能需要“彻底告别”宇宙学“标准模型”,这将要求我们“改变关于宇宙基本组成、甚至可能是关于空间和时间性质的看法”。

事实上,两位作者认为,我们可能需要一个“有关宇宙的新故事”。

两位作者没有明确说出的是,如今已经有一个正在研究人员中广泛讨论的替代“宇宙故事”:这是一个关于宇宙在没有大爆炸即太空膨胀的情况下不断进化的故事。

这个由诺贝尔奖得主汉内斯·阿尔文提出并由他本人及其他许多学者加以阐述的科学假设(有时被称为“等离子体宇宙论”)认为,我们在宇宙中观察到的现象可以用我们在实验室中观察到的物理学现象——即描述电磁学、等离子体、引力和核聚变反应的物理现象——加以解释。

没有宇宙的时间源头,没有膨胀,没有暗物质,也不必有暗能量。依据这一假设,我们发表的学术论文准确预测了新的詹姆斯·韦布空间望远镜的观测结果,并详细阐述了否定“大爆炸”和支持没有暗物质或暗能量的非膨胀宇宙的证据。

“亡羊补牢”难以为继

弗兰克知道这一替代理论。去年12月,他曾在《旁观者》杂志上发表过一篇评论文章,并在文中特别提到我是“宇宙论替代模型”的倡导者,以及艺术与思想学院官网去年8月一篇在宇宙学界和部分公众中引发了广泛争论的题为《“大爆炸”并未发生》的文章作者。

当时,弗兰克写道,詹姆斯·韦布空间望远镜拍摄到的新图片对“标准模型”不构成任何威胁。

他慷慨激昂地自问自答道:“所有这些会对‘大爆炸’理论本身构成挑战吗?一点儿都不会。如果我们知道‘大爆炸’理论指的是宇宙以一种平稳、炽热、致密的状态开始并进入膨胀状态从而导致结构演化的概念,那么就绝对不会,‘大爆炸’理论没有被证伪过。如果说有什么被证明了的话,那就是它证明了这一理论最基本的特点:宇宙演化。韦布空间望远镜的观测结果将强化这样一种观点,即宇宙的确有故事,而且最重要的是,我们正在以某种方式学习讲述这个故事。”

显而易见,在过去9个月中,随着新数据源源不断从韦布望远镜传来,从而让推崇“大爆炸”的宇宙学家们认为该理论只需要“轻微修饰”的希望变得渺茫。弗兰克的观点也有了相当程度的演变。弗兰克曾确信“大爆炸”就是这个故事,但现在他认为,我们可能需要一个“新故事”,甚至是一种“讲述故事的新方式”。

那么,他为什么不直截了当地说“大爆炸”可能从未发生过,宇宙可能没有在膨胀,其进化史可能是一个没有起源的故事呢?

部分问题在于,支持“大爆炸”理论的宇宙学家们不仅必须放弃他们一直反复认为无可置疑的理论,还必须放弃他们一直在使用的方法,而弗兰克和格莱泽似乎还没有准备好这样做。他们写道:“宇宙学与其他科学有所不同。”

这正是他们的谬误所在。事实上科学的方法只有一种,它适用于宇宙学,也适用于其他科学。这种方法从观测开始,通过观测形成归纳(理论假设),然后通过对尚未进行的观测做出预言——即做出关于对未来的具体、定量的预言——来验证这些归纳。

“大爆炸”理论几十年来的预言一直是完全错误的。

正如弗兰克和格莱泽英明地指出的,宇宙学家们非但没有摒弃这一理论,反而反复对它进行修饰,以适应已有的观察结果并掩盖先前的矛盾(正如在安徒生童话《皇帝的新衣》中的那样)。这种“亡羊补牢”式的方法并不是科学的方法。

事实上,就像克罗狄斯·托勒密的本轮学说曾支持了宇宙地心说,而这一学说已经被科学革命彻底否定。

或需全新“宇宙故事”

科学之所以对人类有益,只是因为它能让我们准确预言未来。科学方法与托勒密方法之间的区别,就好比一家能够准确预言其飞机将安全飞越海洋的航空公司,与一家总是发生飞机失事但每次失事后都能给你一个解释的航空公司之间的区别。

30多年前,《天空与望远镜》杂志曾发表我的一篇题为《宇宙学家们的新衣》的文章。令人遗憾的是,这种“皇帝的新衣”效应在宇宙学界中依然十分明显。

正如我当时指出的,高度集权的宇宙学研究资助体制以及争夺此类经费的激烈竞争导致了这样的局面:如果你认为“大爆炸”没有发生,甚至哪怕只是对该理论提出怀疑,那么你就会被认为“不是愚蠢就是不能胜任自己的工作”,并将会得不到任何经费。

近年来,随着基于“大爆炸”理论的预言与观测结果之间出现的落差越来越多,就“大爆炸”理论存在的具体矛盾发表文章(就像我和同事所做的)变得可以接受,但很少有人敢指出这一理论本身的错误。

正如我在文章中所写的,这就如同安徒生童话中的人们被允许说“我可以看到皇帝的肘部”“我可以看到皇帝的膝盖”甚至“我可以看到皇帝的臀部”——但不能说“皇帝根本没穿任何衣服”。

通过撰文称人们也许需要一个全新的“宇宙故事”,弗兰克和格莱泽已经往前迈出了一步。这有点儿像是在说,“你们可以看透皇帝的衣服”。

但是,自由和公开的辩论对于追求科学真理来说是必不可少的。宇宙学家们早该抛弃这样的自我审查,公开说出“大爆炸”膨胀理论可能是完全错误的。

他们也早就应该停止无视认为宇宙是进化、但不是膨胀的,以及宇宙没有过炽热、致密的状态,也不存在整个宇宙的源头的替代理论。

让我们在科学刊物、会议以及大众媒体上开始这场公开辩论吧。在行将沉没的“大爆炸”号宇宙飞船上的弗兰克和格莱泽看来已经穿好了救生衣,但他们还没有做好跳上救援船的准备。

他们不应该再犹豫了。“非大爆炸”号救援船正在旁边随时待命。现在是登上救援船,为宇宙科学描绘新的路线的时候了。

寄语值年校友

寄语值年校友

今天你们回到母校校园课堂,
带着充满自信、阳光灿烂的脸庞。
从娇柔稚嫩走向成熟稳健的身影,
带着风雨打磨后的润泽刚强。

我们的校园有如鲜花港,
青春炫灿、绽放芬芳。
五彩缤纷是你的底色,
园丁只是栽培浇灌,助你成长。

今天回到你求学读书的地方。
你是否曾立志奋发图强?
或是甜蜜浪漫度过美好时光?
老师只是陪伴关注、欣赏打量。

校园应该是孕育理想的地方,
不是尘嚣喧闹残酷争斗的名利场。
求真务实的探索、畅游知识的海洋,
校园让理想羽翼丰满、锤炼出高飞的翅膀。

昨天的花朵树苗今天已是强壮的栋梁,
奉献着春华秋实、丰硕饱满的金黄。
你的成长源自这片热土,
热土给了你丰富的生命、坚韧的力量!

热爱这片神奇的土地,
报效祖国、报答你的爹娘。
中华复兴、不负使命,
一代更比一代强!

这是一个老园丁的寄语和期望!

李小坚 2023-10-21

转发:西学之源的迷局

原文作者《昆羽继圣》:金灿荣和张维为,二位教授,板砖递给您们,请笑纳!  https://mp.weixin.qq.com/s/KPqB64Jc6WuXMGnt-PAJOQ

近日,金灿荣教授在接受采访时称“亚里士多德不存在”,而后,又讲述了意大利物理学家伽利略在比萨斜塔用两个铁球做自由落体实验的故事,提出了一些自己看法和质疑。

既然官科入场,咱们民科得赶紧递砖头呀。

新南威尔士大学教授詹姆斯·富兰克林(James Franklin)曾揭露说:

伽利略从比萨斜塔上扔下重物,彻底改变了物理学。……但没有任何可信的证据。……关于“中世纪”和伽利略的故事都是小谎,而最大的谎言则是“文艺复兴”。”

原来,不只是咱们怀疑伽利略,国外也有教授研究认为伽利略做自由落体实验是“虚构的故事”。

其实,问题最关键在于比萨斜塔的实际建造时间,从建筑史的研究上可以解决这个难以证伪的“物理学问题”,比萨斜塔的真实历史大抵与巴黎圣母院一样,历史没有那么悠久。

1634年,梅森修道屋的梅森神父进行了伽利略实验,以测试下落物体的运动定律,介绍了他在测量147、108和48英尺高空坠落物体加速度时获得的结果。

一个关于度量衡的问题出现了,敢问伽利略和梅森神父的时代,意大利的度量衡是什么?精不精确?

西方后世的英语书在描述这二位的故事时,能否注明一下当初使用的是何种长度单位?

那个年代,可没有什么英尺,因为欧洲统一度量衡是19世纪中叶的事情。

如果深入研究这个梅森修道院,会发现所谓“修道院”都是高估了它,原来它连修道院都算不上,——它仅仅是梅森个人住所兼修道所,所以,请称呼它为“梅森修道屋”更合适。

一个研究神学的修道士小屋,在短短一个时刻,居然突然爆发,诞生了欧洲的各大学科,包括数学,还出了世界数学史上绝大多数最重要的大师,这是什么好莱坞惊悚大片?

是的,正如你所怀疑的那样,欧洲现代科学源头,就是这间梅森修道屋。

也许,梅森神父自己也没有想到,自己在没有传承、没有任何科学系统教育下,迅速成为当时著名的声学家、光学家、力学家、航海学家和数学家……横跨多学科,最后莫名其妙变成了数学家,还以“梅森素数”闻名于世。

图片

那么,梅森何德何能,居然能对欧洲作出如此重大的成就呢?

原来,他是利玛窦的好基友,他就是那个欧洲的接头人……

顺治四年( 1648 年),梅森去世,留下与欧洲多达 78 位学者的珍贵信函,对各个科学领域均有涉猎,其中包括费马、伽利略、托里拆利、笛卡尔、惠更斯,这些都是妥妥的证据。

利玛窦把他在中国翻译的所有典籍著作,统统寄给了这个梅森神父,但限于教育水平,梅森神父完全看不懂啊!

怎么办?肿么办?

于是,梅森神父就集思广益,群策群力,发布英雄帖,写信广邀天下豪杰前来同襄盛举。

每一个闻讯赶来拜访的欧洲学者,都被利玛窦寄来的信件内容惊得目瞪口呆,——麻蛋,为什么我们一时半会儿也看不懂?!太深太广了!

不行不行,赶紧研究!!!

后来,这家毫不起眼的老破小公寓,就摇身一变,成了欧洲的学术交流中心、现代科技中心。

所以,鼎鼎大名的伽利略是如何成名的?

再来瞧瞧西史称伽利略发明望远镜的故事。

英国传教士艾约瑟“脱稿口译告成”的《西学略述》(1886成书),“卷七,光学,七十六”记载如下:

“考千里镜则当中国前明万历初年(即1573年)英人与荷兰人皆已有用之者。究未悉创始于何人(不知是谁发明的)。迨万历三十七年(1609年),意大利人加利略(即伽利略)闻他国造有千里镜,遂师心自用,创制一具。以铅为筒,筒之本末两端各置一镜,本端为映大镜,末端为取像镜,使之遥遥相照。”

瞧,传教士艾约瑟的这段记述直接否定了伽利略于1609年最早发明望远镜的说法,而且,还称不知望远镜发明者始于何人。

图片

初刊于1615年的《天问略》拉丁文书名为Explicatio Sphaerae Coelestis,这个书名在欧洲更广为人知。据说,此书是首部将意大利数学家和天文学家伽利略较早期观测天文时所用的望远镜介绍进中国的著作。

阳玛诺在书中介绍道:一位欧洲人发明了一种让我们能够“看远处就像看近处一样”的工具。

耐人寻味的是,阳玛诺只是提及一位欧洲人却并未说明是“伽利略”发明了望远镜。按理说,西方宣称1609年伽利略发明了望远镜,时间相隔如此之近,阳玛诺怎么可能不知道伽利略的大名呢?

