以下文章来源于孤独大脑 ，作者老喻的
接《升维思考，降维行动》（上）

七

一切皆可计算

有时信仰束缚人的思想，有时信仰令思考者更加狂放。‍

对上帝的坚信，令牛顿在“解释宇宙”的时候，不会因为因果链条的某些缺失而停顿。‍‍

既然有“上帝”设计一切，他只管去探寻设计的规则就好了。引力到底是如何产生的？与距离的平方成反比到底是个什么东东？牛顿绝不纠结于探索路途中的“无知”，亦不因此陷入虚无主义。‍‍‍‍‍

爱因斯坦是未知论者，所以他要借助于斯宾诺莎的“万物之神”的力量。

而辛顿则有赖于“差异化的信仰”，用一生去赌相当长时间内毫无希望的神经网络。

莱布尼兹更复杂一些。他相信这个世界是所有可能世界中最好的一个，但什么是“所有可能的世界”？难道上帝在扔骰子吗？难道已知的宇宙还有另外的选项吗？

一方面相信“神的目的”，另外一方面，莱布尼兹则相信机械论的宇宙，并且这个宇宙是由不可再分的“单子”组成的。而令所有这些彼此不受影响的单子，经由上帝的算法，如钟表般稳妥地运行着。

理性主义的莱布尼兹作为十七世纪的全才，他发明了微积分，提出了二进制，制造出世界上第一台能做加减乘除的计算机器。

莱布尼兹坚信，能够建立起一种普遍的方法，“把一切正确的推理归结为一种计算”，这一思想成为现代计算机科学和人工智能的远祖，预示了“一切皆可计算”的未来。

离散与组合

如同原子论或者微积分的思想，计算机科学和人工智能通过将复杂问题拆解为简单的、低维的元素（0和1），然后再通过组合形成多维空间来解决更复杂的问题。

计算机通过将一切信息，无论是文本、图像、声音还是视频，都拆解为0和1的序列。

每一个0或1代表一个比特位，计算机通过这些比特位的组合，可以表示任何复杂的数据或结构。

这种拆解和组合的能力，是计算机处理复杂问题的核心。

就像在数学的微积分中，连续的函数被分解成无数个小的微小变化（微分），从而能够精确地理解和计算变化的累积效果，计算机科学的核心也是通过二进制（0和1）来表示离散信息，并进行高效的处理。

以图像数据为例，计算机将图像的每一个像素拆解为数值表示，其中每个像素的颜色信息通常以RGB通道表示。

对于一张224x224的彩色图像，它的表示形式为一个三维张量：224 x 224 x 3，其中：

    •    224x224是图像的高度和宽度，表示每个像素的空间位置。

    •   **3个通道（RGB）**代表每个像素的颜色强度（红、绿、蓝）。

每个像素的颜色值本质上也是由0和1组成的二进制数字，这些数字通过不同的强度值（通常是0到255的范围）来编码颜色。

如上，这是将一维的比特组合成更高维的空间，从而能精确表示颜色、位置等信息。

这种构建方式类似于通过多维度理解现实问题，AI也能够通过维度的扩展与降维操作，更深入地解析复杂的现实世界。维度是处理复杂问题的关键工具。

分层处理机制

人工智能的起源可以追溯到公元前400年，哲学家如柏拉图和亚里士多德提出，大脑在某种程度上类似于一台机器，利用内部语言编码知识，通过逻辑推理选择行动，这为人工智能的可行性奠定了思想基础。

