0
| 本文作者： 岑大師 | 2025-11-07 14:35 |
當一位德國頂尖科學家把《易經》稱作“二進制祖先”，并斷言下一代 AI 必須靠“人文學者的想象力”突圍，這或許意味著：真正的通用人工智能，或許要先在思想史里通關。
作為一位享譽國際的科學哲學家和復雜系統理論權威，歐洲科學與藝術院院長、慕尼黑工業大學榮休教授 Klaus Mainzer 不僅是連接數學邏輯與現代科技的橋梁，更是洞察人工智能時代人類命運與責任的戰略思想家。
在最近雷峰網對 Mainzer 院長的深度專訪中，他不僅全面回顧了 AI 理論從圖靈到量子計算的發展脈絡，更犀利地指出了 AGI 無法繞開的哲學困境、工程創新的全球轉移，以及培養未來人才最迫切需要的教育系統變革。
從萊布尼茨（Leibniz）在 17 世紀對《易經》陰陽符號的擴展研究，到 1936 年圖靈那篇奠定數字時代的《論可計算數》，再到今天試圖用“模擬計算”破解停機問題的接口項目——Mainzer 用一條清晰的“思想鏈”告訴我們：AI 的每一次躍遷，背后都站著哲學家、語言學家、邏輯學家、現象學家甚至外交官；人文與科學并非“兩種文化”，而是一條麻花辮，越擰越緊。
訪談伊始，Mainzer 院長就直指現代 AI 的理論限制。他承認 AI 在數據驅動的模擬方面能力驚人，但其根基仍受制于形式化思維。他援引邏輯學史上哥德爾（G?del）的“不完備性”最終被根岑（Gentzen）以“超限數”概念所克服的案例，強調 AI 的邏輯困境并非不可逾越。
然而，一旦進入 AGI 的核心地帶，Mainzer 院長提出了一個尖銳的哲學挑戰：機器能模擬情感，但能擁有“靈感”嗎？
“機器可以模擬各種情感表達，我對此毫不懷疑。但區別在于創造力。一個作曲家需要的是情感和靈感。”
他指出，AGI 面臨的真正障礙是“具身性”（Embodiment）的哲學鴻溝。Mainzer 院長推測，未來或許能通過神經生物學創造出具備“活體組織”和“情感”的人造有機體，屆時 AGI 才有可能具備真正的創造力。
在技術基礎的討論中，Mainzer 院長指出，當前的 AI 架構仍沿用馮·諾依曼（Von Neumann）架構，核心是圖靈機定義下的可計算函數理論。這是所有現代計算機的數學基礎，從未改變。
然而圖靈在生命的最后兩年，發表了關于“形態發生的化學基礎”的論文，這篇論文正是關于耗散相互作用的簡單系統如何產生復雜結構涌現（Emergence）的開端。而Mainzer 院長的“復雜系統、人工智能與新興技術”書系，正是源于圖靈所開辟的兩條理論路線。
結論毋庸置疑： 無論是 AI 的符號計算，還是未來對復雜結構涌現的研究，其思想根源都指向圖靈這位偉大的跨界思想家。
在談及 AI 的發展前景及新興技術對 AI 的協同效應，Mainzer 院長認為，量子計算的疊加原理等新原則，有望打破數字計算機在醫學影像重構等高風險領域精度上的理論下限，是解決 XAI（可解釋性 AI） 權衡困境的關鍵技術。
同時他還指出，21 世紀的競爭已不再是單純的“理論創意”競爭，而是“工程實現”的競爭。
“（在歐洲）人們有很多美好的想法，但技術突破主要不在歐洲，而是在美國或中國。”
他以量子通信（歐洲提出理論，中國實現衛星通信）、火箭技術（德國發明，美國實現登月）和特斯拉（歐洲人發明，去美國實現商業成功）為例，強調“創新不僅在于想法”，更在于將理論轉化為大規模工程實踐的決心和能力。
面對 AI 時代對人才提出的全新要求，Mainzer 院長發出了最迫切的呼吁：教育系統必須進行整合性變革，消除學科壁壘。
他毫不留情地批評了當前計算機科學教育的“失敗”：過于側重編程訓練，而缺乏建模能力。他認為，物理學家所具備的“系統思維”和“建模世界”的能力，才是實現未來突破的基石。
“你必須接受這種教育：建立模型，用數學描述它。”
他鼓勵年輕一代：要“保持開放心態”，在電氣工程、計算機科學、物理學和人文學科的邊界上，勇敢地尋找“連接”。
在訪談的最后，Mainzer 院長總結了 AI 時代人類必須問自己的最重要問題：責任（Responsibility）。人類是地球上唯一無法停止創造力的物種，但這種力量也賦予了我們摧毀的能力。我們必須同時意識到自己的力量，以及對氣候危機、能源問題和所有物種所承擔的倫理責任。
以下是對 Klaus Mainzer 院長采訪的實錄。我們誠摯邀請您，深入閱讀訪談全文，去探索 Mainzer 院長所描繪的那個充滿挑戰、卻又充滿無限可能性的未來世界。（限于篇幅，雷峰網(公眾號：雷峰網)AI 科技評論進行了不改原意的編輯整理）
01
AGI 的邊界：為何人類創造力無法被“模擬”？
岑峰： Mainzer 教授，感謝您接受采訪。首先，我想贈送您一本我寫的書——《中國人工智能簡史》。在研究中國人工智能歷史的過程中，我發現社會科學家和哲學家在人工智能發展的早期階段發揮了重要且積極的作用。