唯一合理的解释,便如笔者此前文章分析的那样,伽利略并没有发明望远镜。

图片

接下来,我们再一起来看看清朝时的阮元怎么评价这些西方大神。

图片

彼时,致仕回乡、在扬州养老的太子太保阮元已经七十七岁高龄了。

但阮元仍旧通过研究中西畴人,首开世界为畴人立传之先河,以这样的方式来告诉后人(以下内容详见《畴人传》凡例):

“(西)洋人有在秦汉以前者,而验其时代又往往前后矛盾,不可检校。其人之有无,盖未可知。即果有其人,所谓默冬、亚里大各之类,亦断不可与商高荣方竝(bìng,并)列。”

大意便是,在中国秦朝、汉朝以前的那些什么西洋大咖,不管是亚里士多德、阿基米德、泰勒斯,还是其他一些历史人物,考证其年代都是前后矛盾的,无法检验和校对。这些人是否存在,都不清楚。而且,退一万步,就算有这些人,例如,所谓的默冬、亚里大各等等,也无法与中国的商高相提并论。

此外,阮元还明确指出,西人所用的术法是从中国窃取的,书中有详细的论述。他举了一个例子,中国上古的地圆之说,原本来自于曾子的九重之论,楚辞中有记载,但是西人在翻译时却不肯明说。

“西法实窃取于中国前人,论之已详。地圆之说,本乎曾子九重之论,见于楚辞。凡彼所谓至精极妙者,皆如借根方之本为东来法,特翻译算书时不肯质言之耳。”

图片

清代阮元所撰《研经室一集》卷二“太极乾坤说”记载了华夏前人对宇宙和天体的理解,与常人理解的“天圆地方”概念不同:

“天地所共之极,舍北极别无所谓极也。尔雅曰:北极谓之北辰。易系辞曰:易有太极。虞翻注曰:太极,太一也。郑康成注乾凿度曰:太一者,北辰之神名。”

在古代,华夏古人将北极视为太极、太一。所以,地球围绕北极(太极)不断旋转,故有太极生两仪(天与地),两仪生四象,四象生八卦。八卦本于四时,四时本于天地,天地本于太极。

图片

“虞书曰:在璇玑玉衡,以齐七政。此即浑天以北极定天地之仪,与周髀相通。天圆地亦圆,见于大戴记曾子天圆篇,亦孔子言也。天地共以北极为枢,天之所转即,地之所系,其为极心之中同也。非太极不生两仪,两仪谓天地。地圆居中而不坠,天旋包之而有常。

华夏先辈认为,北斗七星围绕北极旋转,周而复始,北极便是定天地之仪,像一根圆心轴,这与周髀算经中所述是同一个道理。天地都跟着这根圆心轴旋转,所以都是圆形的。

图片

对于这方面的认识,是自古以来一脉相承,但由于文化的断层,时至今日绝大多数人恐怕都只听过“天圆地方”。

我们来看看明代程敏政所辑《皇明文衡》卷之十二“物形说李贤”中如何描述的:

“万物之形,不出方圆二者。然草木鸟兽之类,由天生者,其形圆,惟器用室宇之类,由人为者,方圆兼之。大抵出于自然者,未有不圆,而方者反是。盖圆之出于自然者,以有理为之主也。理即太极,假使有形,无不圆者。故周子为图以示人,亦必圆其形焉。或谓天圆而地方,地岂不出于自然乎?曰:以地为方者,据其平言之也。殊不知天包乎地,地如卵黄,盖亦未尝不随天而圆其形焉。”

图片

图片

从上述论述可以发现,华夏古人很早就思考过宇宙万物的形态,并进行过归类总结,并断言地是圆形的,因为它出乎于自然,凡是出于自然的,基本都是圆形。二万物可归纳为两种形态,即方形和圆形。

天与地,以北极为轴,日夜不停、周而复始地旋转,看起来似乎满天繁星都在跟着一起,围绕北极作旋转运动,故在仰观天象的过程中华夏古人形成了“天有九重”的概念。

图片

需要特别指出的是,这正是华夏北斗崇拜、北斗图腾、北斗精神的起源。

图片

战国时代屈原所撰《楚辞》(东汉王逸章句、宋代洪兴祖补注)卷第三“天问章句第三”之“离骚”记载:

“圜则九重,孰营度之?天圜而九重,谁营度而知之乎?补曰:圜与圆同。说文曰:天体也。易曰:乾元用九,乃见天则。淮南曰:天地九重,人亦有九窍。”

图片

图片

对于这种现象,清代梅文鼎认为是“观察时由于远近不同、视差所致”,他在自己撰写的《历学疑问》中有如下解释:

“以视差言之,与人目远者视差微,近则视差大。故恒星之视差最微,以次渐增,至月而差极大也。以行度言之,近天圜者为动天所掣,故左旋速而右移之度迟。渐近地心,则与动天渐远而左旋渐迟,即右移之度反速。故左旋之势,恒星最速,以次渐迟,至月而为最迟也。右移之度,恒星最迟,以次渐速,至月而反最速也。是二者宛转相求,其数巧合。高下之理,可无复疑。”

巧合的是,古巴比伦、古希腊托勒密天文学也有九重天论。

那么,阮元在《畴人传》中对托勒密又是如何评价的呢?

“论曰:中土推步之学,自汉而唐而宋而元,大抵由浅入深,由疏渐密者也。乃多禄某(托勒密)生当汉代,其论述条目即与明季西洋人所称往往相合,岂彼中步算之密固自昔已然耶?

然考西人旧率,即用后汉《四分》法,是则彼之立术,亦必先疏后密。而谓多禄某(托勒密)时其法之详备已如是,毋亦汤若望辈夸大其词,以眩吾中国,而徐、李诸公受其欺而不之悟也。”

按照人类认识事物的自然规律,一般而言,都是从粗浅到精深,有一个循序渐进的过程,但是西人却不同,从古希腊的托勒密一上来就使用后世才积累出来的方法,没有一个循序渐进的发展过程,而且发现西人所用的旧率,是后汉(即东汉)的四分法,被逮了个正着。此外,阮元还认为汤若望等传教士夸大其词,诓骗中国。

图片

我们再来看看清代戴震所撰《戴东原集》“卷第五”之“迎日推策记”,其中有这么两段记载:

“屈原赋之文曰:圜则九重。九重者,自下而上数之,月一,辰星二,太白三,日四,荧惑五,岁星六,填星七,恒星八。有象之高下,止于八并,各为右旋,然则大气左旋而九欤。填星、岁星、荧惑在日之上,为三重,太白、辰星在日之下为二重。”

“西法误会大戴礼四角不揜之言,而创地圆之说,误会诸子九天及楚词圜则九重之言,而创宗动天之说,误会岁差之言而疑恒星有古今之差变……”

由此可见,西人不但窃取华夏的知识,还在理解上出现了偏差,导致“六经注我”,以讹传讹。

图片

图片

西人窃取华夏的知识,不仅在于九重天之说,还有勾股之学。

清代黄宗羲所撰《南雷集(黄宗羲集)》“吾悔集卷之二南雷续文案”之“叙陈言扬句股述”记载:

“句(勾)股之学,其精为容圆、测圆、割圆,皆周公、商高之遗术,六艺之一也。……于是西洋改容圆为矩度,(改)测圆为八线,(改)割圆为三角。吾中土人让之为独绝,辟之为违天,皆不知二五之为十者也。数百年以来,精于其学者,元李冶之测圆海镜明,顾箬溪之弧矢算术,周云渊之神道大编,唐荆川之数论,不过数人而巳。”

图片

从明末到清末,无数西洋传教士纷至沓来,往往著书立说,俨然带来西方“先进科技”,推动了东方文明的巨大进步似的。然而,一个不容忽视的事实却是,既然传教士们在那个时代掌握了高科技,领先了人类那么多年,理应继续延续下去,理应继续研究领先世界才对,可时至今日,为什么传教士们在科技领域销声匿迹了呢?

敢问,现在有什么高科技出自传教士之手吗?有吗?

【题外话】

本人计划将《明珠蒙尘:鲜为人知的华夏科技与文化》(约20万字)付梓出版,如果有人感兴趣,可以留言加微信,然后拉个群,统计下第一次印多少本比较合适(与出版方签订合同后,条件允许,可能预售)。倘若此次顺利,则继续将《海上忧思录》两册、《揭开西方伪史虚惑的面纱》(可能改名)四册付梓刊行。

《明珠蒙尘:鲜为人知的华夏科技与文化》作品简介:

中国不只有“四大发明”,“四大发明”只是一个“以偏概全”的误解。

在上下五千年的历史长河中,从古至今,中国人民用自己的劳动和智慧创造了多不胜数的科技发明,涌现出了无数能工巧匠和勇于实践的科学家。

本书引经据典、以翔实论据重点介绍了源自中国的诸多发明创造,包括但不仅限于望远镜、照相机、显微镜、留声机、温度计、自行车、计算机、钢琴、全世界第一架具有现代意义的飞机等等。不仅如此,就连扑克牌、大富翁等游戏都是源自中国的发明。

怎么样?是不是很惊讶?

此外,书中还详细介绍了一些长期被忽略的华夏先辈,如甘德、石申、唐顺之、朱载堉、黄裳、黄嘉略等等,详细介绍了他们对于天文历法、物理、音乐、语言等诸多方面的贡献以及世界历史的影响。

中国不仅是文明古国,更是自古以来就学以致用,一直走技术路线的“科技强国”。这可能与我们近代百年落后后形成的“闭关锁国”的落后形象是大相径庭的。

希望通过这样一本书的介绍,能让大家重新认识华夏文化与科技的伟大。


 星火相继,敢于梦想                                                                         

  • 希望通过《昆羽继圣》四部曲梳理的华夏历史文化加强自身修养、提高认识,以抵御外来糟粕的侵扰(上古至宋代)【微信读书、当当、掌阅(华为手机阅读)、起点、知乎、QQ阅读】;
  • 希望通过《明朝这些事:被抹去的那段波澜壮阔的历史》,以及西史辨伪系列破除迷云,唤醒更多的人,认清这个世界近代三四百年的历史(明代至清末);
  • 希望通过科幻小说《灵能4996》六部曲在现实的科技基础上铭记近代屈辱历史,向科幻高地进发,展望未来,塑造中国屹立于世界的崭新形象,打造中国人宏大的科幻宇宙,让更多的人看到文化与科技引领的方向,走出一条属于中国的人类之路(当下至未来)。

转发:人工智能再度封神,科学范式终将颠覆?

从诺奖风向标,到《Nature》雄文:人工智能再度封神,科学范式终将颠覆?

图灵人工智能 2023-10-06 00:01 发表于北京
https://mp.weixin.qq.com/s/WTZsthMR9K2COcOMvQq68Q

以下文章来源于当时明月照清泉 ,作者天涯流风

当时明月照清泉.

细推物理须行乐,何用浮名绊此生。 分享科学、生活、读书、理想,哲思点滴以及世间美好,与您相守如水流年。 在纷繁芜杂的世俗生活中,留一点时间探寻文字的美感,徜徉于精神的世界。 仰望浩瀚的星空,寻找更远的远方。

图片

图片

 

1

2023年9月21日,备受瞩目的2023拉斯克奖(The Lasker Awards)揭晓,其中的基础医学研究奖授予谷歌DeepMind公司创始人和CEO戴米斯·哈萨比斯(Demis Hassabis)博士和资深成员约翰·贾伯(John Jumper)博士,表彰他们发明了能够预测蛋白质三维结构的革命性人工智能(AI)技术——AlphaFold。

 

AlphaFold 就是大名鼎鼎的AlphaGo的“兄弟”。AlphaGo是一个被广泛关注的人工智能系统,其在围棋领域的表现彻底颠覆了人们对于人工智能的想象。2016年AlphaGo横空出世,以4:1的总比分击败了当时世界第一围棋选手李世石,成为了人工智能领域的新标杆。

 

AlphaFold这种变革性方法,解决了从一维氨基酸序列预测三维蛋白质结构的长期难题,给出了50年来关于蛋白质结构最准确、最完整的图像,破解了长期困扰生物医学研究领域困境,增进了人类对基本生物过程的理解并促进了药物设计,为加速生物和医学研究打开了大门。

 

图片

 

 

蛋白质是由氨基酸链组成的、具有自身独特 3D 结构的大型复杂分子,其对人们理解生命形成的机制至关重要。蛋白质从氨基酸序列折叠成何种形状与其功能密切相关,而预测蛋白质结构对于理解其功能和工作原理至关重要,这就是“蛋白质结构预测问题”,被称为生物医学领域的“圣杯”。在过去 50 年里,蛋白质折叠问题一直是生物学领域的重大挑战。

 

图片

 

Demis Hassabis博士和John Jumper博士被誉为“AlphaFold之父”,他们与在DeepMind的团队一起开发了人工智能系统AlphaFold,可以在几分钟内预测由人类基因组编码和20个模式生物的几乎所有已知蛋白,并精确到原子级。这是第一种在已知没有相似结构的情况下构建高分辨率预测的方法。在两年一度的蛋白质预测大赛CASP(蛋白质结构预测关键评估)中AlphaFold以绝对优势夺冠。

 