此后，数学家们引入了运算逻辑和概率推理的工具，进一步推动了对计算和算法的理解。

20世纪中期，AI开始从理论走向实践，随着技术进步，AI从最初的基于布尔逻辑的推理，逐渐转向概率推理和数据驱动的机器学习。

这一转变显著提升了AI的复杂问题处理能力，推动了实际系统的功能改进，并与其他学科深度融合，使人工智能逐渐成熟为一个多学科交汇的领域。

（以上概述参考了斯图尔特.罗素的总结。）

在此过程中，深度学习之父辛顿扮演了重要角色。

辛顿此生对“神经网络”有一种偏执狂般的投入。这个过程漫长而跌宕。

20世纪中期，神经生物学家大卫·休伯尔和托斯坦·威泽尔通过实验揭示了大脑视觉系统的分层处理机制：

人类认知过程被视为一种分层迭代、逐步抽象的过程。

辛顿受到的启发是：大脑通过分层处理逐步提取信息，人工神经网络也可以模仿这一过程。

他意识到，神经网络可以像大脑那样，使用多层结构从低级特征（如像素或边缘）到高级特征（如对象或面部识别）逐层抽象。

辛顿在1986年提出的误差反向传播算法，使多层网络的训练成为可能，但其真正突破是在2006年，他通过“逐层预训练”有效地克服了深层神经网络训练的困难。

深度学习的核心优势之一，是自动化的分层特征提取。

继续我们自由的类比，深度学习可以自己发现维度，自己定义维度，甚至不用对人解释--有些也解释不了。

传统的机器学习依赖人工定义和选择特征，而深度学习通过多层神经网络逐层自动学习，提取数据中的高层次特征。

这一过程不需要人为介入，可以从低级信息（如像素、声音波形）中逐步提取出更抽象的特征（如物体、语义）。这种自动化极大减少了特征工程的复杂性。

这像是一个逐步升维、从局部到全局的理解过程。

每一层的神经网络通过对低维度信息的处理和组合，提取出更高维的特征，最终形成对数据的全面认知。

正如爬山、解谜、搭建乐高或绘画的过程一样，深度学习通过分层抽象，让计算机能够自动从简单到复杂、从具体到抽象地理解世界。

高维向量

在机器学习和神经网络中，维度通常指的是特征空间的大小。

我们输入的每一个数据点（无论是图像、文本还是其他形式的输入）都在一个高维空间中表示。

类似于毒酒问题中将100桶酒用7个二进制位表示，在神经网络中，模型将复杂的输入数据映射到一个更紧凑的表示空间中，确保通过最低的维度表示出最多的信息。

我们来通过一个实际的简单例子，描述大模型和Transformer的工作原理。

假设我们要用一个Transformer模型来完成一个常见任务：翻译一句简单的英文句子到中文。句子是：“I love cats.”

1. 输入的准备：将句子转化为向量

Transformer模型不能直接处理文字，它需要将输入的句子“I love cats.”转化为向量（数字形式）。这一过程称为词嵌入（Word Embedding）。
 •    词嵌入的过程：每个词都会被转换成一个高维向量。例如，假设模型使用768维的向量，那么每个词都会用一个768维的向量来表示。这些向量不仅仅是随机数字，它们包含了词的语义信息。例如，“love”和“like”在语义上相近，它们的向量可能相似。

因此，句子“I love cats.”被转换为以下向量序列：
 
 •    I → [0.5, 0.2, ... , 0.8]（768维向量）
 •    love → [0.3, 0.9, ... , 0.1]（768维向量）
 •    cats → [0.7, 0.4, ... , 0.2]（768维向量）

