历史上真实的ai算法(最早的算法可追溯到三千年前)(1)

算法究竟从何而来?所谓的“AI”是否纯粹依靠先进的技术?人工智能与人类智能之间又究竟有着什么关系?......

本文作者追溯到三千年前的火坛祭仪式,通过介绍火坛祭仪式的古代几何学、第一个神经网络Perceptron的计算矩阵、以及自动驾驶车辆的复杂导航系统等内容,得出一个结论:人们所谓的“AI”实际上是将集体行为、个人数据和个人劳动结合到私有化算法的漫长历史过程,算法源自经验而非先进的技术!

历史上真实的ai算法(最早的算法可追溯到三千年前)(2)

作者 | Matteo Pasquinelli

译者 | 弯月,责编 | 郭芮

出品 | CSDN(ID:CSDNnews)

以下为译文:

在古代吠陀的宇宙起源论中有一个美丽的神话,传说由于宇宙的诞生,古神生主(Prajapati)被肢解成了碎片。在宇宙诞生之后,这位至高无上的神只剩下残躯。在他的火坛祭仪式中,印度教信徒为了重组这位古神支离破碎的躯体,他们根据精心设计的几何图案建造了一座火祭坛。

这座火祭坛的铺设采用了成千上万块形状和大小都十分精确的砖头,最后拼成一个猎鹰的形状。他们一步步按照指示,将每块砖准确地放入指定的编号和位置,在铺设的过程中他们还口诵咒语。祭坛一层层铺建起来,最后的面积和形状与信徒们的设计完全相符。

解逻辑之谜是此次仪式的关键,祭坛的每一层都必须与相邻的层保持形状和面积相同,但砖块的位置却不同。这个猎鹰祭坛最终必须面向东方,因为这是重组的古神朝着朝阳起飞的象征,他们通过几何手段完成了此次古神的转世。

历史上真实的ai算法(最早的算法可追溯到三千年前)(3)

插图来自印度哲学杂志27.1(历史上真实的ai算法(最早的算法可追溯到三千年前)(4)1999年)

印度公元前800年左右问世的《Shulba Sutras》中对该火坛祭的仪式有详细的描述,这本书中还描述了一些更古老的印度传统。《Shulba Sutras》讲述了具有特定几何形状的祭坛的建造,他们建造的这些祭坛都是献给古神的礼物。例如,书中说:“如果你想摧毁现在和将来的敌人,那么就应该搭建一座菱形的火祭坛。”上述猎鹰形状的火坛祭由七个方格的示意图演变而来。在吠陀的传统中,传说仙人的灵魂都由七个方形的神我(宇宙实体或人)组成,而生主也是以这种形式出现。

1907年,艺术史学家Wilhelm Worringer提出原始艺术诞生于山洞壁画的抽象线条,但人们可以假设艺术手法也源自线条与碎片的组合,而后又引入了日益复杂的形式和几何技术。意大利数学家Paolo Zellini在对吠陀数学的研究中发现,人们通过火坛祭仪式,世代相传几何近似与渐进式增长的技术,换句话说这种技术就是算法,相当于莱布尼茨与牛顿的微积分。

时至今日,火坛祭仍然是印度目前仍在使用的古老仪式之一,也是算法文化的先驱。但是,我们怎样才能将火坛祭这种古老的仪式定义为算法呢?

历史上真实的ai算法(最早的算法可追溯到三千年前)(5)

火坛祭为什么是算法文化的先驱?

对许多人而言,通过最新技术的范式来阅读古代文化似乎是一种剽窃文化的行为。然而,声称抽象的知识技术和人工元语言属于现代西方工业,这种说法不仅从历史的角度来看并不准确,而且也是以殖民主义的眼光看待其他地方和其他时代的文化的表象。法国数学家Jean-Luc Chabert指出:“算法本身自然存在,甚至在人们创造出这个特殊的词语来形容它们之前就存在了。算法代表一组按部就班的指令,通过非常机械地执行,就能达到预期的结果。”如今,有些人可能将算法视为抽象数学原理的最新技术创新。其实,算法是最古老和最重要的实践之一,早于许多人类工具和所有现代机器:

算法并不局限于数学......