作為歐洲科學與藝術院的院長，從您的角度來看，人文學科和社會科學在歐洲人工智能發展的歷史中扮演了什么樣的角色？您又如何看待歐洲人工智能發展中“兩種文化”，即科學和人文學科之間的歷史關系？
Klaus Mainzer： 這是一個很好的問題，因為中國和歐洲之間的聯系至少可以追溯到 17 世紀末。我在德國最喜歡的學者是著名的數學家和哲學家萊布尼茨（Leibniz）。在 17 世紀末期，他受到了源自中國的早期思想的啟發，那就是《易經》，因為它蘊含著一些二進制符號的概念：我們看到的斷線和實線。這些符號是自然界力量的一種編碼，也是一種思想。
他能接觸到這些并受到啟發，是因為在 17 世紀末，法國耶穌會與中國的宮廷之間有著密切的聯系，而萊布尼茨當時正是一位外交官。他受到這種二進制系統的啟發，然后發明了二進制算術。他當時并沒有電子實現的概念，只是受到數學思想的啟發。他認為只用簡單的 0 和 1 兩個符號，這正是數字最簡單的表示方式。
這個想法后來或多或少被遺忘了。直到 20 世紀，圖靈（Turing） 等人提出了數字計算機的概念。歐洲出現的另一個重要的連接點正是圖靈和他提出的圖靈機 (Turing Machine)。所有現代數字計算的想法都包含在他 1936 年發表的那篇著名論文中（編者注：指1936年出版的《論可計算數及其在判定問題上的應用》）。
我在演講中提到的不可判定性問題 (undecidability problem)，就是圖靈的起點：從邏輯的角度來看，原則上存在一些數字計算機無法解決的問題。那就是他著名的停機問題 (halting problem)。原則上，這個問題是不可判定的。這實際上是一個邏輯問題，意味著它不能通過加速數字計算來克服，這是一個限制。
起初人們認為：“這只有哲學家會感興趣。”接著是哥德爾 (G?del) 關于一定復雜程度形式體系的不完備性定理，這也是圖靈停機問題不可判定性的一個結果，這是數字計算的基礎，意味著我們現在所有的計算機都受到了限制。
在我學習數學和邏輯的時候，我記得在 1970 年，來自列寧格勒（今天的圣彼得堡）的俄羅斯數學家馬季亞謝維奇 (Matiyasevich) 提出了一個驚人的結果。他證明了希爾伯特（Hilbert）第十問題（關于丟番圖方程）在數學上等同于停機問題。這意味著你有一個原則上不可解的數學問題。
我在演講中強調的是，這一發現對現代計算產生了影響。因為在哥德爾、圖靈等人的結果出現 20 年后，有證據表明，如果你考慮的不是數字，而是實數，那么問題就可以解決。這是一個理論結果，因為當時我們并沒有一臺模擬計算機。
現在，有了我提出的關于類腦計算/未來計算的這些新想法，就有機會擁有一種腦導向的新型計算機。它將沿著這條思路發展，并解決這些問題。這意味著數字計算中原則上的限制可以通過這種實數計算來克服。在技術上，它的實現方式將是類神經形態意義上的模擬計算機。
岑峰： 非常有趣。讓我們來談談您的書系《復雜系統、人工智能與新興技術進展》 (Advances in Complex Systems, Artificial Intelligence, and Emerging Technologies)，這個書系背后的靈感是什么？
Klaus Mainzer： 實際上我的工作始于兩條根源。一條我之前解釋過，那是從圖靈到現代計算的數字計算。另一條根源是，我學習了數學、物理學、哲學和邏輯學。而這條根源是受物理學啟發的。
在物理學中，有統計力學對復雜系統的美妙應用。復雜系統僅僅意味著包含許多元素的系統。人們有時會感到害怕，因為他們認為：“這些復雜系統是不可預測的。”物理學中，拉普拉斯 (Laplace) 最初相信宇宙可以被視為一個封閉系統，能夠用可計算的數學微分方程來描述；但在 19 世紀末，另一位法國數學家龐加萊 (Poincaré) 證明，即使是一個封閉的、復雜的系統，當涉及兩個以上元素的相互作用時，多體問題 (many-bodies problem)的嚴格精確解也是不存在的。這意味著在實踐中，對于封閉系統，天文學家擁有的只是數值近似解。
然后，對于我關于這個主題的研究至關重要的一點是，要考慮開放系統 (open system)。開放系統在數學上是一個挑戰（或范式），存在于生物學、經濟學等各個領域，意味著系統與其環境之間存在相互作用。
這當中的基本思想是，在臨界值下，新結構會涌現出來。在上世紀七八十年代，人們首次找到了近似方法來解釋開放系統中的二階相變。這是開放系統研究的一個關鍵突破，有可能以數學上嚴謹的方式來描述開放系統中新結構的涌現。這種涌現不僅是在（無生命的）化學反應中，而且在生命科學中，我們也找到了數學模型來解釋這一點，比如蝴蝶翅膀上圖案的產生就可以通過二階相變在數學上得到描述。