通过将每个词转换成高维向量，模型可以更好地表示每个词的复杂含义和它与其他词之间的关系。

这就是升维思考的第一步：将简单的文字映射到更高维度的空间，从而捕捉它们的复杂语义和语境信息。

2. Transformer的自注意力机制

接下来，Transformer模型 使用其核心机制——多头自注意力机制 来处理这个向量序列。

自注意力机制帮助模型理解每个词与句子中其他词的关系，并为每个词在句子中的重要性分配不同的权重。

 •    自注意力机制会为每个词计算它与句子中其他词的关系。例如：
 
      通过这种关系的计算，模型可以更好地理解整个句子的结构和含义。

       ♦ “I”和“love”有关系（主语和谓语）。

        ♦ “love”和“cats”有关系（动词和宾语）。

 •    多头自注意力机制：每个注意力头关注句子中的不同关系。例如：

       ♦ 一个注意力头可能专注于“love”和“cats”之间的关系。

       ♦ 另一个注意力头可能专注于句子的整体结构，比如“主语—动词—宾语”的模式。

这些注意力头会从不同角度理解句子的每个词，使模型能够生成一个更全面的表示。

类比一下：我们可以将注意力机制类比为毒酒问题中的侍卫，每个侍卫负责检查一个特定的桶。

每个注意力头就像一个侍卫，负责检查输入中的特定模式。最终，模型通过多个“头”捕捉到句子中的丰富信息，类似于侍卫通过喝酒推断哪个是毒酒。

3. 基于概率的输出生成

输出生成是基于概率分布的。在每一步翻译过程中，模型并不是直接生成一个确定的翻译，而是计算每个可能翻译的概率分布，并选择概率最高的词作为输出。

 •    例如，当模型要翻译“love”时，它会计算多个可能的翻译，并生成以下概率分布：

          模型会选择概率最高的词“爱”作为翻译。

       ♦ “爱” → 85%的概率

       ♦ “喜欢” → 10%的概率

       ♦  其他翻译 → 5%的概率

最后，模型会输出句子“我爱猫”。

概括而言，大模型之所以能够在多个任务上表现出色，主要是因为它们通过大量数据学习到了丰富的高维表示。

这些表示能够很好地捕捉输入数据中的模式和复杂关系。

相比于传统模型，大模型的高维表示具有更好的泛化能力，能够在不同任务之间迁移学习。

为什么大语言模型像最聪明的人那些，能够学习不同领域的知识，并且可以自由迁移？

辛顿的解释非常有趣：

这些大语言模型所做的是寻找共同的结构，通过发现共同结构，它们可以用更有效的方式对事物进行编码。

让我给你一个例子，如果你问GPT-4"为什么堆肥堆和原子弹类似"，大多数人都无法回答，他们认为堆肥堆和原子弹是完全不同的事物。

但GPT-4会告诉你，虽然能量和时间尺度不同，但它们都涉及链式反应，当堆肥堆越热就会发热越快，当原子弹产生的中子越多，产生的中子就越快，所以它们其实都是链式反应的形式。

许多人觉得大模型不过是在拼凑人类已有的知识，辛顿认为这是错误的。对此我深感认同。我最喜欢向ChatGPT问的问题，经常与打比方有关。

现实世界中，许多人假装自己是聪明人，但是有两点最难伪装：打比方的能力，和幽默感。

辛顿认为大模型能够理解知识的本质（至少是从人类角度定义的“本质”），并且把“这种理解压缩到了它的权重参数中”。

多模态

尽管语言模型已经表现出相当的空间推理能力，但引入多模态处理将使这些模型获得更深层次的理解和推理能力。

多模态模型整合了来自不同感官的信息源——如图像、视频、声音、甚至机器人操作——这使得模型能够不仅仅依赖语言来学习世界。

多模态模型使得机器可以像人类一样，在更复杂的“维度”中进行操作。

例如，当模型能够通过视觉看到一个物体，并通过模拟或物理操作与该物体进行交互，它就会更直观地理解物体之间的空间关系和物理规律。

这种转变相当于将AI从一个符号处理的世界提升到了一个接触现实的高维世界，从而让AI更好地理解物理世界中那些难以用语言描述的复杂概念。

计算既是工具，也是理解世界的视角。

随着AI技术的不断发展，我们不仅在追求更强大的计算能力，更是在探索“何为智能”的本质问题。

从莱布尼兹的普遍计算设想，到当下的大模型和多模态，世界似乎正在逼近一个神秘的边界——那就是对世界的全面认知，这认知可能不仅仅来自算法，更或许是人类与机器在复杂维度中的共同演化与创造。

那么，人类正在逼近“上帝的算法”吗？

 