巴比伦人用算法来决定法律观点,拉丁语教师利用算法来矫正语法,而且在预测未来、决定医疗或准备食物等所有文化中也用到了算法……因此,我们在讨论食谱、规则、技术、过程、程序和方法时,也通过相同的词语来描述不同的场景。例如,中国人的数学和武术中都使用了“术”,这个词代表规则、过程或策略……

而现在,算法这个术语代表系统计算的任何过程,而这些过程都可以自动执行。主要受计算的影响,如今算法一词的含义已局限到仅代表一个基本要素,与过程、方法或技术之类的模糊概念有所区别。

在数学和几何学得到巩固发展之前,古代文明已经成为社会分割的重要机器,它标志着人体和领土的抽象,这种抽象一直存在了数千年,而且还将继续存在下去。同时,历史学家Lewis Mumford、Gilles Deleuze与Félix Guattari提供了一系列古老的抽象和社会分割技术:“纹身、切除、切割、雕刻、划伤、伤残,包围和启动。”数字已经成为了社会分割和地域化“原始抽象机器”的组成部分,人类文化正来源于此,例如,第一次人口普查发生在公元前3800年左右的美索不达米亚。逻辑形式来源于社会形式,而数字则出现于劳动和仪式、纪律和权力、标记和重复。

在20世纪70年代,“民族数学”透过精英数学的柏拉图式循环有了突破性的发展,揭示了计算背后的历史主题。当前以计算和算法政治为辩论中心的政治问题其实非常建党,正如Diane Nelson所说:谁更重要?谁做计算?算法和机器不能自行进行计算;它们始终为他人、机构和市场、工业和军队做计算。

历史上真实的ai算法(最早的算法可追溯到三千年前)(6)

历史上真实的ai算法(最早的算法可追溯到三千年前)(7)

算法是什么?

术语“算法”源自波斯学者al-Khwarizmi名字的拉丁化。他于9世纪在巴格达撰写了著作《印度数字计算》一书,该书向西方引入了印度教的数字,以及相应的计算数字的新方法,即算法。

事实上,中世纪拉丁语“algorismus”指的是用印度数字进行四个基本数学运算——加法,减法,乘法和除法的程序和捷径。后来,术语“算法”被人们用作表示任何逐步的逻辑过程,并成为计算逻辑的核心。

一般来说,我们可以将算法的历史分为三个阶段:在古代,算法可以认为是程序化、规则化仪式的过程,通过该过程实现特定的目标和传递规则;在中世纪,算法是辅助数学运算的过程;在现代,算法是逻辑过程,由机器和数字计算机完全机械化和自动化。

从诸如火坛祭仪式和印度教计算规则等古代实践中,我们可以勾画出一个现代计算机科学中“算法”的基本定义:(1)算法是对重复过程的抽象,是对时间、空间、劳动和操作的组织:它不是从自上而下的发明,而是从自下而上总结出的规则;(2)算法将过程划分为有限的步骤,以便有效地执行和控制过程;(3)算法是问题的解决方案,一项超越局限约束的发明:任何算法都是一个技巧;(4)最重要的是,算法是一个经济过程,因为它必须在空间、时间和能量方面使用最少量的资源,以适应有限制的情况。

如今,随着人工智能的不断壮大,人们倾向于将算法视为抽象数学思想在具体数据上的应用。而实际上,算法的历史表明,它源于物质实践,源自空间、时间、劳动和社会关系的世俗划分。仪式过程、社会惯例以及空间和时间的组织是算法的源泉,从这个意义上说,它们甚至在复杂的文化系统(如神话、宗教,尤其是语言)兴起之前就已存在。

就人类的发展过程而言,可以认为社会实践和仪式过程中体现出的算法才是数字和数字技术出现的原因,而不是相反的方向。看看查尔斯·巴贝奇和卡尔·马克思的研究我们就能发现,现代计算正在从具体逐渐发展成抽象的形式。

历史上真实的ai算法(最早的算法可追溯到三千年前)(8)

插图来源:Frank Rosenblatt的论文《 Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms》(纽约布法罗康奈尔航空实验室,1961年)。

历史上真实的ai算法(最早的算法可追溯到三千年前)(9)

作为计算空间机器学习的崛起

1957年,在纽约布法罗的康奈尔航空实验室,认知科学家Frank Rosenblatt发明并构建了Perceptron,这是第一个实用的神经网络,它是所有机器学习的祖先,当时这是一个机密的军事秘密。

