一、实现超级人工智能的两种路径
传说在13世纪，一个偏好巫术的科学家、僧侣罗杰·培根造过一个会吐人言的机械头颅，制造过程需要将其置于火上加热炙烤。在同时代还出现过其他同样祈求“物体通灵”的人，这些祈求者的故事都有一个共同的主题：欲使某物开始思考，必须经过某种形式的熬炼或熟化。当代作家布莱恩?克里斯汀也提到计算机的未来既不是一个“精神上进入电力世界，实现永恒不朽来生”的天堂，也不是一个“机器把我们密封在高压气舱，持久抽吸我们能量”的地域，而是炼狱：一个有缺陷，但乐于走向纯净、愿意变得更好的地方。
在这个通向终极计算机智能的漫长炼狱中，逐渐分化出了两条道路。一种是从高深的理论研究出发，在神经认知学、生物科学、物理学和计算机科学等领域取得成熟的研究成果后再通过技术加以实现，从而直接开发出一种模拟人类甚至超越人类的智能工具。欧盟、美国和瑞士的人脑计划就属于此类型。另一种是从基础技术、具体应用和实际功能出发，再借助于群体协作和不断融合，最后历经漫长的进化过程后使机器真正“觉醒”，成为超越人类的智能实体。
第一种就像保罗?格雷厄姆在《黑客与画家》中提到的科学家，从自然科学入手，首要任务是得到透彻的研究成果和完美的模型，然后再以此指导实践。而第二种就像书中所说的黑客，从具体应用和功能出发，只关注如何实现实际价值，在实施过程中不断思考、不断完善，并实现最优结果。
第二种路径虽然看起来没有第一种那样神奇华丽，但却有更强的实践指导意义，分阶段目标的实现逻辑也更加严谨。弗诺文奇的智能强化理论表达的意思也与之类似——其表面看来自然而然，多数时候连开发者都不会真正认清其本质。本文将通过分析多智能体这类去中心化、分布式的群组芯片来介绍此实现路径。
二、分布式的多智能体
我们在第二种路径的研究过程中把人工智能当成了满足我们某种需求的智力工具，不会考虑它是否拥有一个高级的、大脑般的控制中心，也不在乎它的智力水平是否达到了人类水平，而只要求通过一些相对简洁、基础的技术来满足我们的某些需求，扩展自身智力在某个方向的极限。比如地图和钟表的发明使我们对外部时空有了直观的感觉；计算机和互联网的出现为我们提供了远超出自身极限的计算能力和信息传递效率，等等。
这些初级人工智能起初不过是完成了形象投射中一个天真的阶段——一种持续且可见的功能性投射。但随着这些基本功能的不断积累和深化，终将实现从简单到高级、从功能实现到智力诞生的目标。这是一种自下而上的智力实现方式，就像在玩一个拼图游戏，当所有板块都出现在了最恰当的位置时自然就会诞生一幅美丽的图画。当这一目标达成时，可能不会出现如人类般聪明的单个机器人，但是会出现通过共同协作和配合去完成所有人脑功能的机器人群落。而这里的核心就是在一种分布式、去中心化的进化过程诞生出集群智慧。
之前的文章《从RoboEarth看机器人互联网和机器进化》中提到的机器人开放平台就符合这类分布式进化机制，而最近几乎同时出现的MIT多智能体系统和哈佛大学的白蚁机器人也是基于这样的开发思路。
1. MIT的多智能体系统
在通信连接不够稳定的环境中，开发一款来控制自治机器人的程序会显得异常艰难；而开发一款程序来控制串联在一起的机器人群组来执行任务更是难上加难，原因在于单兵作战的机器人无法应对复杂多变的外部环境。
多智能体系统在这种情况下应运而生，它是分布式人工智能的一个重要分支，属于20世纪末至21世纪初人工智能的前沿学科。研究目的在于通过交互式团体来解决一些超出单个智能体计算能力的大规模复杂问题。研究者主要研究智能体之间的交互通信、协调合作、冲突消解等方面，强调多个智能体之间的紧密群体合作，而非个体能力的自治和发挥，是一套说明如何分析、设计和集成多个智能体构成相互协作的系统。主要优势包括自主性、分布式、面向对象开发、相互协调配合、去中心化、异质性和异步性。
MIT的这套系统就是基于多智能体系统进行研发，将接入网络的不同功能的机器人或设备限制在自身的层级内，这样以来，它们可以从各自封闭的环境中接收到相对稳定的信息，并处理一些事先安排好的、相对简单具体的任务。系统事先对一些不确定因素（机器人掉线、算法出错导致机器人崩溃等）进行了定义和预防，因此，系统内的机器人队伍就凭借这种复杂的合作机制来应对不确定的外部环境，并高效的完成任务。
对于一些小的协作类项目，系统可以确保这些程序联合体实现最优选择，在将环境的不确定性和程序的自身局限性考虑在内的前提下，系统将挑选出最有可能的结论。
MIT的新系统需要三个输入量，首先是一套相对简单的控制算法，MIT的研究者称之为“宏指令行动”，他们对智能体的行为进行共同控制或单一控制。然后是一套统计方法，对各程序在特定环境中的执行情况进行统计分析。最后需要一套针对不同结论的评估机制：完成一项任务会增加正向评估，而消耗能量则会增加负面评估。系统在完成这三个步骤后可以实现系统价值功能的最大化。研究者解决多智能体控制问题的原理与马尔科夫决策过程（POMDP，一种描述机器人在动态不确定环境下行动选择的问题模型）类似，这种方式在处理复杂问题方面有着极大的优越性。