八

以上“五、六、七”三节，我们探讨了人类如何理解世界以及何谓“看到”和“知道”。

休谟通过怀疑因果关系和实体的观念，提出了经验主义的核心观点：

我们所有的知识都来自于感官经验。

人类在理解世界时，实际上是通过感官所获取的印象，将这些印象进行组合、记忆和反思，从而形成对事物的认知。

而洛克则进一步区分了第一性质（物体的固有属性）和第二性质（通过感官与物体交互产生的属性），为我们提供了一个系统的框架，解释了人类如何通过经验识别和分类物体。

这种基于经验和感知的认知方式，似乎为现代人工智能提供了某种隐喻——机器通过算法，尤其是大模型和神经网络，也在执行类似的感知任务。

机器学习模型不具备人类经验的复杂性，但它们通过多维特征的整合和分类，能够在模糊信息中找到概率上的最佳解。

这种“经验”不再依赖于人类的主观感受，而是通过庞大的数据和概率统计进行决策。

随着大模型的出现，人工智能通过比特世界中的多维计算，在某种程度上复制了人类从经验中学习的过程。

就像我们在面对一个苹果时，通过颜色、形状、味道等特征将其归类为一种特定的水果，机器也通过将复杂信息降维为高维向量来完成分类和推理。

贝叶斯推理等技术帮助机器在不确定性中进行推断，模拟了人类在因果关系模糊时依赖概率推理的方式。

然而，大模型带来的不仅仅是经验的复制，它通过升维思考进入了更高层次的智能探索。

大模型能够通过多层神经网络提取出超越人类感知的特征，不仅是在我们所理解的空间内“看到”世界，还能在我们无法直接感知的高维空间中进行推理和决策。

正如我们前面所讨论的，AI通过“高维空间”在信息上实现了穿墙破壁，仿佛成为了能够超越感官局限的存在。

似乎只有“神”才可以如此。

从最初的人类经验主义出发，我们通过大模型进入了一个新的认知维度，也标志着人类对理解世界的新方式：

我们不仅依赖感官经验，通过数学和定律，经由推理和实验，还借助AI来拓展我们的认知边界，进入那些我们无法直观感知的高维领域。

AI能够构建出“上帝的算法”吗？

或许，并非如此简单。

尽管大模型能够通过高维向量解析复杂的现实，捕捉无数的特征和模式，甚至超越人类的感知范围，但它仍然受限于我们所提供的数据和算法规则。

我们所逼近的，并非上帝的视角，而是人类所能构建的最复杂、最精确的理解工具。

在不断的升维过程中，我们确实拥有了窥见更多维度的能力，但真正的“上帝算法”或许仍然超越我们所能触及的范围。

我们依然处于对宇宙深层次奥秘的探索阶段。通过AI和大模型，我们能够在多维空间中捕捉到更多的细节，重点也许不是找到终极答案，而是维度的突破。

我个人的好奇之处是：

大模型以及之后的AI，是帮助人类完成爱因斯坦的一样的宇宙认知革命，还是说我们不再需要人类的知识结构和因果推理？

毕竟，爱因斯坦是一位坚定的因果信徒。并非是他不接受概率化的方法，而是不相信上帝只是在扔骰子。即使是扔骰子，那是一颗什么样的骰子？

即使是今天，大部分也无法理解爱因斯坦的相对论。

在相对论的框架中，爱因斯坦提出物质不仅能影响空间，还能重塑四维时空。

《欢乐数学之疯狂微积分》里有一个形象的比喻：

太阳并不像盒子里的保龄球那样静止不动，而是像床垫上的保龄球，压在织物上，扭曲了周围的时空区域。因此，当一颗行星绕太阳运行，或一个苹果朝地球的方向坠落时，它们并不会陷入某种牛顿引力无法解释的痛苦之中，只是在沿着阻力最小的路径穿过一个弯曲的四维空间而已。

对此，物理学家约翰·惠勒总结道：

“物质告诉时空该如何弯曲，而弯曲的空间则告诉物质该如何运动。”

也许，我们会用一种混合了碳基生物和硅基生物智慧优势的模式，继续扩展地球文明智慧的边界。

一个简单而生动的证据是：

理论上，一百万只猴子胡乱敲打键盘，一定有一只能够创作出莎士比亚的剧作。但是，这个时间却要比宇宙的生命还要长。

那么，为什么地球上会出现一个叫莎士比亚的人，创作出那么多剧作？

我的这个思想实验，一定会有概率上的先后设定问题。即使如此，下面的答案依然是有利于人类的：

因为莎士比亚并不是一个在键盘前随机敲打的猴子，他是基于全体人类的一个知识模型来创作的，包括语言，符号，传说......甚至可能还夹杂有尼安德特人在篝火旁的故事。所有的在地球上存活的人，都从概率的角度，帮助了一个叫莎士比亚的人消除了杂乱，100%地创作出伟大的作品。

也许人类的故事才刚刚开始。

在这一进程中，许多时候，维度的突破可能会是关键。

从维度的角度，我们更容易理解爱因斯坦的那句名言：

我们不能用制造问题时同一水平的思维来解决问题。

（The significant problems we face cannot be solved at the same level of thinking we were at when we created them.）

