简介
中国视角，一手资料
一本书了解我们国家，我们时代的前沿科技。
本书精选了人类对未来生活无限畅想的“人机共生”、“太空探索”、“生物医疗”等方方面面的十大前沿黑科技主题。
在内容上，不仅囊括作者本人多年来科技领域的所见所闻，更有深入各大前沿科技实验室的探访实录，与专家面对面探讨科技，同时辅以热门科幻电影盲区解读，既有着引人入胜的接地气内容，又可真实再现当今前沿科技探索历程。
不管你是想拥有一位双商均高的人工智能助手，还是一直梦想着到太空生活，亦或极度渴望通过生物医疗来改写生命密码从而实现逆生长，这本书里都有你所好奇的答案。
作者介绍
郝景芳，小说作者、研究员、创业者。2006 年毕业于清华大学物理系，2013 年清华大学经管学院博士毕业。2013 年至2018 年任中国发展研究基金会研究一部副主任，2018 年哈佛大学肯尼迪政府学院访问学者。
自2006 年开始小说创作，2016 年凭借短篇小说《北京折叠》高票力压“科幻小说之父”斯蒂芬·金，斩获第第74 届雨果奖中短篇小说奖。是继刘慈欣后享此殊荣的第二位华语作家。
2017 年创立儿童通识教育品牌“童行学院”，为孩子打开视野、提升思维、培养创造力，探索可持续的公益教育。创办影视工作室“芳景科幻”，致力于可持续的科幻文学和影视作品创作，打造具有世界水准的科幻IP。
部分摘录：
类脑网络，是基于人类大脑构建出的新文明 如果说构建人工智能不需要参考人脑，那么我认为这忽略了自然界数亿年演化带给我们的力量。就像一头狮子突然开口说话了，那还叫狮子吗？脱离人类认知的人工智能，还能叫人工智能吗？
郝景芳 我们为什么要从仿人脑的角度去构建人工智能呢？
曾毅 实际上，人类在进化发展的过程中一直以高级动物自居。但在自然界面前，人类在整个演化过程中，并不一定是最优的，人类也还没有到达演化的顶峰。但是我们可以认为，人类在构建人工智能时，是在一个镜子中看我们自己，是在构建一种新的文明。
也有人说构建人工智能不需要参考人脑。我认为这忽略了自然界数亿年演化带给我们的力量。人类是怎么产生的？正是在数亿年的演化过程当中产生的。哲学家路德维希·维特根斯坦曾经说过，如果一头狮子会说话，我们未必能够理解它。另一位哲学家丹尼尔·丹尼特却认为不是这样。如果一头狮子会说话，我们才能很好地理解这个动物。但这对于我们理解狮子究竟是什么毫无益处，因为一头会说话的狮子就已经不是狮子了。
这不就是我们在构建人工智能时所面临的悖论吗？如果我们创造的人工智能，与人类想要的实现方式完全不一样，那还是我们认为的人工智能吗？从这个角度来讲，我们更希望受到大自然演化机制的启发，去构建未来的人工智能。更关键的是，用这种方式构建的人工智能，对于人类来讲可能是最贴近的，最容易被理解的，也是最安全的方式。你可以想象，如果用一种完全不同的方式构建人工智能，你自己也说不清楚它为什么会工作，为什么而工作。就像现在的深度神经网络系统，有很多隐藏层很难解释一样。你是宁愿相信这样的系统，还是相信一个基于数亿年自然界演化，从现有机制和结构发展而来的智能系统呢？
所以我想答案已经非常明显了。我们在构建类脑人工智能的过程中，其实是受到脑结构及其机制的启发，而不是去克隆！自然演化的过程，已经使得我们人类的大脑结构和机制进化融合得更为自洽，更适合解决问题。
郝景芳 类脑网络究竟是什么意思，基于人脑构建而成的人工智能系统，现在发展到什么程度了？
曾毅 如果人类想从数亿年自然界演化的力量中得到启发，就要搞清楚大脑是怎么连接的，它的工作机制是什么。有关神经网络科技的研究已经有200多年的历史。当前人工智能之所以能被应用，可以说全靠深度学习。而深度学习就是模仿一部分大脑视皮层的学习模式。通过对神经科技的深入了解，科学家用3D（三维）建模技术，重现一些哺乳动物的大脑原型，这种重建就叫作类脑网络，它比深度学习强几十倍。但这个复制过程并不轻松。以鼠脑为例，哪怕是一粒花生豆大小的大鼠脑中就拥有超过2亿个神经元，科学家也需要用科学手段把鼠脑分切成18 000多片，在微米尺度进行拍照，再把1万多张图片用3D形式重新在计算机中建模，才能将整个大鼠脑中的神经结构网络完完全全地还原。