岑峰： 那么您希望通過您的書系這個平臺，達成哪些主要目標呢？
Klaus Mainzer： 我的想法是：復雜系統方法在非常基礎的層面提供了對各地復雜系統的數學解釋。它不只存在于自然科學中，還存在于經濟學和廣義的社會科學中。
在我的第一本書《復雜性思維》中，它的成功之處就在于我不僅考慮了它在自然科學中的應用，還考慮了它在經濟學中的應用，例如市場中的波動 (turbulence in markets)。這可以通過數學物理 (Mathematical Physics) 來建模完成。這種方法可以對高度復雜的市場進行建模。雖然這些市場無法像拉普拉斯系統預測行星運行軌跡那樣進行精確預測，但你可以對相變的敏感性進行建模。
我認為，即使在經濟學中，你也可以獲得一個針對臨界值的預警系統。通過這類模型，你可以判斷：“我們現在的情況是，如果我們跨過這些臨界值，那么整個系統將變得不可控。”這是這種建模方法的巨大優勢。這些內容都在書系中被考慮，這也是我在 90 年代初就已經預見到的。
建模時使用微分方程，這在數學上很精妙，也有標準模型。但是如果你想在實踐中應用它，例如應用于中國市場或一個大型市場，你必須處理海量數據。我們在機器學習中知道，算法數學依賴于海量數據。
這就是背景。我們有了這種很好的復雜系統方法，現在再加上人工智能 (Artificial Intelligence)。當我提出這個想法時，我那些著名的資深同事認為，復雜系統科學與人工智能的結合這是一個很棒的想法。因為人工智能開啟了實現這一目標的可能性——我們現在擁有了強大的機器來處理這些復雜數據。
02
復雜系統中的 AI ：超越統計，重拾因果思維
岑峰：那么，在您看來，復雜系統理論與人工智能的應用之間最主要的差距是什么？您的這個書系將如何幫助彌合這個差距？
Klaus Mainzer： 現代人工智能與我們之前討論的歷史起源有所不同。因為人工智能的起源是非常邏輯導向的。這是我的起點，我的博士學位研究方向正是在圖靈的這條路線上。順便說一句，這條路線今天仍然是一個熱門話題。
我現在也在從事被稱為證明助手 (proof assistants) 的工作。這意味著我們擁有基于自動證明的邏輯系統，這是符號主義 AI 在圖靈傳統中提出的一個想法，即可以將數學證明過程自動化。這可以通過特殊的程序來實現。
例如，這是一個邏輯學中的古老思想：如果你有一個邏輯形式體系，你可能會關心這個形式體系是否正確？也就是說，這個系統中的所有形式推導，是否都代表了理論中的一個真命題？這就是邏輯通過形式命題進行形式化，然后由機器形式地推導出結論的想法。我們稱之為可滿足性 (satisfiability)。
現在，在計算機科學中的應用是：我們用規范 (specification) 來代替模型。如果你有一個形式體系來描述汽車行業的生產線，那么你的形式體系是否正確？其含義是，形式上推導出的步驟是否準確地描述了物理生產線上發生的事情？這就是可滿足性。
在邏輯學中，發展了許多方法，例如至今仍在使用的歸結法 (resolution method)。在德國斯圖加特，戴姆勒-奔馳公司的物流系統，正是完全基于這些邏輯思想完成的，用于組織復雜的客戶配置需求。
就軟件工程而言，我們可以更進一步。最終的想法是，在軟件工程和程序中，我們必須有控制機制來確保軟件程序是準確的、可以依賴的。這現在是通過證明助手來完成的。這意味著你擁有嚴謹的邏輯形式體系，它正在測試你的軟件是否按照你期望的正確方式行事。
這些證明助手在今天仍然具有相關性。我們在慕尼黑每年都會舉辦關于這些證明助手的國際秋季學校。邏輯學家、數學家、計算機科學家都在努力，因為我們現在希望將它應用于現代機器學習中那些非常復雜的程序。
今天的軟件不再是傳統 AI 中的那種傳統程序，現在我們有機器學習、神經網絡和統計學。所以問題是，如何讓證明助手來控制這些復雜的統計學方法。
在 AI 的經典方法中，核心是邏輯演繹 (logical deduction)。但現代機器學習的核心是統計學。因此，從方法論的角度來看，其核心是歸納 (induction)。你從有限樣本開始，通過計算統計期望值，試圖進行概括。這實際上是經驗科學中普遍采用的方法。這是現代機器學習面臨的挑戰。
我們的想法是：我們如何控制？現在機器學習界對它的可能性非常著迷，但我們有失去控制的危險：在海量數據中隱藏著哪些特征等等，沒有人知道。因此，證明助手的舊思想變得至關重要。我正在這方面努力。
因此，我希望這套書系，能將“舊的”嚴謹的邏輯和符號主義 AI 傳統與現代機器學習的統計學方法結合起來。
岑峰： 確實如此。數學是現代人工智能的基石。正如您所說，人們可能會失去理性，但我們可以利用數學來防止人工智能失去理性。