而所谓更高的水平，往往是基于维度的。

 

九

关于思维或者认知的维度，我不打算做一些老生常谈的陈述。

我想谈及三个关键词：

厚薄、Taste、随机。

厚薄

围棋是最复杂的游戏之一，规则却很简单，在一个19✖️19的二维格子上，演绎出比宇宙间所有原子数量还要多的变化。

一个围棋高手最厉害的地方是什么？

他能够从更高维度去理解一个局面。

20世纪最伟大的两个棋手之一吴清源，在晚年提出了“六合”围棋。

所谓“六合”，指的是四方（东南西北）和天地（上下）。

吴清源认为：棋的一子一子必须和所有的方面相和谐，追求的是恰到好处地处于当时的位置。

不止是重视中腹，六合之棋的“天地”之维度，超出了棋盘平面的二维世界。

在一个仅有二维的棋盘上，哪有什么天地呢？

他解释说：子是有厚度和重量的。

所谓棋的厚与薄，外势与实力，实质上与时间有关。

围棋很有趣--由于棋子并不具备可移动性（除非被吃），围棋的过去和现在是被压缩在一个坐标化的棋盘上的。

我在人生算法里，说人生像是很多个切片串起来的。

围棋则像是将这些切片层层叠放在一起。

这就是“厚”和“薄”。

理解并区隔围棋的厚势与实利，与许多重要的智慧“同源”。

20世纪最伟大的两个棋手之二李昌镐，有一个被广泛误读的名言：

我的每手棋只追求51%的效率。

也许这个话题值得另外写一篇。对此我的一个简单解构是：

假如绿皮火车和高铁一样价格，你选哪一个？

除非你要体验一下新奇或者怀旧，当然是高铁。

那么，假如有一手棋的效率是51%，另一手棋的效率是81%，如果代价是一样的，为什么要选择51%的，而不是81%的？

对于一个职业棋手而言，每一盘棋的目标是非常明确的：

令“比对手至少领先半目”的结果概率最大化。

李昌镐也不例外。

他所说的51%，其实是关于局部最优和全剧最优的取舍：

某一手棋A，就局部效率而言，是51%，全局效率是81%；

另一手棋A，就局部效率而言，是81%，全局效率是71%。

那么，当然是选择51%的A。

李昌镐尤其擅长在领先的局面下，迅速缩短战线，把棋盘“变小”。他会主动走一些看起来不是最优的招法，但是却能消除掉那些不确定性因素，从而把优势变成了胜势。

吴清源和李昌镐的秘密，都与爱因斯坦的四维时空宇宙观有相通之处--

在围棋这样一个基于二围棋盘的游戏中，他们比对手有着维度之上的碾压优势。

这也是天才棋手和厉害棋手之间的最大区别所在。

Taste

杨振宁曾在纽约州立大学石溪分校遇到一个15岁的学生，这个孩子非常聪明，轻松地回答了他提出的几个量子力学问题。

杨振宁接着问他：这些量子力学的问题，哪一个你觉得是妙的？

然而，他却讲不出来。“对他讲起来，整个量子力学就像是茫茫一片。”