鼠脑是目前人类在微米尺度重建哺乳动物大脑模型的极限。一般鼠脑大概有2亿个神经元，猴脑则是60多亿个神经元。如果我们想构建猴脑模型，在现如今的科学技术条件下，实现这一点还存在着巨大挑战。更不用说具有大概860亿个神经元的人脑了，挑战难度只会更大。
我们只告诉了机器人什么是对的、什么是错的，但从来没有告诉它们对的原因和错的理由。
曾毅 但要注意的是，结构只是一方面，机制才是更重要的。也就是，如何用它去解决问题。我们构建类脑神经网络，是希望它可以解决一些现实世界的问题。比如，我们可以用它构建一个近似人脑的决策系统，安装在无人机上，使其具备一定的类脑智能网络思维，“知道”躲避障碍物。
更甚的是，你可以让机器人学习理解人类的意图。比如，父母表达对孩子的喜爱时会招手说“宝贝快过来”。最开始你可能不知道这种动作语言代表什么，但当你过去并得到一个微笑或是拥抱时，你会下意识记住，这代表喜欢、开心。下次父母再冲你招手时，你可能不假思索就过去了。
郝景芳 就像那个著名的实验，巴甫洛夫的狗。
曾毅 如果有陌生人向你招手，哪怕面带微笑，在了解这个行为的本质前，你仍然到对方那里的话，后果可能不堪设想。这类陌生人带来的不愉快甚至是可怕的经历，同样会让我们理解并记住，不是所有的招手、微笑都是真正友善的。下次再有人做出相应举动时，我们自然会做出适当的判断。但像这样看似简单的手势意图理解能力，现在的人工智能系统并不具备。
据此，我们构建了一个基于奖赏机制的类脑决策系统，它能够帮助机器人基于我们的奖赏机制获得这种能力。但这跟现在的计算机强化学习不同，现在用得更多的还是深度强化学习模型，其可理解性依然很差。当前人工智能学习最大的瓶颈在于，我们只告诉了机器人什么是对的、什么是错的，但从来没有告诉它们对的原因和错的理由。
郝景芳 我听过这样一种说法，这类深度强化的学习网络，还是一种统计，所以它才那么依赖大数据。假如真有人经过一万八千次试验才辨别出手势背后的意义，可能其中有一万七千次都被人打了，人工智能会说：“经过统计论证，一万八千次里面有一万七千次都被打了。所以招手跟打屁股是有联系的。”当然这个次数和结论，我们人类一听就知道是不必如此的。我小时候因为某一次上学迟到被罚抄作业，下回就记住了。
像这种单一样本的小数据学习统计，我们人类就能举一反三，吃一堑长一智，到底是怎么做到的？它需要在我们的智能系统里构建一种因果关系，即我因为某事得到某种结果，从而建立事物的因果联系。那么下次遇到类似事件时，为了避免出现此果，我就舍弃这个因。可因果关系看似容易，当你真的把它用数学语言表达出来后，你会发现我们所说的很多因果都是相通的，人工智能是需要用大量的数据相关联才能得到的。但我们人类不是这样的，不过就是两个字——“理解”，我们人类就是能理解大多数事件背后的因果关系是什么。这种能力其实是很稀有的，那类脑智能是如何“理解”的呢？
曾毅 “小数据学习”这个概念很有意思，一方面，你提到的不是学习两个同时发生的东西，而是学习它们之间的因果关系；另一方面，人有小数据学习的能力，是建立在他有大规模先验知识[1]的基础上。比如，我们学习一个东西时，为什么通过几个事例就学会了？因为我们先有了相关概念，我们知道如何学习一个概念，有大量的先验知识在一定程度上帮助我们。去接触并获取新事物的同时，你会利用先验知识理解一个新的场景和一个新的概念。
所以从某种程度上讲，你又不能把人简单看成一个小数据的学习系统。因为在人类还未出生，身处母体中时，就已经开始获取大量的先验知识。婴儿一出生就有吮吸的能力，随着身体发育其更多天然行为慢慢凸显。所以我在想，如何能使一个人工智能系统基于“理解”获取先验知识，在先验知识的基础之上，利用小规模的数据，快速学习未知概念。这对于人工智能未来的发展来说是一个巨大的挑战，至少现在还做不到。