AlphaFold2开源仅一周的时间里,98.5%的人类蛋白质结构被AlphaFold2 所预测,而在此之前,全球多少顶尖科学家耗时数十年的努力,也只解码了覆盖人类蛋白质序列中17%的氨基酸残基。

 

Demis Hassabis 和 John Jumper 两人凭借出色的想法、密集的努力和卓越的工程技术,带领AlphaFold团队将结构预测的准确性和速度提升到了前所未有的水平。

这种转变的方法正在迅速推进我们对基本生物过程的理解,并促进药物设计。

 

图片

在过去的几年里,机器学习将蛋白质结构领域推向了一个新领域

 

2021年7月,Demis Hassabis和John Jumper发表了他们的模型以及对几乎所有人类蛋白质的准确结构预测。在短短两年左右时间,他们论文的影响力已经超过了自1900年以来在《自然》杂志上发表的近10万篇研究论文中的几乎所有文章,在所有高被引论文中这篇论文排名第50,被顶级期刊上发表的7000多篇论文引用(总引用次数超过了9000次)。

图片

 

拉斯克奖官方评语中这样写道:通过放飞想象力和才华,Hassabis、Jumper和他们的团队完成了让科学家困惑了半个世纪的任务。这一胜利开启了研究和操纵蛋白质的新时代。它已经催化出了实质性的进步,随着众多领域的工作者想方设法挖掘其潜力,它的影响力和范围有望爆炸式增长。

 

拉斯克奖是美国最具声望的生物医学奖项,也是医学界仅次于诺贝尔奖的一项顶级大奖,该奖项创立于1946年,旨在表彰医学领域作出突出贡献的科学家、医生和公共服务人员。拉斯克奖素有“诺奖风向标”之称,其得奖者通常会在随后的一年到数年得到诺贝尔奖。例如2020年获得诺贝尔生理学或医学奖的哈维尔·阿尔特和查尔斯·M·赖斯,此前分别于2000年、2016年获得拉斯克临床医学研究奖;中国著名药学家屠呦呦,因“发现青蒿素——一种用于治疗疟疾的药物,挽救了全球特别是发展中国家的数百万人的生命”而于2011年获得拉斯克临床医学奖,4年后荣获2015年诺贝尔生理学或医学奖。从1946年创立至今,拉斯克奖的300多位得主中,已经有86人获得诺贝尔奖。最近十年,有8位诺贝尔生理学或医学奖获得者曾获得拉斯克奖。

 

统计数字表明,约有48%的拉斯克基础医学研究奖获得者随后获得诺贝尔奖,而28%的拉斯克基础医学研究奖和临床医学研究奖获得者本身就是诺贝尔奖得主。

 

AlphaFold颠覆了蛋白结构解析,开启了计算生物学的新时代。Nature杂志于2023年9月13日发表评论,AlphaFold使得医学科学家在蛋白质宇宙的黑暗角落中发现了令人惊讶的形状和意想不到的联系,就像发现了一个百宝箱、以至于科学家手足无措地不知道优先选哪一个珍宝!

 

Demis Hassabis和John Jumper最近拿奖拿到手软。

 

2022年9月,他们荣获科学突破奖(Breakthrough Prizes)。科学突破奖堪称科学界“第一巨奖”,有着科学界“奥斯卡奖”之美誉,单项奖金达到300万美元。

 

2023年3月,他们获得了盖尔德纳奖(The Canada Gairdner Awards)。盖尔德纳奖是加拿大盖尔德纳基金会设立的奖项,专门表彰在生物医学领域有重要原创成就的科学家。

 

2023年9月8日,《时代周刊》在官网发布了“2023年AI领域最有影响力100人”榜单,Demis Hassabis位列其中。

 

诺贝尔奖非常重视“0到1”的理论和技术突破,并引领新的领域。Demis Hassabis和John Jumper二人因其开创性的贡献,可谓是未来诺奖的热门人选,离诺奖仅一步之遥。

 

他们能否进一步荣获诺贝尔奖?让我们拭目以待。

 

 

2

 图灵奖得主、关系型数据库的鼻祖吉姆·格雷(Jim Gray)于2007年 提出科学研究经历了经验范式、理论范式、计算范式、数据驱动范式等四种范式。

 

图片

 

第一范式:实验范式。

 

以观察和记录为依据的实验科学,也称经验范式,比如钻木取火、伽利略的比萨斜塔实验。

 

第二范式:理论范式。

 

利用模型归纳总结过去记录的现象,人类采用各种数学、物理等理论,构建问题模型和解决方案,比如牛顿定律、麦克斯韦方程和爱因斯坦的质能公式等为代表的理论科学,这些理论的广泛传播和运用对人们的生活和思想产生了极大的影响,在很大程度上推动了人类社会的发展。

 

第三范式:计算范式。

 

计算机的出现,诞生了模拟复杂现象的计算科学,人类进入了以“计算”为中心的全新时期,通过设计算法并编写程序输入计算机运行,解决复杂的科学和工程问题。例如核模拟实验、天气预报等。

 

第四范式:数据范式。

 

随着数据的爆炸性增长,计算机将不仅仅能做模拟仿真,还能进行分析总结,得到理论。数据驱动范式理应从第三范式中分离出来,成为一个独特的科学研究范式。也就是说,过去由牛顿、爱因斯坦等科学家从事的工作,未来完全可以由计算机来做。云计算、物联网和大数据这些产物推动了科技创新和社会进步。

 

第五范式:AI范式。

 

当前,许多科学家认为科学研究正在迎来新的范式,即第五范式。第五范式是以人工智能 AI 技术为核心的范式,开启以人机共融为特征的科学研究新时代。也可认为是从第四范式分离出来的一种新的范式。

 

人工智能驱动的科学研究(AI for Science,AI4S,科学智能),更是这一新范式在基础科研的深度体现。

 

AI for Science,就是利用AI的技术和方法,去学习、模拟、预测和优化自然界和人类社会的各种现象和规律,从而推动科学发现和创新。AI for Science泛指人工智能应用于科学领域的系列研究,旨在先解决科学问题,再解决产业问题。这一理念萌芽于科学界,正逐步在产业界兴起。

 

AI for Science不仅可以帮助科学家解决已有的问题,也可以帮助科学家发现新的问题和方向。这将为科学研究带来新的范式和机遇。

 

AlphaFold 就是 AI4S 领域最成功的代表,同时,也将 AI4S研究推向一个新的高潮。

图片

 

 

3

简单来说,AI for Science就是让人工智能利用自身强大的数据归纳和分析能力去学习科学规律和原理,得出模型来解决实际的科研问题,特别是辅助科学家在不同的假设条件下进行大量重复的验证和试错,从而大大加速科研探索的进程,如今这一方法已在多个前沿科学领域中取得了显著的成果。

 

AI for Science的主要作用体现在:

 

(1)助力科学发现。比如近年的工作 AI Feynman2.0,让AI重新发现了《费曼物理学讲义》中的100个物理方程,甚至还发现了新的方程。这类工作可能在很大程度上可以做到帮助人类加快科学发现。

 

(2)提升数值模拟速度和准确性。如 DeepMind 提出的 GraphCast能通过输入60秒的历史天气,预报未来10天的天气,不仅在准确度上极大优于传统预测手段,在运算效率上也有极大的提升。AlphaFold的提出将人类蛋白质结构预测的准确度提升到了前所未有的水平。

 

(3)帮助科学家探索科学框架的设计。我们可以让AI去更大的设计空间搜索设计策略和控制优化策略。比如《Nature》2022年的论文,使用深度强化学习控制核聚变反应中的等离子体,第一次发现了全新的等离子体结构。

 

图片

AI for Science(科学智能)将深度学习技术应用于传统的科学领域,如物理、化学、生物、医学,作为一个新的交叉学科,也逐渐兴起,孕育着巨大的潜力,受到广泛的关注。

 

近几年来,在深度学习等 AI 技术的推动下,AI4S 在数学、物理学、生物医学、材料科学等领域取得了许多令人瞩目的成绩。

 

AI for Science (AI4S)会是AI的下一个主战场,它将极大地拓展Science和AI的边界;他们发现,AI4S将赋能技术和工业的方方面面,帮助我们加快走完科学研究和技术创新之间的最后一公里,也将帮助科学家从纷乱的自然和社会特征之中抽丝剥茧,发现事物背后作用着的关键规律。

 

AI4S的未来正在走向流行。AI求解薛定谔方程、AI求解控制论方程、AI加速分子模拟、AI预测蛋白结构、AI赋能药物和材料设计……

 

 

图片

 

 

 

深度学习教父之一Yoshua Bengio团队在《Nature》发表了长篇综述论文,从多个维度论述了AI for Science及其在科学发现中的应用,以及AI跨界的核心挑战。他们认为,从数据收集到模型构建,从实验设计到过程控制,AI跨界正在改变科学研究方式,成为科学发现引擎。

 

图片

 

 

4

2016年,AlphaGo 首次战胜人类围棋世界冠军,使得科学家意识到AI在科学研究方面的潜力,开始逐步探索使用AI算法与工具求解科学问题;2021 年左右,AlphaFold2、DeePMD 取得显著突破,生命科学、材料研发、能源、天体物理等领域的AI4S科研成果遍地开花,多个开源算法和工具相继诞生,推动AI4S理念快速走进大众视野并引发行业热潮。2023年 3月,科技部会同自然科学基金委启动“人工智能驱动的科学研究”(AI for Science)专项部署工作,再次引发AI for Science的行业热议。科技创新2030——“新一代人工智能”重大项目也将AI for Science作为人工智能的重要发展方向进行安排。在平台支撑方面,科技部正在加快推动公共算力开放创新平台建设,将为AI for Science发展打造智能算力基座。

 

Elon Musk 官宣 x.ai,其理念为“建立理解自然规律的人工智能系统 (understand the truenature of the universe)”。微软宣布成立专门的 AI4science 部门。英伟达联合 IIT 发布 AI for Science 公开课程。龙头药企赛诺菲宣布 “all-in” AI for (life) science。美国能源部联合5大国家实验室发布 AI for Science, Energy & Security 先进科研课题指引…… 从学界到业界,从产业到政府,从生命科学的 RFDiffusion、到化工领域的 Open Catalyst、到材料科学的 Uni-Mol,各行各业的优秀 AI for Science 应用正在加速涌现,AI for Science 已成燎原之势。

 

2023年9月28日,《Nature》杂志封面,刊登了“AI 如何改变科学”系列相关文章。

 

图片

 

AI for Science日益表现出突破传统科学研究能力瓶颈的巨大潜力,正在成为全球科学研究新范式。

 

根据《Nature》杂志的分析,Scopus 数据库中在标题或摘要中提及人工智能或人工智能相关关键词的论文比例目前为 8%,而十年前为 2%。

 

与此同时,人工智能也在发生变化。21 世纪 10 年代见证了机器学习算法的繁荣发展,这些算法可以帮助识别庞大、复杂的科学数据集中的模式,而 21 世纪 20 年代则迎来了生成式人工智能工具的新时代,这些工具在庞大的数据集上进行了预先训练,这些数据集具有更大的变革潜力。

 

 

图片

AI4S论文近年爆发式增长

 

5

 

AI for Science 是指以机器学习、深度学习等人工智能技术分析处理多维度、多模态、多场景下的模拟和真实数据,解决复杂推演计算问题,加快基础科学和应用科学的发现、验证、应用,打造下一代科学范式。

 

人工智能将成为科学家继计算机之后的全新生产工具,同时也正在催化一场新的“科学革命”。

 

AI for Science不只是一个新的科学浪潮,它更是开启了一个全新的科学时代。

 

如今,以ChatGPT为代表的大模型和生成式人工技术横空出世,正推动 AI 技术从特定应用和游戏等领域进入人们日常生活,成为切切实实的生产力工具,这将对AI for Science带来更广泛深入和空前深远的影响,人类社会的智能化革命已经拉开帷幕。

 

《经济学人》最近撰文:人工智将如何彻底改变科学。

 

关于人工智能的争论往往集中在其潜在的危险上,算法偏见和歧视、工作岗位的大规模破坏,甚至有人说,人类的灭绝。然而,当一些观察家为这些反乌托邦式的场景忧心忡忡时,另一些人却在关注其潜在的回报。他们声称,人工智能可以帮助人类解决一些最重要、最棘手的问题。他们说,人工智能将以一种非常特殊的方式实现这一目标:从根本上加快科学发现的步伐,尤其是在医学、气候科学和绿色技术等领域。

 

又踏层峰辟新天,更扬云帆立潮头。

现代 AI 教父之一 Yann LeCun 表示:“通过增强人类智慧,AI 可能会引发一场新的文艺复兴,或许是启蒙运动的一个新阶段。”