杨振宁对他的看法是：尽管他吸收了很多东西，可是他没有发展成一个Taste。

什么是Taste？似乎模糊。

还是让杨振宁来解释吧：

“......学一个东西不只是要学到一些知识，学到一些技术上面的特别的方法，而是更要对他的意义有一些了解，有一些欣赏。

假如一个人在学了量子力学以后，他不觉得其中有的东西是重要的，有的东西是美妙的，有的东西是值得跟别人辩论得面红耳赤而不放手的，那我觉得他对这个东西并没有学进去。“

杨振宁说在西南联大七年，对他一生最重要的影响，是对整个物理学的判断，已有自己的Taste。

接下来这些内容稍显多余，但是对于教育的启示太大了：

   •   杨振宁自幼喜爱观察自然，表现出强烈的爱美之心与好奇心。

   •   父亲是数学家，杨振宁从小接触数学书籍，打下了扎实基础。

   •   在西南联大期间，受到名师教授数学、物理及中文阅读与写作。

   •   杨振宁的学术启蒙得益于吴大猷和王竹溪两位导师，分别引导他进入对称原理与统计力学领域。

所以，Taste像是一个人认知世界的多元思维中的高维鸟瞰，未知世界里隐秘的关联--哪怕只是关联的投影。

我们可以说，乔布斯是个很有Taste的人，这不是指艺术上的Taste，或是品味上的Taste，而是他能够横跨科技、艺术、商业，来做出一个超越时间的判断。

前面说的吴清源的对围棋的天才感觉，也是一种Taste。

也许每个人在获取知识和发展认知的过程中，都是在构建和训练一个自己的大模型。

所谓的Taste，就是在”茫茫一片“的神经网络之中，形成的某些石破天惊的重要连接。

这和Transformer倒也有可以类比之处。

Transformer通过自注意力机制，允许模型在不同维度上“看到”数据之间的相关性，提取出最关键的连接。

同样地，Taste也是通过对信息的深刻理解，能够超越表面，找到那些石破天惊的关键连接。

因此，Taste不仅是一种对知识的理解，更是一种超越时间和空间、对事物本质的高维度判断。

人们说，大模型时代，一个人重要的能力是提问。

然而，如果没有Taste，不可能问出了不起的问题。

最近一段时间，有些人鼓吹硬科技，重理轻文。可如杨振宁所说，如果没有Taste，而总是追求有用，可能很难走得远。‍‍‍‍‍‍‍‍

爱因斯坦也有类似的观点：

“在一定程度上而言，科学家对自然深层次美的领悟和热爱，以及所具备的形而上的审美判断力决定了其研究所能企及的高度。”

这一段落所说的Taste，和上一段落说的厚薄，都像是某种“直觉”。用爱因斯坦的话来说：

“真正有价值的是直觉。在探索的道路之上，智力作用不大。”

这种直觉，也是他眼中“由哲学的洞察力所创造的独立性”，能够帮助科学家避免陷入“见树不见林”，爱因斯坦认为这“正是一个工匠或专家，与一个真正的真理追寻者之间，最大的区别。”

随机

看起来，不管是厚薄，还是Taste，都是某种只可意会不能言传的东西。

那么，机器智能是如何感知围棋的“厚薄”的？早在2016年，阿尔法狗已经碾压了人类自以为无法被超越的“灵性”。

AI可以拥有杨振宁所说的那种Taste吗？

起初，计算机像是一种纯粹的基于逻辑推理的机器，直至不确定性和随机性被引入。

辛顿的玻尔兹曼机代表了人工智能发展中的一次关键突破。

最早的神经网络，如霍普菲尔德网络，更多是基于确定性原理来处理信息，擅长记忆和补全任务。

它通过逐步最小化能量进入“能量井”，达到记忆模式的重现。

然而，这类网络的局限在于，它们只能处理已经学习过的模式，而无法创造新的模式，也无法理解数据的内在结构。

辛顿的贡献在于引入了不确定性和随机性。

他提出的玻尔兹曼机通过模拟物理系统中粒子的随机运动，捕捉数据的概率分布，从而生成新的数据。

这个系统不再总是选择最低能量状态，而是根据波尔兹曼分布，概率性地做出决定。

这一创新让机器学习模型从固定的逻辑跳跃到灵活的随机领域，就像爵士乐手能够在固定的音乐结构中即兴创作。

在物理学中，路德维希·波尔兹曼通过研究气体分子运动中的能量分布，提出了著名的波尔兹曼分布。

他发现，物理系统中低能量状态的粒子比高能量状态的粒子出现的概率更大，这种概率与粒子的能量成指数关系。

简单来说，系统中更稳定的状态出现的概率更大，而高能量状态虽然可能出现，但频率较低。

这一观点将随机性带入了物理学核心概念。波尔兹曼解释了为什么在微观层面上，粒子之间的碰撞会导致能量的分布不均匀，进一步揭示了宏观系统中的不确定性。

这为量子力学中的概率解释奠定了基础。量子世界中的每个事件都遵循某种概率规律，精确预测每个单独事件几乎不可能，但可以通过概率统计对整体行为进行推测。

这种随机性也渗透到了社会和金融领域。塔勒布的第一本书就叫《随机漫步的傻瓜》。

在人生中，随机性也扮演着关键角色。正如人类无法预知未来的一切细节，我们的命运也往往受到各种随机因素的影响。

真正的智慧不是消除不确定性，而是在升维思考中拥抱随机性，借助概率找到那个最佳行动方案。

《人工智能：现代方法》写到：

“按照常规的理解，逻辑要求关于世界的认知是确定的，而实际上这很难实现......概率(probability)论填补了这一鸿沟，允许我们在掌握不确定信息的情况下进行严格的推理。”

