炒股配资门户网官网 LeCun和哈萨比斯「吵」起来了：「通用智能」到底存不存在？

编辑｜+0

今天 AI 圈最大的热闹莫过于 LeCun 和在推上「吵」了起来炒股配资门户网官网。

事情的起因，源于 Yann LeCun 最近的一次「火力全开」。前段时间，一位博主发布了一段 LeCun 的访谈剪辑，LeCun 在播客节目中表示：「通用智能」不存在，是彻头彻尾的胡说八道。

播客地址：https://www.youtube.com/watch?v=7u-DXVADyhc

他的观点很犀利：我们之所以会有「通用」的错觉，是因为陷入了幸存者偏差，我们只能意识到那些我们能想象出的问题，却忽略了海量位于人类认知盲区之外的、我们根本无法构想的任务。人类在棋类等任务上表现差劲，并且动物在许多其他领域胜过我们。

以下是 LeCun 的原话：

根本就不存在所谓的通用智能（general intelligence）。这个概念完全讲不通，因为它实际上是被设计用来指代人类水平的智能的。但人类智能其实是高度专用化的。好吧，我们确实能很好地应对现实世界，比如导航以及诸如此类的事情。我们也能很好地应对其他人，因为这是我们进化的结果。但在国际象棋方面，我们却表现得很差。所以，实际上有很多任务我们都做不好，而在这些方面很多其他动物都比我们要强得多。这意味着什么呢？这意味着我们是专用的。我们自以为是通用的，但这仅仅是一种错觉，因为所有我们能理解的问题，恰恰都是我们能构想出来的，对吧？反之亦然。所以，我们只是在所有我们要能想象到的问题上是「通用」的。明白吗？但其实还有很多问题是我们根本无法想象的。对此有一些数学论证，除非你问我，否则我不打算在这里深入探讨。总之，所谓的通用智能这个概念，完全是无稽之谈（BS）。

该帖引发了广泛的讨论，支持者称其为「现实主义」和「人间清醒」。

批评者则认为其用夸张言论博取关注。

本来大家以为这只是 LeCun 的日常输出，没想到引来了另一位大佬：Google DeepMind 的掌门人 Demis Hassabis。

今天，Hassabis 引用了该帖，直接正面硬刚。这一下子就把讨论热度拉满了（近 700 万围观）。

他认为LeCun 混淆「通用智能」和「普适智能」。虽然「天下没有免费的午餐」（没有算法能完美解决所有问题），但人类大脑和 AI 基础模型近似于图灵机。只要给够时间、内存和数据，理论上啥都能学。

最精彩的是他对「下棋」的回应：人类大脑的出厂设置明明是为了在大草原上「采集和狩猎」的，结果我们用这套硬件不仅发明了国际象棋，还造出了波音 747。这难道还不算「通用」得令人惊叹吗？

以下是 Hassabis 的原话：

Yann 在这一点上完全错了，他混淆了通用智能（general intelligence）与普适智能（universal intelligence）。大脑是我们目前在宇宙中已知的最精妙、最复杂的现象，而且它们实际上具有极高的通用性。显然，人们无法绕过无免费午餐定理，因此在一个实际且有限的系统中，针对正在学习的目标分布，总是必须存在一定程度的专业化。但关于通用性的重点在于：从理论上讲，在图灵机的意义上，这样一个通用系统的架构只要给予足够的时间和内存（以及数据），就能够学习任何可计算的事物。而人类大脑（以及 AI 基础模型）都是近似的图灵机。最后，关于 Yann 对国际象棋选手的评论，人类最初能发明国际象棋（以及现代文明的所有其他方面，从科学到波音 747！），这本身就令人惊叹，更不用说像 Magnus 这样的人能达到如此辉煌的水平了。他可能不是严格意义上的最优解（毕竟他的记忆有限，决策时间也有限），但考虑到我们的大脑原本是为了狩猎采集而进化的，他和我们所能做到的事情简直不可思议。

许多人同意 Hassabis 的观点，认为人类大脑的适应性和创造力证明其通用性。

也有许多中立的讨论。

LeCun 本人也很快回复了 Hassabis。

LeCun 并没有退让，他认为这不仅是词汇定义的问题，更是数学事实：理论上可行不代表实际上有意义。就像视神经传递的信息量是巨大的，能在这么庞大的数据里找到规律，人类能理解的那一小部分世界，在数学概率上简直微乎其微。

比起惊叹于人类「能造波音 747」，LeCun 更倾向于感叹人类「居然能在充满随机熵的宇宙里理解这么一点点东西」，这才是奇迹，但这依然改变不了我们高度「专用」的本质。

以下是 LeCun 的原话：

我认为分歧主要在于词汇的定义。我反对使用「通用」（General）一词来指代「人类水平」（Human Level），因为人类是极度专业化（Specialized）的。你可能不同意人类思维是专业化的这一观点，但事实的确如此。这不仅关乎理论上的能力，更关乎实际效率。显然，一个受过恰当训练且拥有无限纸笔的人脑是图灵完备的。但在处理绝大多数计算问题时，它的效率极低，这使得在资源受限的情况下（例如下国际象棋），人脑的表现是高度次优的。让我打个比方：理论上，一个双层神经网络可以以任意精度逼近任何函数。但在实践中，几乎每一个有意义的函数都需要在隐藏层中包含数量大到不切实际的单元。因此，我们使用多层网络（这实际上正是深度学习存在的根本原因）。再看另一个论点：视神经拥有 100 万根神经纤维。让我们做一个简化的假设，即信号是二元的。因此，视觉任务就是一个从 1E6 比特到 1 比特的布尔函数。在所有可能的此类函数中，大脑能够实现的比例是多少？答案是：微乎其微的一部分。 100 万比特的布尔函数总数是 2^(2^1E6)，这是一个难以想象的巨大数字，大约是 2^(1E301030) 或 10^(3 x 1E301029)。现在，假设人脑有 1E11 个神经元，也许有 1E14 个突触，每个突触用（比如说）32 比特表示。那么，指定整个连接组所需的总比特数最多为 3.2E15。这意味着整个人脑可表示（可计算）的布尔函数总数最多为 2^(3.2E15)。与 2^(1E301030) 相比，这是一个极小的数字。我们不仅不是通用的，而且是极其专业化的。可能的函数空间是巨大的。我们之所以没有意识到这一点，是因为这些函数中的大多数对我们来说都难以理解地复杂，看起来完全是随机的。我喜欢阿尔伯特·爱因斯坦的这句名言：「这个世界最不可理解的事情，就是它是可以理解的。」在世界所有可能的随机组织方式中，我们实际上能找到一种方法去理解其中的一小部分，这真是令人难以置信。我们不理解的部分，我们称之为熵。宇宙中的大部分信息内容都是熵：那些我们要么无法用微弱的思维去理解，要么选择忽略的事物。

这场神仙打架，自然少不了各路大佬的围观。

谢赛宁显然是支持 LeCun 的。他推荐了 Frans de Waal 的书《Are We Smart Enough to Know How Smart Animals Are?》（我们足够聪明到知道动物有多聪明吗？），表示这本书彻底改变了他对人类智能和动物智能的看法，让他感到更谦卑。

他的潜台词很明显：人类别太自恋了，动物的智能远比我们以为的要复杂，这种「通用性」的优越感该放放了。