MIT 历史学者 Benjamin Lindquist 问答：AI 如何开始模拟“混乱”的人类心智

麻省理工学院历史学系助理教授本杰明·林德奎斯特（Benjamin Lindquist）认为，生成式人工智能模型植根于20世纪中期工程师们的思想，他们认为一定程度的非理性对于一台能像人类一样思考的机器来说至关重要。林德奎斯特同时在麻省理工学院施瓦茨曼计算学院与电气工程与计算机科学系（EECS）担任联合职位，并且是信息与决策系统实验室的首席研究员。 

林德奎斯特在发表于《过去与现在》（Past and Present）期刊的一篇新论文中写道，为了模拟创造性思维，这些人工智能先驱有意将随机性注入原本用于确定性解决问题的算法中。在论文中，他将人工智能幻觉的起源追溯到这项早期研究，并提出，在尝试构建模仿人类行为的机器时，创造力与可预测性之间将不可避免地存在权衡。麻省理工学院新闻就这些观点采访了林德奎斯特。

问： 为什么早期的计算机工程师认为他们需要将随机性和非理性注入为逻辑和计算而设计的人工智能系统？ 

答： 科学界和艺术界的许多人物长期以来一直 theorizing，认为偶然性在发现和创造力中——在产生想法的能力中——扮演着重要角色。他们将创造力等同于出人意料的逻辑跳跃，甚至是一种类似梦境的状态，使人能够从新的视角思考事物。 

20世纪50年代初，贝尔实验室著名电气工程师约翰·皮尔斯（John Pierce）提出了一个流行观点，即数学在艺术领域具有价值。这一观点得到了早期计算领域许多人的认同。当我们想到包含数学的艺术作品时，可能会想到非常有序和精确的东西，但皮尔斯得出了相反的结论。他得出结论，数学的效用在于它能够从艺术中去除秩序。然后，以非常精心计算的方式，数学可以添加一抹意外，作为偏离陈词滥调的手段，并增添一种不规则元素，而这或许能带来洞见。 

向原本可预测的计算机添加不规则性的一种流行方式是通过人工（或随机）神经网络。许多早期神经网络是由心理学家构建的，他们认为，通过让科学家构建大脑模型，人工神经网络使科学家能够观察内部发生的事情，包括大脑如何犯下富有成效的错误。研究人员相信，这些系统并非黑箱，而是能够打开心灵的黑箱，让科学家窥视内部，看到真正发生的所有混乱之事。

但人工智能领域还有另一个阵营，他们认为创造性思维只是做得更好的“正常”思维。观察这两种理解智能与创造力的极为简化的启发式方法，以及它们如何契合又如何不契合，是很有趣的。当时的争论在于试图确定人类创造力归根结底是什么，然后如何以机器形式重构人类创造力。 

问： 这些早期计算机工程师如何看待人工智能，这与我们今天对人工智能的看法有何不同？

A: 当我们想到 AI 系统时，我们会想到 ChatGPT 或 Claude。我们重视并使用这些系统，是因为它们给出的答案大多数时候是正确的。在这项研究中，最让我感兴趣的一点是，我发现这些系统的许多早期倡导者重视它们，恰恰是出于相反的原因。他们想要一个偶尔会给出偏离预期答案的系统。他们已经有了能够给出合理且符合预期答案的系统。他们认为神经网络有价值，是因为它们能给出意想不到的、甚至可能古怪离奇的答案。

我们今天可能以不同方式看待这些系统，一个原因可能在于它们的运作方式。早期，这些系统被限制在实验室里，所以一个给出奇怪或错误输出的系统并不会产生什么现实后果。但如今，出于法律和金钱方面的原因，OpenAI 或 Anthropic 不想要一个给出意想不到或创造性答案的聊天机器人。这些系统中的“怪异”已被“打磨掉”。它们的核心可能仍然潜藏着这种特质，但如今这在很大程度上被压制了。

Q: 那些引入随机性来模拟人类创造力的早期神经网络，是如何演变为 AI 领域的主导范式的？

A: 很长一段时间里，一种被称为“符号 AI”的特定 AI 是主导方法。本质上，符号 AI 认为世界建立在规则之上。AI 研究者的角色是尝试用事实和命题重建关于世界的知识，并将其输入计算机。

利用随机性来解决问题的神经网络在 20 世纪 50 年代开始受到关注，但很早就失宠了。Frank Rosenblatt 是一位心理学家，也是神经网络领域非常重要的早期人物，他英年早逝；1971 年，他在自己 43 岁生日当天意外去世。他个性相当有魅力且强势，对基于神经网络的系统能做什么许下了许多宏大承诺。到他去世时，向符号 AI 的转变已经在进行中。如果他活得更久，事情可能会有所不同。

但神经网络从未消失。到 20 世纪 80 年代，它们更多地转向了认知科学领域。为了变得更强大、更有用，神经网络需要大量数据和算力。直到互联网出现，大量数据变得可用、计算能力开始提升，这些条件才真正具备。大约在 2012 年，神经网络开始超越并领先于一种统计形式的机器学习，并从那时起持续发展。

Q: 通过研究 AI 的历史，我们可以学到哪些能为其发展提供借鉴的教训？ 

A: 我认为这里有一个值得警惕的教训。这些早期工程师的想法和经历告诉我们，我们可以努力消除幻觉——我们可以努力让 AI 以某种方式运行，从而不产生意外或不想要的答案——但这会带来其他后果。这些历史人物确实有所发现。AI 所能提供的令人惊讶和富有创造性的结论与错误或幻觉之间存在联系。当我们构建系统使其以某种方式运行时，就会存在权衡。也许不可能完全处于光谱的任一端，但当我们稳健地朝着某件事努力时，我们常常会无意中牺牲其他东西。