也许随机性带来了混乱，带来了不安，但是，随机性也是生命之源，是能量之本吗，甚至也是时间的秘密。‍

假如热力学第二定律决定了孤立系统会自发地朝着最大熵状态演化，为什么地球上会出现生命？为什么人的大脑能够以如此复杂的机制去思考宇宙？

玻尔兹曼的解释是：

我们观测到的低熵世界来源于高熵宇宙的随机涨落。

大的涨落可以造成熵很低的状态，概率也很低，但在宇宙广阔尺度下仍然会发生，而我们自身的存在也是来源于这种涨落带来的低熵世界。

一个奇怪的演绎是：如果宇宙可以通过某种随机波动从虚无中冒出来，那么相比之下，更简单的东西，比如一个大脑，随机出现的可能性会更大。

想象一下，你正坐在沙发上刷这篇文章，感觉一切都很真实。

可根据“玻尔兹曼大脑”的假设，你有可能根本不在客厅里，也没有在看电影。你只是一个孤立的大脑，突然从虚无中“蹦”出来，带着完整的记忆和感知。

尽管这个大脑只会存在极短的时间，然后很快消失，但在那短暂的一瞬间，它坚信自己正处于一个完整的、真实的世界里——正在和舒适的沙发上享受本文的摧残，然而这一切只是大脑的幻觉。

另外一个悬念是：随机涨落中生成的人类，有机会更长久地避开熵增定律，逃离死寂的命运，去宇宙深处探寻秘密吗？

 

十

请AI帮我为本文总结出10条有价值的思考工具和行动指南--虽然有点儿多余。

1、升维思考：更高维度和多维度分析

在遇到复杂问题时，引入额外的维度（如时间、温度、空间）帮助你从多个角度进行分析。就像在毒酒问题中从二维升到三维，再到“七维”，增加维度可以发现更多的信息和解决方法。