我有一個關于人工智能與復雜性的核心哲學問題。您的書系也關注“科學與技術哲學”。現在我們看到了很多生成式人工智能 (Generative AI)，在多大程度上您認為這種生成式人工智能正在挑戰我們關于知識、創造力和甚至現實的傳統哲學概念？
Klaus Mainzer： 這當然是一個非常關鍵的問題。根據我的經驗，我們現在正處于機器學習（即統計機器學習）的全盛時期。但問題是，盡管統計學習如此成功，它是否完全符合人類思維的模式？我認為并非如此。
原因在于，在工程科學中，工程師的成功并非通過精確模擬自然實現的。想想鳥的飛翔。最初，工程師們認為“我們必須模擬鳥”，結果失敗了。后來他們有了新的想法：必須考慮空氣動力學的基本原理，即數學方程。然后，利用這些方程找到完全不同的方法——我們今天的飛機，可以承載數噸的重量飛上天空，這在自然界中是不可能的。
我的觀點是，工程學上的突破，對于汽車等也同樣適用。最初他們試圖將模擬馬，但后來他們發明了電動機和其他完全不同的電機。
在現代機器學習中，我們發現它僅僅是受神經網絡的啟發，但工程師對解釋人腦并不感興趣。現在的神經網絡中，有很多發明是為了提高效率的規則，這些規則從未在人腦中被發現。例如，如果一個神經網絡在技術上是成功的，它的架構可能與我們已知的人腦完全不同。例如卷積網絡 (Convolutional Networks) 非常成功，但在人類或動物的大腦中從未發現過。
這也是我對統計機器學習的觀點：目前的統計機器學習非常成功，但它是通過使用大數據和海量數據來實現的。
然而，回顧科學史你會發現，牛頓并沒有海量的數據。伏爾泰所宣傳的經驗主義并不準確（編者注：伏爾泰在《哲學通信》中，提到了牛頓在花園中看到蘋果掉落，從而想到了萬有引力這樣的故事，但科學史學者們普遍認為這個故事是后人加工上去的，用來形象化牛頓的靈感）——即人們認為自然科學家觀察自然，收集數據，然后有了天才的想法。
實際上，引力定律并非通過觀察蘋果落地發現的，牛頓是將開普勒定律與他著名的力學第二定律（一個理論公理）結合起來找到了這個理論模型，然后一切都可以得到解釋。愛因斯坦的著名方程也是如此。愛因斯坦的數據也很少，他的預測當時看來是“瘋狂”的，但如今它被證實成為定律。
我的觀點是，統計方法依賴于海量數據和算法。這不是人類的創造力。 盡管人類智能的某些部分確實通過從數據中學習而起作用，但現代 AI 憑借的是通過驚人的海量數據取得成功，而我們的人腦沒有能力做到這一點。
舉一個非常實際的例子，如果牛頓擁有 ChatGPT 或 DeepSeek，他的策略將是獲取關于此類效應的世界上所有的信息，然后它會尋求（模擬出）一個公式。然而，如果你讓一個聰明的年輕人來解決某個問題，他們有時會提出連老師都感到震驚的解決方案。那是人類的創造力，它不能完全用統計學來解釋，例如因果思維 (causal thinking)。
因果思維正是我感興趣的地方。這與我解釋的牛頓和愛因斯坦的思路是一致的。這意味著，在自然界或社會中發現新定律，不僅是通過匯總數據和學習算法，而是通過因果思維。
舉個例子，在醫學中，找到某種化學物質與癌癥中腫瘤生長之間的統計相關性并沒有那么有趣。更有趣的問題是：導致癌癥中腫瘤生長的原因是什么？ 只有找到因果模型的根源，才能找到成功的治療方法。
是的，這不是現代機器學習乍看之下采用的方法。雖然有其他方法，例如馬克斯·普朗克研究所就在從事因果學習研究，可以從數據中識別因果關系的模式。
我的想法是，未來我們將擁有一些程序，至少在受限領域內，具有特定特征和特性，例如醫學的專業領域，你擁有滿足這些特征的海量數據，然后你有一個工具可以識別這些特征的因果交互和因果關系。當然，這還不能與牛頓和愛因斯坦的偉大發現相比，但至少在未來，這些受限領域將能夠實現因果思維。這是機器學習發展的一個新方向，它不是統計機器學習。
我的觀點是：統計機器學習不是最終的答案。 它現在非常成功。但在未來，我們需要新的突破，以繼續發掘人類創造力的無限潛力。
岑峰：是的，沒錯。人類可以用很少的數據獲得知識，但人工智能目前還不能。
Klaus Mainzer： 目前為止是這樣。這也是我最后一張幻燈片上的觀點。我們永遠不要說“永遠不”。這是對形式化思維的限制。
我記得的學生時代，剛接觸哲學時，一個成見是：“這家伙是學數學和邏輯的。首先我們會告訴他，‘自哥德爾以來，形式化是受限的。’”我說：“胡說！”
我的博士研究是關于圖靈那些天才的早期想法。圖靈的博士論文不是那篇著名的不可判定性論文，而是一篇關于證明論和現代證明論早期步驟的論文。圖靈提出了他的初步想法，與哥德爾非常相似——通過更高復雜度的程度來擴展經典證明系統，以探究超越不可判定性問題的范疇。