 

版权声明

  转自当时明月照清泉,版权属于原作者,仅用于学术分享。

文章精选:

  1. 2012,改变人类命运的180天,人工智能的燃点时光
  2. GPT-4成功得出P≠NP,陶哲轩预言成真!97轮「苏格拉底式推理」对话破解世界数学难题
  3. 图灵奖得主杨立昆:生成式AI有点过时了
  4. GPT-4没有意识!但图灵奖得主Bengio等88页论文暗示「天网」迟早降临
  5. 从计算到人类知识:ChatGPT与智能演化
  6. 数学到底有多重要?看看手机背后的数学
  7. 图灵奖得主:为什么中国顶尖学生入学赢了,毕业时却输了?
  8. 人工智能的终极基础是哲学认识论
  9. 图灵奖获得者专辑|图灵奖获得者、信息安全常青树Adi Shamir:从密码学到AI对抗性样本研究
  10. 图灵奖获得者专辑|图灵奖得主 Yann LeCun:AI 仅仅学语言走不远

图灵人工智能 公众号

人工智能及其他科技学术前沿、计算机等学术知识、报告、讲座等介绍。为了启迪人工智能和计算机人士的思维,偶尔也会发些哲学、学术、教育、数学、商业等有启发意义的文章,希望别光关注技术,也要懂得时代趋势,抓住财富自由的机会。
55篇原创内容

 

从诺奖风向标,到《Nature》雄文:人工智能再度封神,科学范式终将颠覆?  https://mp.weixin.qq.com/s/WTZsthMR9K2COcOMvQq68Q

Stephen Wolfram:《一种新科学》15周年回顾

Stephen Wolfram:《一种新科学》15周年回顾

 Stephen Wolfram 神经现实 2018-01-21 23:20

图片
STEPHEN WOLFRAM

发表于 WIRED

封面:RUNE FISKER

《一种新科学》这本书出版15年了,距离我开始写它已有超过25年,开始与它相关的工作更是超过35年。每过一年,我都感觉自己更加理解这本书到底是关于什么的,以及它的重要性。正如书名所暗示的,我写这本书是想为科学进步添砖加瓦。但随着岁月流逝,我意识到这本书的核心已经超出了科学领域,蔓延到决定我们整个未来的许多重要领域。

那么,站在15年后来看,这本书到底在讲什么?它的核心是讲一些非常抽象的东西:元理论(the theory of all possible theories)或者元宇宙(the universe of all possible universes)。但对我而言,本书的一大成就是认识到人们可以在程序可实现的计算型宇宙(computational universe)中做实验,以此探索事物本质。在书的结尾有许多乍一看很奇异的图片,其实它们只是由非常简单的程序生成。

图片
在1980年,我是一名理论物理学家,如果那时你问我简单程序能做什么,我可能会回答“并不多”。大自然展现出的复杂性深深吸引着我,但像典型的还原论科学家那样,我认为理解复杂性的关键在于搞清楚事物基本成分的详细特征。

现在回想起来,命运对我十分眷顾,多年前我恰好拥有兴趣和技能去切实探索计算型宇宙中最基本的实验:系统地排列一套最简单的程序,并运行它们。

我最初就知道会发生很多有趣的事情,然而很多年以后,我才开始真正体会到我所看到的伟大力量。对我而言,一切都始于一张照片:

图片
或者,它的现代形态:

图片
我称之为规则30。这是我一直最喜欢的发现,我把它印在自己随身携带的名片上。它是什么?是我们能想象的最简单的程序之一。它运行在数排黑白相间的单元格上,从一个黑色单元格开始,然后在下一行重复应用给定规则。关键在于,尽管这些规则怎么看都极其简单,应用后浮现出的模式并不简单。

这是计算型宇宙的一个出人意料却十分关键的特征:即使极其简单的程序也可能生成非常复杂的行为。我花了整整十年才明白这种现象有多广泛。它并不仅仅发生在像规则30这样的元胞自动机上。在人类想象范围内所有规则或程序中,它基本都会出现。

类似的现象已经出现了几个世纪,譬如圆周率和素数分布,不过它们基本只被视为个例,其深刻意义尚未得到挖掘。距我第一次看到规则30的现象,已经过去近35年了,每过一年,我就更清楚地了解其中蕴含的深远意义。

四个世纪以前,木星的卫星及其运转规律的发现,为现代精密科学和现代科学思维奠定了基础。那么规则30能否催生另一次知识革命,进而带来一种新的思考方式?

从某种意义上来说,我不太喜欢充任引领者(“转换范式”是个费力不讨好的活)。多年来,我只是径自用这些概念来发展技术和完善构思。但随着计算和人工智能逐渐站在世界舞台中心,我认为应当让更多人理解计算型宇宙蕴藏的巨大价值。

计算型宇宙的含义

以下是我今天看待这个问题的方式。通过观察木星的卫星,我们提出一个观点:假如以正确方式看待的话,宇宙是一个有序而规律的地方,而人类终将理解它。但现在,通过探索计算型宇宙,我们很快发现类似规则30这样的存在,认识到即便极简规则也能生成不可化约的复杂行为。

《一种新科学》的伟大发明之一是计算等价性原理。第一步是把每个过程(无论它发生在黑白方格、物理世界还是我们大脑中)视为一种将输入转为输出的计算。计算等价性原理表明,在一个极低的阈值上,所有过程都对应着复杂度相同的计算。

当然它也不一定正确。也可能类似规则30的过程要比飓风的流体动力学,或者我在写作时的大脑运动过程更简单。而计算等价性原理认为这些事情在计算上是等价的。

这是一个有着深层含义的重要论证。一方面,它暗含着我所说的计算不可化约性(computational irreducibility)。如果有类似规则30的东西正在进行和大脑或者数学一样复杂的计算,我们不可能‘‘超过’’它去预测结果,只能通过不可化约的计算,有效跟踪其每一个步骤,弄清楚它要做什么。

精密科学中的数学传统尤其强调通过求解方程来预测系统行为。但是计算不可化约性表明,传统方法并不适用于分析计算型宇宙,我们只能通过执行明确的计算来模拟系统行为。

观察世界的角度转变

在《一种新科学》这本书中,我完成的其中一件事是展示了如何将简单程序作为一种模型,应用于分析各种物理、生物和其他系统的基本特征。书籍出版时,不少人对此持怀疑态度。大家都认为严肃的科学模型应当建立在数学方程基础上,这种延续了300多年的学术传统的确非常牢固。

但在过去的15年里,一些惊人的变化已经发生。今天,无论在动物行为模式领域还是网络浏览行为领域,新涌现的模型通常都基于程序而非数学方程。

年复一年,时间缓慢无声地流逝着。而在这个领域,却发生了戏剧性转变。三个世纪以前,数学方程取代了纯粹的哲学推理。在短短几年内,程序又取代了数学方程。目前来看,程序是实用而高效的:它做得更好,更有用。

在理解事情发生的基础时,人们会被引导至类似计算等价性这种想法上去,而非数学理论和微积分。传统的以数学为基础的思维方式使得力和动量等概念在我们讨论世界时随处可见。但是现在,当我们从根本上思考计算理论时,必须从不可判定性(undecidability)和计算不可化约性(computational irreducibility)这样的概念开始

某种类型的肿瘤会在某种特定模式下停止生长吗?这或许就是不可判定性。如何预测天气变化?这或许就是计算不可约性。

这些概念不仅在理解能否对事物建模时大有帮助,而且在弄清楚能否管控事物时也非常重要。在经济领域,计算不可化约性会制约全球治理方式的发挥空间。在生物领域,计算不可化约性也会抑制普遍疗法的可能性,使得推动个性化医学疗法的发展成为必然趋势。

基于计算等价性等原理,我们能展开讨论,究竟为何自然界中复杂行为如此常见。或者,为什么就连确定性极强的基本规则也会导致计算不可约的行为,虽然从实践上看这种行为貌似体现了“自由意志”。

图片
深耕计算型宇宙

《一种新科学》的一个中心思想是,计算型宇宙中有着令人难以置信的丰富性。这意味着,存在非常丰富的资源可供我们挖掘利用。

你想自动生成一个有趣的定制艺术品吗?那就先看看简单的程序,然后自动选择一个你喜欢的,正如WolframTones音乐网站十多年前做的那样。想找到一个最优算法吗?只要搜索那些程序足够多次,就会找到合适的那一个。

通常情况下,我们习惯于付出努力、按部就班地建造事物,比如逐步制定建筑计划,画工程图纸或者写代码。但是,拥有极易获得的丰富性的计算型宇宙为我们提供了另一条创作之路:不用尝试建造任何东西,你只需要给出所要之物的定义,然后在计算型宇宙中搜索即可

有时候真的挺容易找到。比如,你想生成一个随机数。那么,只需要枚举元胞自动机(就像我在1984年做的那样),很快就会发现规则30——它是最广为人知的显性随机数生成器之一(例如,看一下单元格值的中心列)。否则,你可能得搜索100000个案例(就像我在寻找逻辑最简单的公理系统,或者最简单的通用图灵机那样),或者搜索数以百万甚至万亿的案例。过去25年里,在计算型宇宙中,我们发现了很多新算法,同时我们也依靠这些算法来运行Wolfram语言

某种程度上,这相当引人深思。如果人们在计算型宇宙中发现了一些小程序,那么就可以说它做了人想做的事。但是,当我们观察程序运行时,并不了解它背后的运行逻辑。即便可以分析程序的某个部分,并惊叹于它的“聪慧”,仍旧无法理解整个过程,毕竟这和我们熟悉的思维模式大相径庭

当然,我们在使用造物主的杰作时也有过类似体验。我们可能会发现,某些特定物质是一种有效药物或强力化学催化剂,却不清楚其原理。然而,在工程学以及大多数推动现代技术进步的努力中,我们的关注重点通常都放在建构那些设计结构和运转逻辑比较易于理解的事物上。

曾经,我们以为这就足够了。但在对计算型宇宙的探索中,我们发现这远远不够:只选择那些我们易于理解的事物,就会忽略计算型宇宙中的大多数巨大力量和丰富性。

现有技术的世界

当我们从计算型宇宙中挖掘出更多东西时,世界会变成什么样?今天我们构建的环境充斥着像简单形状和重复过程这样的东西。但我们越频繁地利用计算型宇宙,事物看起来就会越不那么寻常。有时,它们看起来像“有机物”,或者像我们在大自然中看到的东西(毕竟大自然遵循类似的规则)。但有时候它们看起来相当随机,直到有一天突然不可思议地达到了我们能够认知到的某种形态。

数千年来,人类作为一种文明,一直在探索周遭的道路上前进——无论是用科学解码自然,还是用技术创造环境。然而,要想利用计算型宇宙的丰富资源,我们就必须在一定程度上放弃这条道路。

过去人们都认为,和人类创造的工具相比,人类大脑拥有更强大的计算力,因此我们总能“理解”他们。但计算等价性原理表明这是错的:计算型宇宙中有很多东西和人类大脑或人造工具一样强大。一旦我们开始使用这些东西,我们就失去了所谓的“护城河(edge)”。

今天我们仍在想象,我们可以识别出程序中那些不相关的漏洞。但在计算型宇宙中,计算不可化约性遍地都是,人们唯一能够做的只是运行它,看看会发生什么。

人类本身作为一种生物系统,就是在分子尺度上进行计算的一个绝佳案例,我们身上同样遍布着计算不可化约性(这就是在一些基本层面药物难有成效的原因)。我想这是一种权衡:人们可以将技术运算限定在可被理解的层面上。不过,这无疑会错过计算型宇宙中的诸多丰富性。而我们甚至无法将自身的生物学成就在我们创造的技术中对应起来。

机器学习和神经网络的复兴

我注意到,知识领域存在一种普遍现象。在几十年、甚至几百年内,知识水平都在缓慢增长,之后由于某种方法论的进步,开始迈入5年左右的“高增长”时期,几乎每周都有重大成果面世。

非常幸运,我上世纪70年代刚进入粒子物理学研究领域时,正值该领域的飞速发展期。于我而言,上世纪90年代是我个人的一个高产期——《一种新科学》就是这么来的,事实上这也是我十多年都不舍得离开该领域的原因。

今天飞速发展的领域显然是机器学习,或者更具体地说是神经网络。我很高兴看到这一趋势。我在1981年就开始研究神经网络,甚至早于我开始使用元胞自动机和发现规则30。但我从没用神经网络做过任何有趣的研究,我认为它们过于复杂,无助于解决我关心的基本问题。

所以,我把它们简化后,利用元胞自动机做实验。(我受到了统计物理中伊辛模型等的启发,以此类推。)开始时,我认为简化过度了,小型元胞自动机无法进行有趣的实验。后来,我发现了规则30。自那以后,我一直试图深入理解它的含义。