Perceptron的第一个原型是一台模拟计算机,由20×20个感光元(称为“视网膜”)的输入设备组成,通过电线连接到一层人工神经元,神经元分析输入并产生一个输出(一个灯泡打开或关闭 ,表示0或1)。Perceptron的“视网膜”记录了诸如字母和三角形之类的简单形状,并将电信号传递给多个神经元,这些神经历史上真实的ai算法(最早的算法可追溯到三千年前)(10)元根据阈值逻辑计算结果。Perceptron类似于照相机,可以通过训练识别特定形状,即做出有误差的决定(这是“智能”机器的功能)。Perceptron还是第一个机器学习算法,它是一个基本的“二元分类器”,可以确定模式是否属于特定类别(输入图像是否为三角形,是否为正方形等)。为了实现这一点,Perceptron会逐步调整其节点的值,以便将大数字输入(400个数字的空间矩阵)解析为简单的二进制输出(0或1)。如果识别出输入图像为特定类别(例如三角形),则Perceptron的输出结果为1;否则它会给出结果0。最初需要一个人工操作员训练Perceptron学习正确答案(手动将输出节点切换到0或1),让机器在这些监督的基础之上,正确识别类似的形状。Perceptron的设计目的不是记住特定的模式,而是学习如何识别任意模式。

Perceptron中20×20感光元矩阵悄悄引发计算革命(随着“深度学习”机器学习技术的出现,它在二十一世纪初登上了计算的王位)。虽然Perceptron受到了生物神经元的启发,但从严格的逻辑观点来看,Perceptron并不是生物形态,而是拓扑形态;它标志着“计算空间”(或称“自我计算空间”)范式的兴起。从那时起,计算范式中引入了第二个空间维度,而在此前的计算空间中只有线性维度(参见图灵机,它只能沿着线性的纸带读写0和1)。这种拓扑结构是人们今天“人工智能”的核心,可以更准确地描述为从被动信息范式到主动信息范式的转变。在Perceptron中,视觉矩阵的像素根据其空间配置以自下而上的方式计算,而不是通过自上向下的算法(比如当今由图形软件程序编辑的任何图像)处理视觉矩阵。视觉数据的空间关系塑造了算法的操作。

由于空间逻辑,因此研究神经网络的计算机科学分支最初被称为“计算几何”。计算空间(或称自我计算空间)的范式与对自组织原理的研究有着共同的根源,而后者正是二战后控制论的核心,比如冯·诺依曼的元胞自动机(1948)和Konrad Zuse的Rechnender Raum(1967)。冯·诺伊曼的元胞自动机是一群像素,它们被当作网格上的小细胞,根据相邻细胞的状况而改变状态并移动,从而组成各种几何图形,类似于不断变化的生命形式。元胞自动机已被用于模拟进化和研究生物系统的复杂性,但它们仍然局限于有限宇宙中有限状态的算法。Konrad Zuse(1938年在柏林建造了第一台可编程计算机)试图将细胞自动机的逻辑扩展到物理学和整个宇宙。他设想的“rechnender Raum”(或叫计算空间)是一个由离散单位组成的宇宙,其行为会根据相邻单位的行为而调整。艾伦·图灵的最后一篇文章“形态发生的化学基础”(1952年出版,也就是他去世前两年),也属于自我计算结构的传统。图灵认为生物系统中的分子是能够解释复杂的自下而上结构的自我计算能力,例如水中的触手模式、植物中的螺旋排列、胚胎中的原肠胚、动物皮肤中的斑点以及花中的叶序。

冯·诺依曼的元胞自动机和Zuse的计算空间十分直观,很容易理解成空间模型,而Rosenblatt的神经网络则显示了更复杂的拓扑结构,需要更多历史上真实的ai算法(最早的算法可追溯到三千年前)(11)关注。实际上,神经网络采用极其复杂的组合结构,也许这正是它们成为机器学习最有效算法的原因。据说神经网络能“解决任何问题”,这意味着它们可以根据通用近似定理(利用一定数量的神经元和计算资源层)来近似任何函数。所有机器学习系统,包括支持向量机、马尔可夫链、Hopfield网络、玻尔兹曼机器和卷积神经网络等数不胜数的各种模型都是以计算几何模型为起点。从这个意义上讲,它们都是古老的组合学艺术的一部分。

历史上真实的ai算法(最早的算法可追溯到三千年前)(12)

插图来源:Hans Meinhardt的著作《The Algorithmic Beauty of Sea Shells》(Springer Science & Business Media出版,2009年)

历史上真实的ai算法(最早的算法可追溯到三千年前)(13)

视觉劳动的自动化

即使到了二十世纪末,也没有人会将卡车司机称为“认知工作者”,或知识分子。在二十一世纪初,机器学习在自动驾驶车辆开发中的应用让人们对驾驶等手工技能有了新的认识,人们发现了这些工作中最有价值的成分,一般来说,这些工作绝不仅仅是手工技能,还涉及社会和认知技能(以及感性技能,它应当介于手工和认知之间,但人们在这方面对劳动的认识依然不足)。

司机做了哪些工作?人工智能应当通过传感器记录哪些人工任务,模仿统计模型,并通过自动化取代?回答这个问题的最佳途径是查看哪些技术已成功实现自动化,以及哪些技术尚未成功实现。