哥德爾證明了形式算術的相容性 (consistency) 不能通過理論本身的方法來判定。但一位早逝的著名德國邏輯學家格哈德·根岑 (Gerhard Gentzen)提出：如果我們將數學歸納法不僅擴展到自然數，還擴展到所謂的超限數 (ordinal numbers)，那么你就可以證明相容性（編者注：根岑1936 年經典論文《算術一致性的證明》首次引入超限歸納到序數 ε?，用序數歸納法給出一階皮亞諾算術的一致性證明，正是“哥德爾之后第一條通向‘超越不可證性’的路線圖”，1945年去世，年僅36歲）。這表明存在一個超越限制的世界，你可以繼續前進，克服極限。
我記得我的哲學家同事們對這種發現并不開心，他們會覺得，哦，我們現在有了限制。對于機器學習來說也是如此。他們會和我解釋：“哦，機器學習和統計學不能解釋人類的創造力。”是的，只能在某種程度上做到，但它是可以被克服的。
03
圖靈的影響：AGI 的哲學與技術
岑峰：我們看到像 OpenAI、谷歌這樣的大公司正在對通用人工智能（AGI）進行大規模投資。您如何看待這種 AGI ？在您看來，實現 AGI 的最大障礙是技術挑戰還是根本性的哲學問題？
Klaus Mainzer： 是的，這正與我之前解釋的思路完全一致。總而言之，永遠不要說得太絕對。AGI 也許是可能實現的，沒有人確切知道。但我能做的——這也是我的任務所在——就是非常嚴謹地分析特定工具的局限性。我們所有的算法都是工具，我總是首先有興趣以嚴謹的方式確定工具的限制。
這是一名工程師的任務：你有一個自古就有的好工具，但錘子不能用來解決所有類型的問題。對于這些現代的、高度精密的算法來說也是如此。但如果你知道了極限，你就可以尋求擴展。
現在回到通用人工智能的問題，如果通用人工智能意味著人類的能力，那么我們必須考慮一個關鍵點：我們所有的方法，數學方法，都是模擬 (simulations)。
這意味著，即使在現代機器人中，我們可以模擬聊天機器人的說話，以及移動等等。你可以訓練一個機器人。例如，舞者和藝術家身上配備傳感器，獲得大量數據模型，計算機和機器人就可以模擬這些數據，以越來越優雅的方式跳舞。
但現在談到通用人工智能的哲學問題。舞者所表達的不僅僅是模擬，它是一種表達——舞者現在表現出的關鍵點是情感 (feelings)。這不僅僅是模擬，這是一種情感。我毫不懷疑機器學習可以模擬各種情感表達。
但是，區別在于創造力。例如，一位作曲家，他也需要有某種情感。著名的作曲家貝多芬，在維也納森林中散步時被那里的氛圍所啟發，創作出了他著名的《田園交響曲》。這是一種靈感。當然，作為一名受過技術訓練的作曲家，他受過訓練，能夠像數學家一樣以嚴謹的方式寫下音符的序列。
著名的數學家不僅要能夠寫出正確的公式。想要成為貝多芬，或者成為高斯 (Gau?) 這樣的著名數學家，你必須要有想法。而這種創新是非常不同的東西。如果現代機器學習能夠進行創作，那么它最終總是處于模擬的范疇。
岑峰：機器沒有情感，只能做到模擬。
Klaus Mainzer： 是的。在哲學，尤其是在現象學中，我們稱之為具身性 (embodiment)。從最早的胡塞爾（Husserl）啟發了梅洛-龐蒂（Merleau-Ponty）的相關研究（編者注：胡塞爾是現象學創始人，在他后期的發生現象學中早已提及了具身性，并將其指向知覺具身），而當代討論中，有德雷福斯 (Dreyfus) 的研究，他們都強調了具身性。這意味著人類也有某種情感影響。
現在關鍵問題是：這對于通用人工智能是一個絕對的限制嗎？也許在未來，我們能夠創造出類似活體組織的東西，這屬于神經生物學范疇。神經生物學也在發展，我們越來越有可能創造出人造細胞、活細胞。因此，在未來，也許我們能夠創造出具有新的化學能力并擁有這些情感（即某種經驗）的有機體。這樣，最終就有可能擁有這些具身化的實體，它們也能夠具有創造力。
直到現在，這聽起來像科幻小說，但實際上，對我這個哲學家來說，它處于潛力的范疇內。問題是：我們應該這樣做嗎？ 去創造擁有自己的進化、自己的具身性、自己的情感的有機體？過去有一部非常有趣的科幻電影叫《機械姬》 (Ex Machina)。這正是片中的情景：天才計算機科學家與他的造物（非常聰明的女性）生活在一起，這些造物有自己的感情，然后她們有了自己的意志。
這有點像《圣經》里上帝和他的造物之間的關系。我認為這在未來不會被排除，但它將對我們構成倫理和法律方面的挑戰。工程技術不是全部。我們應該允許這種創新發展到什么程度？這將是一個重大的討論。
岑峰：具身化 AI 現在是個熱門話題，也許未來機器能夠表達情感。正如您所說，永遠不要說得太絕對。我們正在超越摩爾定律，我們正在打破馮·諾依曼架構。未來也許可以實現。
但是，隨著 AI 變得越來越精密，我們應該如何重新定義“智能”本身？圖靈測試是否仍然是一個相關的基準？或者我們需要新的框架來理解我們正在創造的這種非人類智能？