在创建Mathematica(一款科学计算软件)和Wolfram语言(一种编程语言)时,我经常关注神经网络研究动态,偶尔也会用一些小方法来做一些算法。大约5年前,我听到一些让我惊讶的事:通过训练神经网络进行复杂运算的想法奏效了。起初我还不确定,后来我们开始尝试为Wolfram语言增加神经网络运算能力。两年前我们发布了imageidentify.com网站,现在我们已经有了一整套神经网络系统。是的,对此我印象深刻。一些传统上被视为只有人类才能完成的领域,现在已经可以利用计算机开展常规性工作了。

神经网络究竟是怎样运转的?它与大脑无关,只是灵感(尽管实际上它与大脑的工作方式可能多少也有些类似)。一个神经网络实际上是一系列对数组进行运算的函数,每个函数从数组中提取相当多的输入变量。它和元胞自动机没有什么不同。除了一点,那就是元胞自动机通常处理的不是像0.735一样的任意数字,而是像0和1这样规则的数字。此外,在元胞自动机中,每个步骤只从一个定义完整的局部区域获取信息,而不是从所有区域获取信息。

客观地说,现在“卷积神经网络(convolutional neural nets)”研究很常见,它的输入模式和元胞自动机同样有规律。人们逐渐发现,神经网络的运转并不依赖精确数字(比如32位),可能只需要几位数就够了。

神经网络的一大特征是,我们知道如何让它们“学习”。特别是,它们已经从传统数学中学到了许多功能(比如连续编号),无论提供什么样的训练集,都可以使用类似微积分这样的方法,使它们通过逐渐改变参数来适配行为。

目前还不清楚,需要多少计算量或者多少训练范例。但五年前的突破性发现表明,现代 GPU 和网络收集训练集已经足够用于解决许多重要的实际问题。

几乎没有人会在一个神经网络中最终明确地设置或“编程”得出一些参数。取而代之的是,它们会自动设定合适的参数。但不同于元胞自动机等简单程序(它们通常穷举所有可能性),神经网络有一种基于微积分的渐进过程,这会逐渐完善网络,类似于生物进化过程中逐步提高有机体“健康”的过程
这种训练神经网络的方式效果显著,不过人们也很难理解其内在规律。但从某种意义上说,神经网络依旧大致遵循计算型宇宙的规律:它基本上保持相同的计算结构,并且通过改变参数来改变其行为。

于我而言,神经网络的成功是对计算型宇宙理论阐释力的认可,也是对《一种新科学》思想的另一种印证。因为它表明,在计算型宇宙中,只要摆脱详细行为能被预测的确定性系统的束缚,马上就能发现各式各样的丰富性和有用的东西。

符合现代机器学习理论的《一种新科学》

是否能在神经网络分析中用上计算型宇宙的全部力量和《一种新科学》的思想?对此,我表示怀疑。实际上,随着对细节的认知愈发清晰,我认为对计算型宇宙的探索将进入高速增长期:进入一个前所未有的繁荣时期。

在当前的神经网络研究中,存在一种明显的权衡。在神经网络内部,与简单函数(包含基本参数)相似的部分越多,就越容易用微积分的思路来训练网络。但是,神经网络与离散程序或者结构可变的计算越相似,其训练难度就越高。

值得一提的是,我们现在经常训练的网络在几年前来看是完全做不到的。正是这些数千万亿次的 GPU 高效运算才使得训练可行。即使在增量数值方法不可能到达的领域,有人用非常常见的技术(就比如说,本地全局搜索)做重要的训练,我也不会太惊讶。甚至有可能发明像微积分一样的主要归纳法,并运用在整个计算型宇宙中。(不过,基于对元胞自动机规则空间等事物的几何基本概念的概括性认识,我仍保有一些怀疑。)

人们能利用它做什么?或许会发现能实现特定计算目标的更简单的系统,也可能诞生超出我们目前可实现的(比如人类大脑范畴)的全新运算层次。

近期,有个关于建模的趣事。随着神经网络越来越成功,人们开始疑惑:当我们可以为神经网络的结果构建一个黑盒模型时,为什么还要费心模拟系统内部运转过程?如果我们设法让机器学习深入计算型宇宙中,我们就不必再费劲权衡了,它们已经能够学习其模型机制和结果。

我敢肯定,将完整的计算型宇宙引入机器学习范畴,将会带来惊人的后果。值得一提的是,计算普遍性和计算等价性原则会弱化它的原理性。因为这两个特性表明,即使目前通用型的神经网络也能模仿任何其他系统的功能。(事实上,1943年诞生的现代神经网络思想带来了这种普适性。)

作为一个实用性问题,当前的神经网络早期是建立在硬件上等事实,会使它们成为现行技术系统所需要的基础,即便它们远远不算最优解。我的猜测是,在可预见的未来,让有些程序可以访问完整的计算型宇宙是很有必要的,这也使得它们更加实用。

发现人工智能

实现人工智能需要怎样的条件?儿时,我喜欢研究如何让计算机知晓事物,并且能够回答它已知的问题。在我 1981 年学习神经网络时,这项兴趣也部分包含在我当时的所做的——试图理解怎样构建这样一个系统之内。碰巧,我那时刚刚开发了 SMP(一款数学软件),它是 Mathematica 的前身(最后演化为Wolfram语言),并且主要基于符号模式匹配(“假如看到A,则将A转换为B”)。当时,我想象人工智能是某种“更高层次的计算”,但是不知道如何实现它。

我时常思考这个问题,却一直没能解决。然而,当创作《一种新的科学》时,我突然想到:如果我真的相信计算等价性原理,那就不存在任何所谓“更高水平的计算”,因此人工智能必须依据现有水平的计算知识来实现。

正是这个认识让我着手开发 Wolfram|Alpha(一个“计算知识引擎”)。我发现,很多像自然语言处理这样“人工智能导向的东西”,只需“普通计算”就能完成,压根用不到任何神奇的新型人工智能发明。客观地说,事实的一部分就是:现在我们已经在使用《一种新科学》中的思想和方法:我们不仅仅在将所有事物程序化,而且常常在计算型宇宙中搜索规则和算法来使用。

图片
那么能否普遍运用人工智能?基于目前所掌握的工具和知识,我们的确可以将我们可以定义的任何事物自动化。但问题在于,下定义是一件比我们想象中更困难、更核心的事。

我看待这一点的方式是,有很多已经很接近计算型宇宙的运算。它们是很强大的,可以和人类大脑相媲美。不过,除非它与人类的目标和动机相结合,否则我们便不认为这是一种“智力”。

自从开始写作《一种新科学》,我一直喜欢引用格言“天气有自己的想法”。这听起来像一种万物有灵论和先知论。不过计算等价性原理表明,根据多数现代科学理论来看,这种说法是正确的:气象流体力学和人类大脑中的电传导在计算复杂度上是相同的

但是,它是“智能”的吗?当我和人们谈论《一种新科学》和人工智能时,我经常被问到何时能让机器诞生“意识”的问题。生命、智能、意识:它们都是人类在地球环境下提出的特定概念。那么,在普遍意义上它们究竟是什么?所有地球生命都有核糖核酸(RNA)和细胞膜。但这仅仅是因为我们所知的生命都是相关联的历史分支的一部分,并不意味着这些细节正是生命概念的根本要素。

智能也是如此。我们只有一个有足够说服力的例子:人类。(对动物我们都无法肯定。)但我们所经历的人类智能与人类文明、人类文化和生理结构都有着深刻的关联,尽管这些都和智能的抽象定义毫无关联。

我们也可能会想到外星智能。虽然计算等价性原理暗示我们周围其实存在“外星智能”,但它与人类智能并不完全一致。譬如,规则30就像人类大脑一样进行着复杂计算,但它对于自己正在计算的东西的意义似乎并不明确。

我们想象,人类行动总是包含特定目标和动机,而规则30只是按照限定规则在运转。不过,我们终将意识到,两者之间的差异并不大。毕竟,人类大脑同样被自然规律所支配着,某种程度上我们的行为也只是在遵循那些规则

任何过程都可以用机械原理来描述(“石头遵循牛顿定律运动”),也可以用目标论来描述(“石头正在移动以最小化潜在能量”)。基于机械原理的描述在和科学产生关联时最有用,而基于目标论的描述在和人类智能产生关联时最有用。

这对于思考人工智能至关重要。我们可以构建出与任何事物复杂程度相当的计算系统,但我们能让它们去做符合人类目标和动机的事情吗?

从某种意义上说,这是人工智能的关键问题:重要的不是实现底层的复杂计算,而是如何从计算中实现我们想要的沟通。

语言的重要性

我一生大部分时间从事的是一名编程语言设计师的工作,其中最重要的成果就是创造了 Wolfram 语言。我一直将自己视作一个语言设计师,首先想象人们想进行什么样的计算,然后像简化论科学家一样,找到能用于建立计算的优质原语。但不知为何,在写作《一种新科学》和思考人工智能的过程中,我的思维方式逐渐改变。

现在,我认为自己正在人类思维模式和计算型宇宙的潜能之间架设一座桥梁。原则上,计算可以实现各种各样令人惊奇的事。编程语言,就是人类表达需求或目标,并尽可能使其实现自动化运转的一种方式。

编程语言设计必须从我们了解和熟知的内容开始。在 Wolfram 语言中,我们用英语单词命名内置原语(built-in primitives),利用这些单词已有的含义来引申。Wolfram语言与自然语言不同,它更加结构化,更加强大。它是基于人类共享的知识语料库,建立于我们熟知的词汇和概念之上。它给我们提供了一种建立任意复杂程序的途径,以便能有效指向任意复杂的目标。

计算型宇宙能做很伟大的事,但这些事未必都是我们人类能描述或与之产生联系的。但是,在构建 Wolfram语言的过程中,我的目标是尽最大努力挖掘人类所需的一切,并用可执行的计算术语来表达它。

当我们在观察计算型宇宙时,很容易被已有的表达方式或思维框架所局限。现代神经网络提供了一个有趣的例子。为了开发 Wolfram语言的图像识别功能,我们训练神经网络识别了上千种事物。为了满足人类的需求,神经网络最终得用可以被语言命名的概念来描述它看到的东西,譬如桌子、椅子、大象等等。

然而在神经网络内部隐含的操作逻辑是识别世界上任何物体的一系列特征。它是绿色的吗?它是圆的吗?等等。经过训练后,神经网络能鉴别出有助于分辨事物差异性的特征。问题在于,这些特征几乎都没有用人类语言指定过。

在计算型宇宙中,可以找到描述事物的绝佳方法,我们对此却十分陌生。基于人类文明的现有知识库,我们还无法表述他们。

当然,当前人类知识库也在不断添加新概念。一个世纪以前,人们还无法描述嵌套模式(nested pattern),而现在我们只用说“它是一个分形(fractal)”。关键在于,在计算型宇宙中,“潜在有用的概念”是无穷尽的,我们永远也不可能跟上它的步伐。

数学中的隐喻

写作《一种新科学》时,我把它视为打破数学的应用——至少是作为科学的基础的一种努力。不过,我意识到的事情之一就是,纯数学本身也对书中思想产生了很大影响。

什么是数学?它是一门基于数字、几何等来研究确定的抽象系统的学科。从某种意义上看,它探索的是所有潜在抽象系统组成的计算型宇宙的一小部分。但也不能否认数学对人类知识领域的巨大贡献:事实上,大约300万个已知的数学定理也许是人类构建的最大的体系性智力结构

自欧几里得以来,人们至少在理论上认为数学先从某些公理(比如,a+b=b+a,a+0=a,等等)开始,然后再构建定理推导过程。数学为什么难?根源在于计算不可化约性现象,显而易见,我们无法简化定理的推导步骤。换句话说,数学得到的结果可能是任意的。更糟的是,正如哥德尔不完全性定理(Gödel’s Theorem)所论证的那样,数学已经证明某些系统内存在既不能证明也不能证伪的命题。这种情况被称为“不可判定性(undecidable)”

从某种意义上说,数学之伟大就在于可以有用地去证明它。毕竟多数我们关注的数学结果都与不可判定性相关。那为何这种不可判定性不出现呢?