自动驾驶的工业项目已经明确指出(比政治经济学要更明确),驾驶劳动是遵循制定规则和自发的社会习俗的有意识的活动。但是,如果驾驶技巧可以转化为算法,那必然是因为驾驶具有逻辑和推理结构。驾驶是一种逻辑活动,而一般而言,劳动也是一种逻辑活动。这个假设有助于解决关于体力劳动和智力劳动之间老生常谈的争议。其中的政治悖论在于,人工智能AI算法企业的发展让人们认识到劳动中长期被人忽视的认知成分。劳动与逻辑之间的关系是什么?这成为了人工智能时代一个至关重要的哲学问题。

自动驾驶车辆可以自动执行驾驶员在繁忙道路上必须做出的所有微观决策。人工神经网络学习(即模仿和复制)道路空间的视觉感知与车辆控制(转向、加速、制动)的机械动作之间的人为相关性,并以此作为依据,在出现危险时的几毫秒内做出道德决策( 为了车辆内外人员的安全)。很明显,驾驶的工作需要高度的认知技能,不能凭即兴和本能做出决策,而是应该依靠快速的决策和解决问题的能力,而后者是通过多年的习惯和长期的、并非完全有意识的训练形成的。驾驶本质上也是一种社会活动,遵循制定的规则(具有法律约束)和自发规则,以及任何驾驶员必须遵守的“文化规范”。人们曾多次指出,在孟买开车与在奥斯陆开车是不一样的。

显然,驾驶需要强烈的感知劳动。事实上,绝大部分劳动都是感知性的,需要在眨眼间进行持续的决策和认知行为。认知不能完全脱离空间逻辑,并且通常在其更抽象的结构中遵循空间逻辑。感知是逻辑性的,认知是空间性的,这两个观察结果都需要通过经验证明,并无法通过那些构建统计模型以推断视觉空间(编码为3D道路场景的数字视频)的自动驾驶AI算法的大肆宣传。

此外,人工智能在自动驾驶汽车和无人机中取代的驾驶员并非个人驾驶员,而是驾驶员集体,它们是在城市和世界中负责导航的社会大脑。我们透过自动驾驶汽车企业项目就可以发现,很明显,人工智能建立在集体数据的基础之上,这些数据对空间、时间、劳动和社会关系的集体生产进行了编码。AI模仿、替换并源自社会空间有组织的划分(首先是物质算法,而不是抽象的数学公式或分析的应用)。

历史上真实的ai算法(最早的算法可追溯到三千年前)(14)

插图来源:Chris Urmson的Ted talk “How a Driverless Car Sees the Road.” Urmson是Google’s自动驾驶汽车项目的前首席工程师。动画来源:ZMScience.

历史上真实的ai算法(最早的算法可追溯到三千年前)(15)

空间的记忆和智能

以速度(或称“速度学”,dromology)著称的法国哲学家保罗·维里利奥(Paul Virilio)也是空间和拓扑学的理论家,他认为技术加速了对空间的感知,就像它改变了时间观念一样。有趣的是,维里利奥的著作《The Vision Machine》的标题灵感来自Rosenblatt的Perceptron。凭借二十世纪思想家的经典博学,维里利奥在古代基于空间化的记忆技术(如Loci方法)与现代计算机记忆作为空间矩阵之间划清了界线:

西塞罗(Cicero)和古代记忆理论家认为,你可以通过正确的训练来巩固自然记忆。

他们发明了一种地形系统,即基因座(Loci)方法,一种图像助记符,包括选择一系列方便在时间和空间上排序的地点和位置。例如,你可以想象在房子里闲逛,选择各种桌子,从大门口看到的椅子、窗台、墙上的标记等等。然后,将需要记住的材料编码成离散的图像,并将每个图像以正确的顺序历史上真实的ai算法(最早的算法可追溯到三千年前)(16)插入到各个基因座中。比如,为了记住某次演讲的内容,你可以将要点转换为具体的图像,并在脑海中将每个要点放入连续的基因座中。

在发表演讲时,你只需按顺序回忆房子的各个部分。

将空间、拓扑坐标和几何部分转换为记忆技巧的方式,基本上相当于现在将集体空间转变为机器智能的来源。在这本书的最后,维里利奥反映了“视觉机器”(如Perceptron)时代的图像状态,以“视觉产业化”的形式对于人工智能即将到来的时代给出了警告:

“此刻,对象在感知我,”画家保罗·克利(Paul Klee)在他的笔记中写道。这个惊人的断言如今已经变成了客观事实。他们谈论的不就是在不久的将来生成能够识别形状的轮廓,还能完全解释视野的“视觉机器”吗?