Klaus Mainzer： 我的觀點是，從數學的角度來看，即使是現代 AI 機器學習，實際上也基于圖靈的風格。如果你嚴謹地考察一臺現代超級計算機，它的硬件雖然略有不同，現在有 CPU、GPU，它的速度更快，但原則上它仍然是馮·諾依曼架構。這屬于圖靈風格，因為在圖靈機中，你已經有了處理器/控制單元與存儲器等的分離。
在硬件基礎的第一層，它仍然是可計算函數 (computable function) 的理論。因此，直到今天，理論計算機科學的學生在教育中仍然學習可計算函數理論。因為那是數學基礎，而這個基礎是基于圖靈的——這是我的觀點。
現在我們有驚人的計算機科學應用，這一點通常被遺忘了。那些厭惡數學的人，他們不知道在基礎層面，有數學，有可計算函數理論，這一點從未改變。所以，我們仍然處于圖靈風格。如果我們能實現具身化，這種情況或許會改變。
圖靈絕對是個天才。圖靈在他生命的最后幾年，遭遇了可怕的不公，很早就去世了。在他去世前兩年，他發表了兩篇關于復雜系統的完全不同的論文。論文標題是《形態發生的化學基礎》 (The Chemical Basis of Morphogenesis)，一個完全不起眼的標題。但他的工作正是我一開始談論的話題——復雜系統。很少有人意識到這也是圖靈的工作。
圖靈的想法是考慮一個非常簡單的化學反應系統，并考慮其中的耗散相互作用 (dissipative interaction)。他證明了，如果這兩個單元以耗散相互作用的方式耦合，系統就會失穩。
但接下來幾年后，著名的美國數學家斯蒂芬·斯梅爾 (Stephen Smale) 提出了一個想法，他將圖靈的線性方程系統推廣到非線性系統。在線性只能證明失穩的情況下，他在非線性的情況下，數學上能夠證明存在混沌解。這意味著復雜的結構正在涌現——這是一個突破。
而我們所做的工作（我對此發表過論文），是將這種方法推廣到所有類型的反應-擴散方程。然后我們可以說，對于這類微分方程，我們至少可以解釋和計算所有類型的復雜結構涌現。
我在這里想強調的是：即使是我書系的另一個主題——復雜系統，不僅是人工智能，實際上也植根于圖靈的思想。在（這兩者）的起源上，他都是開山祖師爺。計算機科學家通常沒有意識到這一點，因為他們通常不知道圖靈后期的這些論文。
04
從理論到工程：全球創新格局的“鐘擺效應”
岑峰： 您在演講中強調了量子計算。您是否認為，量子計算將在未來十年對人工智能產生深遠的協同效應？或者您認為還有哪些技術能對人工智能產生類似的協同效應？
Klaus Mainzer： 是的，我是這么認為的。這也是我在討論中被問到的，即類神經形態計算 (neuromorphic computing) 與當今另一個非常熱門且被廣泛討論的重大前景——量子計算 (quantum computing) 之間的關系。
量子計算將機器學習與 20 世紀自然科學的另一大突破連接起來——除了計算的開端之外，物理學的另一大突破是量子理論。量子物理學很重要，因為它描述了我們已知宇宙的基本定律。
這是偉大的物理學家費曼 (Feynman) 的想法。他提出這一理論的時間比較晚，大約在 60 年代，他說：“經典計算機只是在模擬經典世界。讓我們對量子世界也這樣做吧，因為據我們所知，真實世界（物理世界）是量子的。”這就是當今量子計算的基本思想。現在我們正處于發展階段，將 20 世紀的這些基本思想應用于量子計算。
回到我的書系標題——新興技術 (Emerging Technology)。20 世紀是科學基本思想發生驚人變化的一個世紀：相對論、量子物理學（主要由理論家用極少的數據得出），以及圖靈的計算理論。
但我認為，21 世紀主要由工程技術主導。這就是為什么我書系標題的第三部分——新興技術的突破——專注于量子計算。量子計算目前正處于我們已經估計到的階段，即它的理論基礎大多來自 20 世紀。現在建造量子計算機非常棘手，但它正在越來越多地被實現。
雖然我們尚未實現實用化的量子計算機，但我們現在處于一個階段（我所在的大學研究團隊正在進行這方面的研究），即量子形式體系已經被用來在經典計算機上模擬量子計算，即在超級計算機上。超級計算機仍然是圖靈機，它非常強大，雖然不如量子計算機強大，但可以在一定程度上模擬量子計算。當然，這需要經典計算消耗大量的能量和數據。
量子力學令人驚嘆，它具備疊加原理 (superposition principle) 等新的原則，將經典物理學的可能性遠遠地擴展開來。近幾年的諾貝爾獎，包括去年和今年，它們都與這些突破有關。
岑峰： 是的。
Klaus Mainzer：量子隧穿 (Quantum tunneling) 作為量子力學的一種可能性，自上個世紀就廣為人知。疊加原理等也是我之前提到的觀點。但現在我們找到了技術應用。