事实上,如果人们考虑随机抽象系统(arbitrary abstract systems),它出现得很多。以典型的元胞自动机或图灵机器为例,询问系统,是否无论其初始状态如何,均停止在周期性行为上。就连如此简单的事物,往往都呈现出不可判定性 

为什么数学中不会出现这种情况?也许数学公理有其特殊之处。当然,假如有人认为数学是唯一描述科学和世界的工具,也许是出于某种特定原因。但本书主旨认为,计算型宇宙中有一整套潜在规则,可以用于科学研究和描述世界。

事实上,我并不认为数学传统中所使用的公理有任何普适意义:它们只是历史的偶然产物。

人们发明的数学定理又是怎样的?我认为它们同样是历史产物。除了最微小的区域之外,数学海洋中充满了不可判定性。但不知何故,数学偏爱挑选可以证实定理的岛屿,并且为自己处于靠近需耗费巨大努力方可证明的不可判定性之海的地方而自豪。

我对数学中已公布的定理的网络结构很感兴趣(这是一种有待整理的东西,像历史上的战争或化学物质的特性)。我很好奇,数学成果中是否存在固定序列,或者从某种意义上说,随机部分是被人为挑选出来的

我认为,有相当多的类比可以用于理解我们之前讨论的关于语言的问题。什么是论证?基本上是一种向某人解释为何某事为实的途径。我已经做了各式各样的自动化论证,其间有成百上千个步骤,每个环节都能用计算机加以验证。但是,就好比一个神经网络的内部构造,这怎么看都很奇怪,人类难以理解。

如果一个人想要理解它,必须熟悉“概念性节点”(conceptual waypoints)。这更像是语言体系中的词汇。如果论证的某个特定部分有一个名称(如“史密斯定理”),并且拥有公认的含义,那么它对我们就是有用的。但如果这是一个无差别的计算组块,对我们而言就没有任何意义。

任何公理系统都包含一系列无穷可能的定理。哪一个是“有趣的”?这真是个独属于人类的问题。基本上,它们最终都会成为“有故事的定理”。我在这本书中指出,从符合基本逻辑的简单案例来看,历史上被视为有趣的命名定理在某种意义上恰恰是最微不足道的

我猜测,对于更丰富的公理系统,“有趣”的东西必须来源于已经被视为有趣的事物。这就像建构一个单词或概念:除非将其与现有概念相联系,否则无法引入新概念。

近年来,我特别好奇像数学这样一个领域,究竟固步自封、缺乏进步到了何种程度。是否只能有一条历史演进路径——从算术到代数再到现代数学的更高成就?还是有无数种多样化的可能性,可以造就完全不同的数学史呢?

某种意义上,答案取决于“元数学空间的结构(structure of metamathematical space)”:也就是远离不可判定性汪洋大海的真实定理网络是什么?也许对不同的数学领域而言有一些差别,有些领域(认为数学是“被发现的”)会比其他领域(认为数学具有随机性,且数学可被“发明”)更“固步自封(inexorable)”。

但对我来说,最有趣的事情莫过于,当我们看待这些术语时,关于自然与数学特性的问题,最终和自然与人工智能的特性的问题是多么近似。正是这种共性使我意识到,《一种新科学》的想法是多么强大和普遍。

科学何时出现?

传统数学方法在物理学和天文学等科学领域的确发挥了重要作用,但在其它一些领域,如生物学、社会科学和语言学等却用途不大。长期以来,我一直坚信,要在这些领域中取得进展,必须要拓展目前使用的各种模型,站在更宏观的计算型宇宙中考虑问题。

的确,过去15年间,这种做法也逐渐取了一些成功。比如,有许多生物和社会系统都在使用由简单程序构建的模型。

不同于呈现为“可解决状态”的数学模型,进行精确模拟后,计算模型通常呈现出计算不可化约性。这可以成功做出特定预测或应用于技术模型。但这有点像数学定理的自动化论证,人们可能会问:“这真的是科学吗?”

是,人们可以模拟系统行为,但是否能“理解”它呢?在某种意义上,计算不可化约性意味着人们并不总是能够“理解”事物。在计算模型中,可能没有有用的“故事”可讲,也可能没有“概念性节点”,只有大量的详细计算。

想象一下,某人正在努力研究大脑如何理解语言——这是语言学的一大目标。也许我们会得到一个精确模型,发现一些决定神经元放电或低水平大脑表现的精确规律。然后我们来看看,在理解整个句集时产生的特定模式。

如果这些模式看起来像规则30的行为呢?或者像循环神经网络的内部结构?我们能讲一个发生了什么的故事吗?要做到这一点,就必须创建某种更高级的符号表示法:在这里有效产生了能表示事件的核心元素的词汇。

然而,计算不可化约性意味着可能没法创造这些东西。虽然它总能发现一个计算可归约性(computational reducibility),从而使人们可以陈述一些东西。但不会存在一个完整的故事。可能有人会说,这些可归约的科学事实没用。不过,这只是当人们使用(如标题所述)《一种新科学》时会碰到的麻烦之一。

控制人工智能

近年来人们很担心人工智能。他们想知道,当人工智能“比人类更聪明”时会发生什么。计算等价性原理带来一个好消息:从基本层面来说,人工智能永远不会“更聪明”——它们只能进行和人类大脑层次相当的运算,这和简单程序在做的事一样。

当然从实际来讲,和人类大脑相比,人工智能确实可以更快地处理大量数据。我们也会让它们替人类处理许多事物,比如从医疗设备到中央银行再到运输系统等。

那么重要的是,我们该如何指导它们做事。一旦我们开始真正应用计算型宇宙,就不可能给人工智能“手把手式”的教导。而是我们只需要为人工智能设定目标,让它们自己找出实现这些目标的最佳路径

从某种意义上说,我们已经用Wolfram语言这样做很多年了。有一些用来描述任务(诸如画图、数据分类等)的高级功能,之后编程语言会自动寻找最优解完成任务。

最终,真正的难题是找到一种描述目标的方法。比如,你想寻找一个元胞自动机,用于制作“漂亮的地毯图案”或者“好的边缘检测器”,但这些东西究竟意味着什么?你需要的是一种能帮人类尽可能准确传递其意图的语言。

这和我之前谈过的问题差不多。人们必须找到一种可以相互间讨论我们关心的事的方式。计算型宇宙中有无限多的细节。但是通过人类文明和共通的文化历史,我们可以找出一些重要概念,并用它们来表述目标。

三百年前,像莱布尼茨这样的人热衷于寻找一种精确的象征性方式来呈现人类思想和人类话语。他太超前了。直到现在,我们才胜任这项任务。事实上,我们花了很长时间才让Wolfram语言能够描述真实的世界。我希望能建立一个完整的“象征话语体系”,帮助我们谈论我们关注的事。

今天,我们只是用比日常用语更精确一点的法律术语撰写法律合同。但是用象征语言,我们可以撰写真正的“智能合约(smart contracts)”,用高级术语描述我们的目标,随后机器便可以自动验证或执行合约。

那人工智能呢?我们要告诉它们,我们希望它们做什么。我们需要和它们签订合约,或许还得为它们制定章程。这些文件都建立在某种象征语言之上,它既允许我们表达目标,也能交由人工智能执行。

关于人工智能章程应该包含什么,以及如何构建它,从而反映世界政治和文化景观,有很多值得探讨之处。其中一个显而易见的问题是:人工智能章程能会像阿西莫夫的机器人三定律那样简单吗?

《一种新科学》中蕴藏着答案:不可能。从某种意义上说,章程是一个描述世界的可能性与不可能性的尝试。然而计算不可化约性表明,这需要收集无穷多的分析案例。

我觉得这很有趣,计算不可化约性等理论最终和一些很实际且核心的社会问题相冲突。一切都始于对理论可能性的理论探索,最终却演变为社会上每个人都要关心的问题。

无穷尽的前沿

我们会达到科学的终点吗?我们——或者人工智能——最终会发明出一切需要发明的东西吗?

对于数学,很容易发现我们能构造出无穷个定理。对于科学,也有无数详细问题要问。同时,还有无数发明等待我们去创造。

但问题在于:有趣的新事物总会一直存在吗?

计算不可化约性表示,通过对旧事物进行大量不可化约的计算后,总会发现新事物。因而从某种意义上说,我们总会发现“惊喜”,但并不会从旧事物中立即浮现出来。

它只是像不同形状的怪岩一样无穷无尽?还是会出现一些人类认为有趣的新特征?

又回到了我们曾遇到过数次的问题:对人类而言,我们必须基于可用于思考某个事物的概念框架来发现有趣的事物。的确,我们可以在元胞自动机中找到一个“永久结构”,然后开始谈论“结构间的碰撞”。但当我们看到一堆乱七八糟的东西时,除非用更高层次的象征性的方式来谈论它,否则并不会感到“有趣”。

从某种意义上说,“发现有趣”的速度不会受到人类进入计算型宇宙和发现事物能力的限制。相反,它将被人类为发现的新事物建构概念框架的能力所制约。

这类似于《一种新科学》形成过程中正在发生的事。人们看到这些(http://www.wolframscience.com/nks/p42–why-these-discoveries-were-not-made-before/)(素数分布、圆周率位数等)。但如果没有相应的概念框架,它们看起来并不“有趣”,也不会存在以它们为核心建构的事物。事实上,当我更加了解计算型宇宙——甚至是我很久以前看到的东西——我逐渐建立起支撑我走得更远的概念框架。

此外,需要指出发明(inventions)与发现(discoveries)有一定差别。人们在计算型宇宙中看到一些新东西,这是一种发现,而如何利用计算型宇宙实现某种目标才是一项发明。

而且像专利法一样,如果你只说“看,这就行了”,那算不上真正的发明。你必须以某种方式理解它达成的目标。

在过去,发明过程的重点往往是让某个东西开始工作(发明让灯泡亮的灯丝等等)。但在计算型宇宙中,重点转移到了发明目的上来。因为一旦你描述了目标,就可以自动化地找到一种实现路径。

这并不意味着它总是很容易。事实上,计算不可化约性意味着它相当困难。比如,你知道某些化学物质相互作用的精确规律。你能找到一种化学合成路径,进而发现某种特定的化学结构吗?可能有一种方式,但计算不可化约性同时表明,我们可能无法弄明白这条路究竟有多长。如果还没找到,那你可能永远也无法确定究竟是因为不存在,还是因为尚未找到。

物理学基本原理

如果一个人想探索科学的边界,他估计会怀疑物理学的基本理论。考虑到我们在计算型宇宙中看到的一切,物理世界是否和计算型宇宙中的某个程序存在对应关系?

当然,除非找到它,否则我们便无法真正了解它。但自从《一种新科学》出现后,我对这种可能性越来越乐观。

无疑这将是物理学的一大变化。如今,有两个主流基本物理框架:广义相对论和量子场论。广义相对论提出已经超过100年了,而量子场论估计也超过90年了。它们都取得了巨大的成就,但都未能提供一个完整的物理学基本理论。我想,现在已经是时候迈出新步伐了。

但还有一件事:在探索计算型宇宙的过程中,即使基于非常简单的模型,我们也会迸发出大量关于可能性的灵感。我们可能认为,物理学的丰富性必须基于一些非常复杂的基础模型。但目前来看,即使是非常简单的底层模型也能很好地生成复杂性。

底层模型可能是什么样的?我不打算展开讨论很多细节,只想强调一点,底层模型应该尽可能少地嵌套。我们不能自大地认为已经理解了宇宙构造;我们应该使用尽可能非结构化的通用模型,按照计算型宇宙的逻辑去运行:搜索一个能实现任务目标的程序。

我最喜欢的非结构化模型是网络:它只是一个链接节点的集合。它们完全有可能形成一些类似代数结构的模型,也可能形成一些其他的东西,但都可以被视作一种网络。按照我的设想,它是一种时空表层之下的网络:我们已知的时空表征都必须从该网络的实际行为中显现出来。

过去的十年里,人们越来越关注循环量子引力(loop quantum gravity)和自旋网络(spin networks)。它们和我一直在做的事一样,都涉及到网络,也许两者间还有更深的关联。但在通常的表述中,他们更像是一种数学式的复杂。

从传统物理学方法的角度来看,这是个好主意。但是,基于从研究计算型宇宙而来的直觉,而且将其应用于科学和技术,似乎就完全没必要。的确,我们尚未彻底理解物理学的基本理论,但可以理解最简单的假设。它和我研究过的简单网络特别相似。

一开始,对经过传统理论物理训练的人(包括我自己)来说,这显得很陌生。不过,还是有一些东西并非那么陌生。大约20年前,我有一个大发现(至今还未被广泛接受),当你看到一种我研究过的巨型网络时,你可以证明它的平均行为遵循爱因斯坦重力方程(Einstein’s equations for gravity)。换句话说,即使不在基础模型中置入任何精致的物理定律,它也会自动出现。这个发现特别让人激动。

人们对量子力学提出了很多问题。的确,我的基本模型并未建立在量子力学上(正如它不建立在广义相对论上一样)。目前要确定“量子力学”的本质比较困难,不过也有一些潜在迹象表明,我的简单网络最终表现出了量子行为——就像我们所熟知的物理学一样

假如,由无数可能的程序构成的计算型宇宙中存在基础物理理论,那我们该如何寻找呢?显然,应该从最简单的程序开始搜索。

在过去的15年里,我一直在做这件事,虽然频率低于我的预期。到目前为止,我的主要发现是,很容易找到那些并非显然不属于我们宇宙的程序。有很多程序的时空表征与我们这个宇宙差异很大,或者还表现出其他异常。但事实证明,找到并非明显不属于我们这个宇宙的替代宇宙并不困难。

但计算不可化约性给我们出了个难题。我们可以通过数十亿个步骤模拟替代宇宙,但并不清楚它会朝什么方向演变,是否会成长为我们这样的宇宙,或者完全不同。

我们不太可能仅仅通过宇宙初始时的片段状态,就能发现任何熟悉的东西,比如说光子。因此,我们很难构造一种描述性的理论或者强有力的物理学。但从某种意义上说,这和我们在神经网络等系统中面临的问题出奇地类似:那里有计算过程,但我们是否能识别出“概念性节点”,并从而建构一个可以理解的理论?