他们是不是也在谈论视觉新技术:在由计算机控制的视频相机上实现不可见视觉的可能性?......这种技术将用于工业生产和库存控制,也许还能用于军事机器人的技术。

既然他们正在为感知自动化做准备,为了人工视觉的创新,将客观现实的分析委托给机器,那么我们也许可以再考虑一下虚拟图像的本质......

现如今,我们在讨论视听的发展时,不可能脱离新视觉工业化、合成感知的真实市场的增长以及所有相关道德问题......不要忘记Perceptron背后的整体想法是鼓励第五代“专家系统”的出现,换句话说,人工智能只有通过获取感知器官才能获得进一步的发展。

历史上真实的ai算法(最早的算法可追溯到三千年前)(17)

Ioannis de Sacro Busco, Algorismus Domini, c. 历史上真实的ai算法(最早的算法可追溯到三千年前)(18)1501,罗马国家中央图书馆。照片来源:Public Domain/Internet Archive.

历史上真实的ai算法(最早的算法可追溯到三千年前)(19)

总结

通过了解火坛祭仪式的古代几何学、第一个神经网络Perceptron的计算矩阵、以及自动驾驶车辆的复杂导航系统——这些不同的空间逻辑可以证实,算法源自经验,而非先进的技术。

火坛祭仪式是经验催生算法的一个例子,其代表的是社会和仪式空间的组织。该仪式象征着人们通过平凡的手段完成古神的转世;这种重建的实践也象征着用神来表示许多人(或通过许多人来“计算”神)。该仪式对社会的贡献在于世代相传基本的几何技能以及建造坚固的建筑。火坛祭仪式是一种算法思维形式,其遵循原始和简单的计算几何逻辑。

Perceptron也是一种经验产生的算法,根据空间划分进行编码,特别是视觉数据的空间矩阵。Perceptron的感光元矩阵定义了一个封闭的领域,并处理一个根据它们的空间关系计算数据的算法。这里的算法也表现为一个由经验产生的过程——在一个过程或模式多次重复之后,对其进行编码和具体化。所有机器学习算法都是经验产生的过程,利用相似模式的不断重复;“训练”机器,直至模式按统计分布出现。

自动驾驶车辆是一个由复杂经验产生算法的例子,它们是从复杂的空间构造(即作为交通规则的社会制度和道路环境产生的自发规则)发展而来的。在记录这些自发规则和给定场所的交通规则之后,自动驾驶车辆的算法试图预测在繁忙道路上可能发生的意外事件。对于自动驾驶车辆而言,自动化企业打造的乌托邦能够彻底消灭人类驾驶员,从而能够仅通过道路场景的视觉空间来决定地图的导航。

火坛祭仪式、Perceptron和自动驾驶车辆的AI系统都以不同的方式形成了自我计算空间和经验产生算法(也许,所有这一切都形成了劳动的隐形化)。

计算空间(或自我计算空间)的概念强调了机器学习和人工智能的算法是经验生成的系统,该系统构筑在空间、时间、劳动和社会关系的平凡和物质划分上。机器学习来自网格,这些网格来自古老的抽象和仪式,这些抽象和仪式曾被用于标记领土、身体、计算人员和物品;因此,本质上机器学习来自社会劳动的扩展分工。尽管人们称它为“人工智能”,但人工智能实际上并不是“人工的”或“外来的”:在常见的意识形态神秘化的过程中,它似乎是古代戏剧中的天外救星。但这实际上隐藏了真相:实际上它来自于人类世界的智慧。

人们所谓的“AI”实际上是将集体行为、个人数据和个人劳动结合到私有化算法的漫长历史过程,这些算法用于复杂任务的自动化:从驾驶到翻译,从物体识别到音乐创作。正如工业时代的机器是从实验、技术诀窍以及技术工人、工程师和工匠的劳动力中发展起来的一样,人工智能的统计模型也来自集体智慧产生的数据。也就是说,人工智能是一个巨大的模仿集体智慧的引擎。人工智能与人类智能之间有什么关系?其关系就是社会的分工。

原文:https://历史上真实的ai算法(最早的算法可追溯到三千年前)(20)www.e-flux历史上真实的ai算法(最早的算法可追溯到三千年前)(21).com/journal/101/2历史上真实的ai算法(最早的算法可追溯到三千年前)(22)73221/three-thousand-years-of-algorithmic-rituals-the-emergence-of-ai-from-the-computation-of-space/

本文为 CSDN 翻译,转载请注明来源出处。

【END】

,