就創新而言，在古老的歐洲大陸，人們有很多美好的想法，或者說，這些想法大多是在歐洲發現的。但技術突破，我們不能說完全沒有，但（這些突破更多的）不在歐洲，而是在美國或中國。
例如量子通信。其思想可以追溯到歐洲。它源自尼爾斯·玻爾 (Niels Bohr) 到愛因斯坦（當時仍在歐洲）的思想，即 35 年的愛因斯坦-波多爾斯基-羅森 (EPR) 佯謬。它在 80 年代初也由法國的阿斯佩 (Aspect) 在巴黎得到證實，那就是量子糾纏 (entanglement) 的證實（編者注：阿斯佩小組把量子糾纏從哲學爭論變成經實驗檢驗的自然科學事實；這也被視為“第二次量子革命”的起點，直接催生了后來的量子信息學）。
后來，將量子糾纏用于量子通信的想法也在歐洲產生，由來自維也納的諾貝爾獎得主安東·蔡林格 (Anton Zeilinger) 等人提出。他是一名物理學家。在歐洲邁出了第一步。但最終是中國實現了它，因為他有一位來自中國的合作者，現在他在這里領導著量子互聯網、衛星技術等重大研究項目（我的最后一張幻燈片就是關于這個的）。
岑峰： 您是指潘建偉吧，他在歐洲學習過。
Klaus Mainzer： 是的。這是一個我們歐洲必須討論的難題，我們稱之為經濟創新 (Economic innovation)。創新不僅在于想法。例如，特斯拉 (Tesla)這位天才工程師。他是一位創新者，但后來為了成為一個成功的工程師，他去了美國，并在那里將想法推向市場。另一個例子是火箭。火箭是在德國由馮·布勞恩 (Wernher von Braun)，在我們歷史上非常黑暗的時期發明的。但在二戰結束后，他去了美國，并與約翰·F·肯尼迪 (John F. Kennedy) 一起建造了登月火箭。這就是創新。如今的中國也是如此。
我無法解釋，但這是必需的。我認為，突破是 21 世紀的典型特征。因此，在我的書系中，不僅關注復雜系統和人工智能等復雜問題，還關注新興技術——這是我們這個世紀的愿景。
岑峰： 我還有一個關于 AI 社會影響的問題。可解釋性 AI (Explainable AI, XAI) 是一個關鍵點，但在實踐中，我們經常面臨模型性能與可解釋性之間的權衡。我們應該如何解決這個問題，特別是在醫療或司法等高風險領域？
Klaus Mainzer： 醫療領域。我的演講中提到過一個與不可判定性 (undecidability) 等理論問題相關的應用，這些問題可以通過類神經形態計算 (neuromorphic computing) 來克服。當我向工程師和那些從事應用技術的人士（公司中的人）講述這些時，他們會說：“哦，這很有趣，但不重要。”他們認為數學家知道某些問題可以通過新方法解決是件好事，但這對實踐沒有影響。
然而，最近，大約一兩年前，在慕尼黑的一個研究小組中（我也參與了一點），我們發現這些不可判定性問題對醫學有實際影響。在醫學中，日常應用是醫學影像 (medical imaging)。影像意味著對原始物體（例如一個器官）進行了有噪聲的測量。現在的問題是：是否有可能從這些有噪聲的測量中重構出原始物體？準確度能達到什么程度？
這是一個典型的最小化問題（從數學上講），因為需要最小化噪聲。準確度能達到什么程度？這是機器學習的典型課題，因為神經網絡可以通過越來越好的樣本進行訓練，以逼近原始物體，從而實現重構。
但實際上，可以通過數學證明：原則上，數字計算機只能實現一定程度的逼近。現在，醫生們問我：這對我們有什么實際影響？因為我們沒有像數學家那樣追求嚴謹的逼近，我們只要在某種程度上滿意就行。但我的觀點是，醫學的目標是變得越來越可靠，因此對準確度的要求正在提高。
所以，對于實際使用而言，一個重要的應用是：這種精確重構只能達到一定程度，因為從數學意義上講，你可以證明逼近存在一個下限。另一方面，類神經形態計算原則上可能實現這種逼近。
所以，在數學中，你總是能得到什么是可能、什么是不可能的先驗框架。我認為這對實踐者來說是一個重要的信息，當然，這也取決于具體的實際應用。
我的觀點是：這就是這些理論與實際應用之間的聯系。當然，大家都知道現代計算機科學、機器學習在外科手術、訓練機器人等實踐問題上的驚人應用。我們正在慕尼黑籌備明年年初關于超級計算機在醫學、天文學等領域的會議。這些計算結果正在促成新的突破。這一切或多或少都取決于計算能力。
05
AI 時代人類的出路——整合教育與倫理責任
岑峰： 這正是人機協作為何如此重要的原因。所以，我們的教育系統最迫切需要哪些根本性變化，才能讓下一代具備“AI 素養”和“系統思維”？
Klaus Mainzer： 這是我演講中的最后一點：教育系統。我們應該怎么做？我的經驗是：幾年前我在牛津做了一個演講。之后我們討論了教育問題。在英國，人們告訴我，他們的經驗是：計算機科學教育犯了一個很大的錯誤/沒有達到目標。