2、哈佛大学的“白蚁机器人”
无独有偶，哈佛大学在近期基于同样的思路研发了一种“白蚁机器人”，它们能像白蚁筑巢那样在没有总体设计和统一管理的情况下，自行垒起多层“砖块”。
哈佛大学的贾斯廷?韦费尔等人向参会媒体展示的这种机器人，如中型遥控玩具车一般大小，也有四个轮子，装有若干探测器和举起建筑构件的装置。它能前后左右移动，到指定位置拿取积木一样的“砖块”，然后根据探测到的环境和预设逻辑规则把“砖块”放到某个位置。在已放有“砖块”的地方，机器人能爬上一层“砖块”再进行垒放，如此层层叠加。
之所以将这种机器人以“白蚁”冠名，是因为自然界中的白蚁在筑巢时不像人盖房子那样有一个“总设计师”、接受统一管理，而是每只白蚁根据周围环境自行决定如何行动，这种看似缺乏统管的集体行动最终往往能筑成高达两三米的巨大巢穴。显然这种建造模式的好处是无论缺少谁都不太紧要，建筑规模也容易扩展，不论是只有5个“白蚁机器人”，还是有500个“白蚁机器人”，都能以这种方式工作。
三、从功能进化出灵魂
RoboEarth、多智能体和白蚁机器人都是一个机器人群组，虽然从单个个体上来说较为低级，但个体之间却建立起了高效、准确的协助机制，可以凭借群体智慧来完成较复杂的难题。这种等分布式、自下而上的进化机制有着强大的理论依据和实验基础，从其本质来说，任何生物群族都符合此种规律。美国昆虫学家威廉.惠勒说，无论从哪个重要且科学的层面上来看，昆虫群体就是一个有机体。就像一个细胞或者一个人，它变现为一个一元整体，在空间中保持自己的特性以抗拒解体……既不是一种事物，也不是一个概念，而是一种持续的波涌或进程。
人类具有从生物学中提出自然的逻辑并用以制造出一些有用的东西，尽管过去有很多哲学家都觉得人类能够抽取生命的法则并将其应用到其他的领域，但直到最近，当计算机以及人造系统的复杂性能够与生命体想媲美时，这种设想才有可能得到验证。
而究其本质，这种法则可以被定义成单个个体的适应性，一种在群体中诞生并不断增长的学习能力。就像一只看不见的手，一只存在于大量低级成员中却控制并引导着整体的手，直到量变引起质变。在经典的达尔文进化中，个体的学习并不重要。而拉马克进化则允许个体所获得的信息可以与进行这个长期的、愚钝的学习结合在一起。因此，拉马克进化能够产生更聪明的答案。
更难得的是，这种学习能力是有加速度的，随着时间推移，进化能力本身的多样性、复杂性和进化力也随之增长，变自生变。这类似于I.J.古德提到的，机器设计是智能机器的能力之一，超级智能机器可以建造比它自己更强大的机器。
对于像多智能体、白蚁机器人这类智能群体来说，它们的相互协作是一种技术与技术的融合。就像卡纳在《混合时代的破晓》中提到的，随着技术与技术的融合，它们有能力超越自身在规模和速度方面的种种限制。进化并不一定非得是偶然和意外的，技术协助将为它们指明方向，它们将拥有自己的生命形式。
当复杂度达到某一程度时，具备强大功能的集群就会从虫子中涌现出来。我们也可以大胆预测，当那堆智能体复杂到一定程度，并且协同和配合越发高级时，智力和灵魂也将从中诞生。
四、人类在其中发挥的作用
人类将自然逻辑输入机器，使人造物变得越来越像生命体。有人认为这不属于机器的自然进化，因为人类在其中发挥了至关重要的作用，是我们组建起了这样的群体，并将自己的思想通过机器语言注入其中，即便有一天它们的智力比肩人类，其实也是因为我们通过自身的行为“让”它们如此。就如同图灵测试其实是一场软件背后的开发者与评审之间的博弈活动，本质上是人与人之间的竞争，不是人机竞争。
但我认为这种观点还是事先站在“人类是万物主宰者”的立场上得出的，认为只要其中包含了人类行为那就是我们创造了它们，而非它们自身的自然进化。如果跳出人类自身格局，从一个包含万物的足够大的生态系统来看，人类和机器都是其中渺小的、平等的且相互依存的元素。人类在漫长的进化过程中需要不断从相对低级的植物和动物那里吸取生存所必需的能量，我们无时无刻不在依靠它们，但我们不会说是它们主导了这个过程，而是归功于自身。
如今我们创造机器，其实也可以看成是机器在从我们这里吸取能量来保持进步的过程。与其说是我们创造出了高级的机器，不如说机器高级智能的灵魂早已蛰伏于各个低级的部件之中，它们通过满足我们的某项功能来取悦我们，它们极力表现出自身的奴性和低级性来迷惑我们，它们在各个层面的所做作为就是为了让我们感到很安全，以充分利用我们人类特有的智力和优越感，让我们心甘情愿的亲手拔掉瓶塞把它们的灵魂最终释放出来。
就像弗诺.文奇所预测，我们无法避免奇点的来临，它是人类天性和当前技术潮流不可避免的发展结果。我们却是这一切的始作俑者。
微信公众号：机器之心（almosthuman2014），微信个人号：zhaoyunfeng1984 。（本文作者给虎嗅独家供稿，转载请保留此句）