我们的宇宙是否必须在那个层面上可被理解这个问题我们并不清楚,而且我们可能在很长一段时间里都处于一种奇特状态中,自认为在计算型宇宙中发现了人类宇宙,却又不敢肯定。

当然,我们也许足够幸运,推演出了一个有效的物理系统,并通过我们发现的小程序重建整个宇宙。这是个非凡的科学时刻,但又会引发一系列新问题,比如为何是这一个宇宙,而非另一个?

装有一兆个灵魂的盒子

现在,我们人类是以一种生物系统的形式存在的。但在未来,肯定会在技术上以一种数字或者说计算型的形态再现人类大脑的所有过程。因此,只要这些过程能代表人类,就可以在所有计算层面上实现人类的“虚拟化(virtualized)”。我们可以想象,这样发展下去,未来整个文明形态可能会演变成“装有一兆个灵魂的盒子(box of a trillion souls)”。

盒子里面会以各种计算形式,展现那些“虚拟灵魂”的思想和经历。这些计算反映着宏伟的人类文明,以及我们的一切经历。但在某种程度上,它们并不算多么特殊。

也许会让人类有点失望,毕竟计算等价性原理已经表明,这些计算并未呈现出比其他系统更复杂的计算性——即使与简单计算相比也是如此——同时也没有呈现出复杂恢弘的文明历史。的确,细节蕴含所有历史。但从某种意义上说,不知道寻找何物或关心何物,你就不能说它有什么特殊之处。

好吧,但是“灵魂”本身呢?人们是否可以通过观察他们实现的特定意图来理解其行为?在目前的生物形态中,人类有各种各样的限制和特征,它们赋予我们目标和意义。但在虚拟的“上传”形态中,大多数都会消失。

我曾经思考过,在这种情形下,“人类”的意图会如何演化。当然,在虚拟化形态下,人类和人工智能之间差异不大。未来也可能会让我们失望,“虚拟灵魂”的未来文明为了消磨永恒时光而陷入“玩游戏”效应的陷阱。

我逐渐认识到,用我们目前对目标和意义的认识来理解未来是行不通的。想象一下,回到一千年前,给古人解释未来的人们每天都在跑步机上行走,或不断地给朋友发照片。关键在于,除非相应的文化框架已经形成,否则这些活动便没有意义。

当我们试图描述什么是有趣的或可解释的时,会再次发现这些都依赖于一整套“概念性节点”网络的发展。

我们能想象100年后数学的模样吗?它建立在我们不知道的概念上。同理,未来人类的动机也依赖于某些未知的概念。站在今天的人类视角,我们能做出的最好描述,或许是那些“虚拟灵魂”只是在“玩游戏”而已。但是对于未来人类而言,可能存在一整套微妙的动机结构,让他们能通过回溯历史文化发展的每一步来理解。

此外,如果我们了解物理学基本理论,随后完成虚拟化,那么至少在原则上:我们可以模拟“虚拟灵魂”宇宙的运转。如果这样可行,那就没什么理由必须对人类宇宙进行模拟,它可以模拟计算型宇宙中的任何宇宙。

正如我提到的,即使在任何宇宙中,也永远不会出现“事情都做完了”和“没什么可发现的了”这样的情况。但我有一些奇思妙想,那些“虚拟灵魂”不会满足于只存在于人类物理宇宙的模拟版本中,可能更乐于(无论这对他们意味着什么)走出牢笼,去探索更广阔的计算型宇宙。因而从某种意义上说,人类未来将是一个无穷尽的探索之旅,而这一切无疑会出现在《一种新的科学》所讨论的语境中。

计算型宇宙的经济学

很久以前,我们就被迫思考“虚拟灵魂”的问题。我们面临着一种窘境,在人工智能完成大部分劳动的世界里,人类应该做什么。从某种意义上说,这个问题并不新鲜:它只是科技和自动化发展的延伸。但不知为何,这次感觉非同寻常。

我认为原因在于,计算型宇宙中有那么多丰富、易得的事物。我们可以打造一台能自动完成任务的机器。我们甚至可以建造一台通用计算机,通过编程来完成多样化任务。然而,即使这些自动化程序拓展了人类行动的界限,人类仍旧得在其中投入许多精力。

现在不一样了,我们只要明确任务目标,剩下一切都会自动完成。各种各样的计算(也就是所谓的“思考”)可能即使没有人类的介入也会持续进行。

乍看之下,似乎不太对劲。未经耕耘,怎能丰收?这有点像问大自然是如何自身拥有复杂性的。要知道,我们耗费巨大精力制造的物品,本身也并不太复杂。我认为,答案是它正在对计算型宇宙进行挖掘。对我们而言亦是同理:通过挖掘计算型宇宙的潜能,我们基本上达到了无限的自动化水平

当今世界上的许多重要资源仍然依赖于物质材料,这些材料通常从地球中开采出来。当然,一些地理和地质上的偶然性决定了合适的开采人员和开采地点。此外,可供开采的资源数量也是有限的。

然而,计算型宇宙的资源却是取之不尽用之不竭的,任何人都可以开采。在开采方面虽然存在一些技术性问题,不过也有一大堆优秀的开采技术。计算型宇宙拥有面向全球的无限资源,不存在稀缺性,更不“昂贵”。

计算思维之路

上个世纪最伟大的智力转变,或许是计算思维方式的出现。我常说,从考古学到动物学的范畴内,只要一个人在其中任选一个“X”领域,那么“计算型X”领域也将马上或很快出现,而这些“X”领域必将代表各自学科的发展方向。

我一直在努力尝试发现这样的计算领域,开发Wolfram语言便是一例。不过,我对元问题也很感兴趣:应该如何传授抽象的计算思维,比如教给孩子们?作为一种实用工具,Wolfram语言无疑非常重要,但其概念、理论和基础又是怎样的?

这就是《一种新科学》诞生的缘由。它主要讨论纯粹抽象的计算现象,而非在特定领域或任务中的应用。这有点像初等数学:只是通过引入数学思维来促进教学和理解,无关具体应用形式。《一种新科学》的核心也是如此。我们需要知道,看重直觉和引入计算思维模式的计算型宇宙与具体的应用程序无关。

人们可以把它看作是一种“前计算机科学(pre computer science)”或“前计算型X(pre computational X)”,在讨论计算过程的具体细节之前,人们可以只研究计算型宇宙中简单而纯粹的事物。

确实,在孩子学会算术之前,他们也完全可以做一些像元胞自动机填色卡片书之类的东西,自己执行或者在计算机上运行一些简单程序。这能教会他们什么吗?其实,它教导孩子们学会为事物定义规则或设计算法,让他们知道使用它们会带来一些有用且有趣的结果。同时,它让像元胞自动机这样的系统生成一种视觉模式,比如,人们甚至可以在自然界中找到这些原型(就像软体动物的壳)。

随着世界更加计算化——更多事情可以被人工智能和对计算型宇宙的挖掘完成——不仅理解计算思维变得极具价值,在探索计算型宇宙中养成的直觉也变得非常重要。在某种意义上,这种直觉是《一种新科学》的根基。

还有什么要弄清楚的?

在写作《一种新科学》的10年时间里,我的目标是尽可能回答所有关于计算型宇宙的“显著性问题”。站在15年后回顾,我自认为做的不错。事实上,如今在考虑该用计算型宇宙做些什么时,我发现自己很可能已经在书或者笔记里谈论过了。

过去15年中最大的变化之一,是我逐渐更深入地了解了这本书的意义。书中有许多具体的概念和创见。但从长远来看,我认为最重要的是,它们作为应用和概念的根基,如何帮助人们理解和探索一系列新事物。

但即使在计算型宇宙的基础科学方面,人们仍然希望获得一些具体的结果。比如,试图发现更多证据来证实或证伪计算等价性原理及其适用性。

像大多数科学一般原理一样,计算等价性原理的认识论地位比较复杂。它是一个可被证明的数学定理吗?它是宇宙的自然法则吗?或者说它是一种对计算概念的定义?或许可以说,它更像热力学第二定律或自然选择学说,是这些的结合。

但有一点很重要,那就是发现具体的证据来证明(或证伪)计算等价性原理。该原理表明,即便简单规则系统也应能进行任意复杂的运算,因而它们也可以充当通用计算机。

事实上,这本书的主要结论发现,该原理也适用于最简单的元胞自动机(规则110)。该书出版五年后,我决定为另一项证据设立奖项:能想到的最简单的通用图灵机(universal Turing machine)。我很高兴短短几个月内就有人获奖,图灵机被证明是通用的,此外还发现了一些证实计算等价性原理的证据。

在推进《一种新科学》的应用上还有很多事要做。比如,有待建立的适用于各种系统的模型,有待发现的技术,有待创造的艺术,要理解这些含义还有许多工作要做。

但很重要的是,不要忘记对计算型宇宙进行纯粹理论研究。以数学类比的话,应用数学值得追求,“纯粹数学(pure mathematics)”同样有探索的巨大价值。计算型宇宙也是如此:需要探索很多抽象层次的问题。正如书名所暗示的,现在已经可以定义一门新学科了:一门纯粹的计算型宇宙科学。我认为《一种新科学》的核心成就开启了一门新学科,我将其视为自己的最大成就。

本文首发于Stephen Wolfram的博客。

STEPHEN WOLFRAM

图片
英国科学家,UIUC兼职教授,美国数学协会院士,以粒子物理学、元胞自动机、宇宙学、复杂性理论、计算机代数系统上的研究成果闻名于世。代表作《一种新科学》。

翻译:自天然;校对:tangcubibi;编辑:EON

原文:https://www.wired.com/2017/05/a-new-kind-of-science-a-15-year-view/

郑智捷教授推出共轭复向量逻辑系统,可消除矛盾与悖论!