我的同事在十年前也對我說：計算機科學家，尤其是在歐洲，通常只接受了編程訓練。因此，他們缺失了物理學家所具備的典型特質。物理學家被訓練去建立世界的模型——無論是物理學、經濟學還是其他領域。然后他們被訓練使用復雜的數學工具將模型形式化。最后，這種數學形式化可以被編程——這就是計算機科學。
所以，計算機科學缺失的是這種建模的能力。這是我們未來迫切需要的關鍵點。
歷史上那些突破都是由同時具備這兩種能力的人實現的。有時物理學家數學功底深厚，很聰明，主要通過自學完成了計算機科學訓練。但計算機科學家必須非常謹慎。至少在德國是這樣……但我想說的是：他們缺乏擁有直覺、建立模型并用數學描述這種關系的能力。
因此，物理學仍然是基礎。你最終不必成為一名物理學家，但這種起源于牛頓和伽利略的觀察世界的思維方式（至關重要。后來，化學家從懂得建模的物理學家那里學習。再后來，生物學家也提出了建模世界的想法，我提到了反應-擴散方程，用這種方式對有機系統進行建模。如今，即使在醫學中，這種思維方式對于突破也是至關重要的。
所以，對于教育來說，我們需要教育項目來連接和整合不同領域的教育。這意味著計算機科學家也要在建模方面接受訓練，而物理學家也要在計算科學方面接受訓練。在第二場演講中，你可能會觀察到：這個群體傳統上是電氣工程師，他們過去負責社會的電氣化，但現在他們找到了與計算機科學的接口，并進而找到了與 AI 的接口。因此，現代電氣工程師也要接受計算科學的訓練，反之亦然。
我強調的是：這是我整個學術生涯中的趨勢。我一直在要求整合這些不同的方法，即跨學科方法，因為我從科學技術史中觀察到，偉大的突破總是發生在這些跨學科領域的邊界上。這是我對未來的想法。
岑峰： 您正在中國訪問，您最期待與這里的學者和學生討論什么？您對年輕研究人員和學生最重要的建議是什么？
Klaus Mainzer： 對于年輕研究人員和學生，正是我的上一個觀點：要保持開放心態 (To be open-minded)。當然，你必須有所專長。你必須從一個特定領域開始，然后盡好自己的職責。這取決于你的能力：如果你對醫學感興趣，就做醫學；對物理學感興趣，就做物理學；對電氣工程感興趣，就做電氣工程。
但隨后在你的職業生涯中，至少在博士階段，要保持開放的心態。因為新的突破并非發生在筆直的道路上。不要期望你的碩士論文能解決你未來職業生涯的所有問題。世界正在變化。保持開放的心態。你需要一些工具。
這是我自己的經驗。我從邏輯學和數學開始，但隨后，在我的發展過程中，我看到了所有這些新的發展開辟了新的道路。我剛開始時對那些領域一無所知，但我在生活中也非常渴望學習。我看到了與這些領域有趣的連接，然后我就去做了。
我認為這是我的個人經驗，但從普遍的角度來看，這也是必要的：偉大的突破需要尋找連接。例如，我現在很多年長的同事朋友都是學醫出身。我從醫學中學到了很多。我之前一無所知。我總是對人體的復雜性懷有極大的敬意，因為我的物理學和數學訓練讓我對復雜系統有了很好的想法。
但如果你是一名醫生，哪怕是一名普通的醫生，你也會驚奇地觀察到：人體的反應是如此復雜，令人難以置信。這意味著你每天都會被一些你理論洞察力從未預料到的效應所震驚。所以我現在對醫學非常熱衷，因為它所表現出來的復雜性太令人驚嘆了。
岑峰： 最后一個問題。展望 AI 時代人類的未來，您認為我們應該問自己的最重要的問題是什么？
Klaus Mainzer： 我解釋了人類在未來所有的可能性。未來是開放的 (The future is open)，這也是一種要求，因為這是過程的本質。
如果我們試圖用僵硬的限制來阻止人類的創造力，這是徒勞的。我們這個物種是如此渴望探索。這是人類這種創造力的典型特征。我們無法停止。無論是伽利略被教會迫害，還是所有類似事件，都說明人類的創造力是無法被阻止的。這是我們物種的典型特征，也是我們物種的成功之處，這是第一個方面。
但第二個方面是洞察力：我們人類在這個地球上是獨特的/的。這就是我們在科學技術史上觀察到的能力。這意味著我們這個物種負有責任 (responsibility)。我們是地球上唯一最終能夠幫助拯救我們的星球、并影響其進一步發展的物種。我們也有摧毀的能力，比如原子彈。
因此，歸根結底，我們擁有許多能力，即人類的創造力，但倫理層面也很重要。可以說，我們對氣候危機、對地球的能源問題也負有責任。責任是我的第二個重要呼吁 (plea)。這意味著我們必須意識到我們的力量，但也要意識到我們在整個地球和所有物種面前的局限性。我們必須同時考慮這兩個方面。
完整采訪：https://youtu.be/E8H7jzKO0do
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