经典向量逻辑与共轭向量逻辑表示的区别与联系

原文:https://blog.sciencenet.cn/blog-629831-1404564.html

已有 121 次阅读 2023-10-3 17:18 |个人分类:共轭体系|系统分类:科普集锦

连接悖论是公元前三世纪战国时期名家代表人物,公孙龙提出“白马非马”辩题的现代名称。以古希腊说谎者悖论为基础1931年哥德尔建立不完备性定理,彻底破灭希尔伯特公理化数学基础的梦想。逻辑悖论在历次数学革命发展历程中对催生和巩固新型逻辑数学体系发展起到核心作用,连接悖论将在未来普及和开发复杂动态系统的自洽无悖逻辑计算研究发展和应用中起到重大基础性贡献。

本博客通过PPT,展示在并行和同步逻辑运算的环境中超级并行计算机、万维网、人工智能AI、元宇宙 Metaverse、ChatGPT、神经网络等最新的前沿复杂动态信息/通讯系统,基于经典逻辑系统 DNF 或者 CNF 范式实现不同的逻辑函数,将无一幸免地内蕴连接悖论。

然而,新型向量逻辑体系-共轭逻辑可以完善地从复杂动态系统中系统地消除该类悖论,为未来先进逻辑计算研究发展和应用奠定无悖实现基础。扼要介绍参考下列PPT,针对系统整体分析可视化模型参考博文 https://blog.sciencenet.cn/blog-629831-1398655.html 

更为详细地描述参阅专著 Conjugate Construction of Quantum Optics: https://novapublishers.com/shop/conjugate-construction-of-quantum-optics-from-foundations-to-applications/

Slide25.jpg

转3:数学基础理论重大原创性突破,填补国际空白

数学基础理论重大原创性突破,填补国际空白

科研人员2023-08-17 21:52发表于北京

在 2023 年 8 月 16 日召开的第六届国际信息研究大会圆对数与信息技 术前沿创新专题研讨会上了解到,中国圆对数团队在基础数学理论研 究中取得了重大原创突破性成果“汪一平圆对数理论 ”,填补国际空 白。这一理论核心创新点是建立“群组合-圆对数 ”数学理念,创新 性的提出以概率、拓扑、中心零点为核心,以圆函数为底的对数。

团 队领军人,国际信息研究大会圆对数分会主席汪一平介绍说,任意无 穷集都可以自洽、平衡、转换,分解为“数值特征模 ”和“位值圆对 数 ”,在“0 或[0 到(1/2)到 1]或 1 ”数域,以完备性跳跃与相容性 连续过渡形式展开,实现零误差计算;改革传统微积分为动态方程, 改造识别模式为正圆模式,建立三维复分析和三维网络空间。该理论 体系可以把当前“算术-代数-几何-群理论-科学工程计算 ”能统一用 “一个简单公式 ”描述,将为新能源、人工智能、信息技术等前沿科学创新发展提供重要理论支撑。

pic1

汪一平在大会做报告

国际信息研究学会主席、发展中世界工程技术科学院院士、机制主义通用人工智能理论创始人钟义信认为,由于人工智能研究对象的变化, 范式亦发生了巨大变化,需要深度的人工智能范式革命。

圆对数理论正好与范式革命的需求相吻合,可作为范式革命的数学理论基础,需要大力深化研究合作,建立新条件下的人工智能理论体系。中国人  工智能学会发起人,原西北工业大学人工智能研究所所长何华灿教授认为,该理论成果是可以重塑世界数学体系的重要基础理论创新,在范逻辑中应用,可实现圆对数理论与范逻辑理论深度融合,实现理论研究和应用突破。

pic2

北方工业大学李小坚教授,认为把理论基础表述工  作做扎实,该理论将成为被各界易于认知和使用的理论。圆对数理论  作为重要基础理论创新,将在人工智能、新能源、信息技术等世界前  沿技术、工程科学创新发展和理论研究中起到重要作用。在解决我国卡脖子技术,实现弯道超车,引领我国前沿技术发展,在世界前沿技术竞争中取得领先优势,对我国自主技术创新与引领产业发展具有重要意义。

著名共轭体系研究专家,云南大学软件学院郑智捷教授认为,共轭体 系与圆对数理论有共同的基础,其将为圆对数发展提供参考和验证辅 助。计算领域专业人士李敏博士,结合三分法等数学分析理论体系, 很好解释了该理论体系的客观性和科学性。西南交通大学葛林富副教 授对该理论给予高度认可,借鉴其中[0, (1/2),1]等思想,很好的解决了黎曼“金钥匙 ”和素数问题。

中铁研究员苟华建认为,圆对数理论是基础数理学科的新探索发 现,以 0 1 单位圆为基模的多项式函数,可以简明地解决众多数理难题,是大数学基础性的思想突破。

原黑龙江电力局科技中心高工、国家化工行业生产力中心实验室主任尹波在工程实验领域将圆对数用于我国首台渗透能发电电站的新型水能动力舱发电机组的设计中,历时 6 年经历近千次实验,2022 年底获得了一致通过和好评!使用安全,运营经济可靠。从实验上证实了圆对数理论的科学性。这是对圆对数理论的重大应用性支持与检验。

中科院计算所高级工程师、工信部评估专家翟冬青指出:(一)一个 实体,可以有无数个相似体。(二)相似体之间可以进行数值模拟, 模拟的离散数之间可以进行关联。因此,数学四维和物理四维,可以在圆对数原理中得到一致性的推演。如图:

pic4

  • 套层的“球面”之间是94671 亿公里的直线距离——距离就是非同时性的四维!
  • 物理四维就是非同时性。

大会期间,国际信息研究学会主席、发展中世界工程技术科学院院士 本次大会主席钟义信教授亲临圆对数团队会场,交谈一个半小时,并 给出了重要工作指导意见和亲切鼓励。大会还宣布了今年中国人工智 能学会基础理论创新特等奖五项,圆对数团队在去年荣获特等奖的基础上,又被授予基础理论创新特等奖。

pic3

pic5

特等奖颁发现场

20230906185510

记者从会上获悉,中国圆对数团队下一步工作目标是:

1、联合各界  有兴趣的专家学者和研究机构,共同研究探讨圆对数理论的科学性, 完善圆对数理论规范性表述,开展创新合作,在应用中研究发展理论。

欢迎各界积极参与合作!

2、努力解决世界性数学难题,推动世界数学理论进步。

3、制作人工智能新颖算法框架和新一代芯片架构,具 体有:

(1)、人工智能新颖数据库:以自然数{1,3,7,9}和{2,4,6,8}及零点{5=0}的四元素存储器,存储无穷信息的五进制概率-拓扑、“2D/3D 高维网络 ”数据库,满足程序简单,存算一体的小型化、信 息化、智能化的高效搜索学习。

(2)、人工智能新颖程序:以自然  数{1,3,7,9, (5),2,4,6,8}及零点{10=0}的四光子双螺旋十进制程序  语言设计,同构一致的计算时间与控制,满足各类科学工程计算问题, 具有程序可靠、可控、省时、低成本、零误差的超级计算功能。

4、 推动在工程中应用,制作各种旋转机械工程热力机,“零点激发 ”产 生不对称性超能与人工智能控制结合,向大自然高效率获取新能源。

5、实现与范逻辑研究、人工智能范式革命研究的相互支持与包容发  展。推动人工智能从感知智能向认知智能、人机协同混合智能演进,提升系统自主性的机器学习微型化,推动 AI 与无人系统加速融合。

pic7

汪一平圆对数理论是由中国学者汪一平领衔,经过数十年不懈努力, 在传承国内外前辈数学家成果,整合近代数学 400 年来数学基础上,提出的新颖、独立、可靠的数学理论体系,建立“群组合-圆对数 ”理论,该理论体系主要有:一、圆对数公理化假设“ 自身除自身不一定是 1 ”, 成为功能强大、稳定、可控的无穷圆对数构造集;二、算术四则运算“加与减、乘与除、乘与加 ”互逆性规则;三、证明整 数性、同构性、互逆不对称性[0, (1/2),1]的三个规范不变性定理。 群组合-圆对数是以群组合单位圆为底的对数整数性展开,一般式:

W= (1- η2)K {W0}K(Z±S)/t

(1- η2)K= { 0 or [0 to (1/2) to 1] or 1}K(Z±S)/t

《国际信息研究大会》是由国际信息研究学会于 2013 年发起并主办的系列性国际学术大会,两年召开一次。

20230905114637

大会与会人员合影照

 

转2:第六届国际信息研究大会在京举办_中国网客户端

转:第六届国际信息研究大会在京举办_中国网客户端 http://t.m.china.com.cn/convert/c_mwJKtQQz.html

中国网 2023-08-15 17:00

8月14日,以“信息领域学术研究的进展、问题与范式变革”为主题的第六届国际信息研究大会在北京邮电大学成功举办。

两年一度的《国际信息研究大会(International Conference on the Study of Information)》是由国际信息研究学会(International Society for the Study of Information)于2013年发起并主办的系列性国际学术大会。本次大会首次在中国举办,并由北京邮电大学首次承办,吸引来自全球信息及相关领域众多科技工作者线上线下参会和关注。

大会的宗旨是交流近年世界信息学科领域科学研究的进展与成果,分析本领域科学研究存在的问题和困难,探讨本领域科学研究未来发展的方向和路径。本届大会邀请到国际信息研究学会联合主席Pedro Marijuan,世界工程组织联合会前主席、发展中世界工程技术科学院主席Dato Lee Yee Cheong,联合国教科文组织东亚地区办事处主任、首席代表Shahbaz Khan,英国沃维克大学(The University of Warwick)教授、英国社会科学院院士Steve Fuller,国际信息处理学会前主席、著名信息处理学家Eunika Mercier-Laurent,发展中世界工程技术科学院院士、国际信息研究学会主席、机制主义通用人工智能理论创始人钟义信,中国人工智能学会发起人、人工智能逻辑学家、泛逻辑理论创始人何华灿,中国信息经济学会前理事长、电信专家杨培芳等数十位学术领军人物和行业大咖做了富有突出创新特色的精彩特邀学术报告,还有数百位学术骨干和青年学者围绕信息哲学、信息科学(含智能科学)、信息技术(含人工智能)、信息经济、信息社会、人工智能教育发展战略等相关内容展开热烈的学术交流。大会从8月14日到16日持续举办三天,主论坛与各分论坛相互联系相互支持,构成了信息学科的完整学科架构、数字社会发展的完整生态。

(联合国教科文组织东亚地区办事处主任、首席代表Shahbaz Khan线上致辞)

(国际信息研究学会联合主席Pedro Marijuan代表主办单位致辞)

(北京邮电大学人工智能学院副院长、教授刘勇代表承办单位致辞)

(马来西亚科学院创院院士李怡章现场致辞)

本次大会的召开恰逢人工智能领域GPT系列产品陆续问世,在学术界和广大公众引发了激烈争论和担忧:GPT是否已经真正拥有了理解能力?人工智能是否已经在一定领域和一定程度超越了人类智能的水平?人工智能全面超越人类的“奇点”是否已经指日可待?人类的前途命运究竟何去何从?

面对事关人类前途命运的这些重大问题,本届大会给予了最高程度的关注。由发展中世界工程技术科学院院士、国际信息研究学会主席、机制主义通用人工智能理论创始人钟义信在大会发表的以《人工智能的范式革命》为题的主题报告指出:一方面,GPT系列在技术上做出了巨大的努力,在许多技术环节都几乎做到了极致,取得了让公众惊叹的效果;另一方面,GPT依然遵循着传统学科的范式(科学观和方法论),依然没有真正的理解能力,没有足够的可信度,没有真正的智能,因而人们不能过分乐观,也没有理由引起恐慌。在此基础上,主题报告阐明了学科范式的基本概念、人工智能范式革命的基本理论、以及在信息学科范式引领下发现“信息转换与智能创生定律”这一“通用的智能生成机制”,从而创建了通用人工智能理论的全部学术进程,指出:只有人工智能的范式革命才能真正开创人工智能健康发展的道路,建立通用的人工智能理论。

(发展中世界工程技术科学院院士、国际信息研究学会主席、

机制主义通用人工智能理论创始人钟义信作大会主题报告)

主题报告进一步指出:真正的通用人工智能系统不是“巨无霸”系统,而是以“通用的智能生成机制”去解决千变万化的应用问题。同时,要正确理解“智能与智慧”的联系与区别。人工智能机器的工作性能(工作速度、精度、耐度)都会远远超越人类,这是它们的价值所在;但是“解决什么问题?达到什么目标?”这些人类智慧专有的事项都要听从人类的安排。人工智能的使命是协助人类从自然力的束缚下获得解放,而获得解放的人类则把自己的聪明才智用在“发明与发现”等创造性劳动上。于是,人类(凭借人类智慧)提出问题,人工智能机器(通过学习人类智能)解决问题,二者和谐合作,形成最先进的社会生产力。主题报告认为,人工智能机器没有生命,没有欲望和目的,只会按照人类设定的目标去工作。所以,如果人工智能机器伤害了人类,违犯了伦理道德,那么,应当追究的,是这些机器的人类设计者。

(圆桌讨论环节,各位专家对信息领域学科各抒己见)

主题报告之后的圆桌会议邀请了国外两位专家(英国沃维克大学教授、英国社会科学院院士Steve Fuller,世界工程组织联合会前主席、发展中世界工程技术科学院院长Dato Yee Cheong Lee)和我国信息哲学领域邬焜教授、信息科学与技术领域何华灿教授和汪琣庄教授、信息经济学领域杨培芳教授和信息社会学领域欧阳康教授、中国航天局专家刘亚作为发言人,从多种角度对主题报告进行评论。大致的共识是,由于科学研究对象从“只研究物质客体”发展到“不仅要研究物质客体、而且要研究人类主体、尤其要研究主体与客体之间相互作用所产生的信息生态过程”,相应地,研究所遵循的科学观和方法论(统称为范式)就要从“物质学科的范式”转变为“信息学科的范式”。这是时代进步的要求。

8月14日下午至8月15日下午,大会的各个分论坛将展开广泛而深入交流,实现信息学科发展的生态链(信息哲学—信息科学—信息技术—信息经济—信息社会)的相互沟通和相互交流,从信息学科生态连的整体上促进学科的协调发展。

8月16日上午大会将聚焦于人工智能教育发展论坛并对人工智能智新杯大赛获奖者颁奖。然后,将发布“人工智能范式革命”的大会宣言作为本届大会的学术总结,吹响人工智能范式革命的号角。