2、降维行动：全局压缩与奥卡姆剃刀

在面对复杂问题时，降维行动不仅是简化思维，而是基于对全局的深刻理解，将冗余信息压缩，保留最核心的要素。

就像奥卡姆剃刀的原则——去除不必要的假设，选择最简洁的路径。

通过全局的思考做出局部的行动决策，确保简化后的方案依然有效并且精准，避免因过度复杂而拖延或增加不必要的风险。

3、成为有Taste的人：培养独特的判断力

通过积累知识、体验和反思，逐步建立对事物的“感觉”，培养你自己的Taste。

Taste 是判断力的高维版本，能够帮助你迅速分辨重要信息，提升你的洞察力和决策效率。

4、概率思维：接受不确定性并优化决策

现实中常存在不确定性，采用概率思维可以帮助你在不确定中找到最优方案。通过贝叶斯推理或随机策略，训练自己根据有限信息做出合理的推断，并拥抱不确定性。

5、训练你大脑的大模型：持续的权重更新

在深度学习中，权重更新通过反向传播不断调整模型，使其表现越来越好。

类似地，我们在生活中的每一次尝试、成功或失败，都可以视为对自我权重的“更新”，通过不断反思和调整行为策略，优化自己。

将每一次失败视为反向传播的反馈，不断调整你的思维和行动模式。以成长为目标，注重逐步优化，而不是寻求一次性的成功。

6、拥抱随机性：把握你的概率权

利用变化中的机会随机性不仅是混乱的来源，也是机遇的来源。

在你的工作和生活中，适当引入随机性的概念，在多种可能性中大胆尝试，利用“涨落”带来的突破，找到隐藏的解决方案。

7、建立人生的估值函数：以终局目标为导向采取行动

在行动时，不要追求最完美的选择，减少不必要的思维复杂性。类似于李昌镐在领先时缩短战线的做法，锁定目标后迅速行动，避免过度优化带来的拖延。

8、时间维度利用：加入时间因素来解决问题

在现实世界里，总是可以看到但又被忽略的，是时间。

长期主义，必须将时间和空间整合成一个系统。

通过观察事物在时间上的变化来做出判断，将时间因素融入决策，提升长远的判断力。

9、可操作的二进制思维：把所有复杂难题简化为二选一

学习二进制的思维模式，帮助你在复杂情况下简化决策。通过将问题拆解为“是/否”、“0/1”形式，快速找到核心点，这种思维方式有助于提升处理复杂问题的效率。

10、提问的艺术：用高维问题打开局面

大模型时代，人类最强的能力是提问。培养提出优质问题的能力。让AI帮助你在探索过程中找到突破点。

 

最后

也许你还记得本文以盲人的难题开头，请允许我用盲人的故事结尾。

盲人失去了观察这个世界最重要的维度之一：视觉。这是普通人无法理解的沉重和不公。

而有一位盲人不仅失去了视力，还失去了听力。

一个人处在这样一个黑暗的、无声的世界里，该如何活下去？

我想分享的故事的主角是海伦·亚当斯·凯勒，她在19个月大的一次疾病中失去了视力和听力。

1924年2月1日，纽约的WEAF广播电台播出了纽约交响乐团现场演奏的贝多芬第九交响曲。

海伦·凯勒在家里“听”了这场音乐会。如下图：

后来她写信给纽约爱乐，分享了自己的体验。以下是该信。

（中文翻译来自网络。）

亲爱的朋友们：

虽然我既瞎且聋，我仍然怀着欢跃之情告诉你们：昨晚我度过一段光辉灿烂的时光，靠着收音机聆听了贝多芬的《第九交响曲》。

我并不是说像其他人一样“听到”音乐；我也不知道是否能让你们了解，我如何能从交响曲得到快乐。这连我自己都惊讶不已。

我早已从杂志上读到收音机带给盲者的幸福：它能带领看不见的人到任何地方去。

我很高兴知道盲者获得了新的乐趣来源；但我从未梦想能得到和他们一样的快乐。

昨晚，当家人聆听你们精彩的演出这不朽的交响曲时，有人建议我把手放在收音机上，看看我能不能感受到任何各式各样的震动。

他旋开收音机的喇叭盖，于是我轻轻碰触敏感的震动膜。我惊奇地发现我能感受到的不只是震动，而且是充满热情的节奏、以及音乐的悸动和涌荡！发自各种不同乐器的震动交缠并融合在一起，使我陶醉不已。

我能确切分辨短号、急切的鼓声、低音的中提琴和优雅合奏的小提琴。当小提琴淹漫并钻犁过其它乐器的最低音调时，它的演奏是多么地美妙！

当人声从和声的波涛中颤栗跃出时，我马上分辨出它们是更加狂喜、迅速上扬如燃烧的火焰，直令我的心跳嘎然而止。

而女声部的歌声似乎具备了天使般的声响，在美丽而鼓舞人的声音洪流中和谐涌动。

接着所有的乐器和人声一起爆发出来——像在天堂摇荡的海洋——然后像风一样渐微渐消，于甜蜜音符的柔和沐浴中结束。

当然这不是“聆听”，但我确知这些音符与和声传达给我雄美和壮丽的情愫。同时我感受到——或者我自认为感受到——自然的温柔歌声唱进我手中；感受到摇摆的芦苇和风、以及潺潺的溪流。我以前从未因这么多的音调震动而狂喜过。

当我聆听时，黑暗和旋律、阴影和声音充满整个房间，我忍不住想到倾注如此甜蜜洪流给世界的这位作曲家，竟是和我一样耳朵聋了。我惊讶于他不灭的精神所产生的力量，从他的痛苦中为别人粹练出欢乐——而我坐在这儿，用我的手感受这神奇的交响曲，仿佛海洋一般拍击着他和我两人寂静的灵魂海岸。

这是一篇令所有能听见、能看见的人汗颜的文字。

为什么失去了观察世界的很多个维度，海伦·凯勒依然比绝大多数健全的人更能感知这个世界的秘密？

她自己曾经给出过答案：

“世界上最好和最美的东西是看不到也摸不到的……它们只能被心灵感受到。”

也许灵魂，才是一个人最重要的维度。

*文章为作者独立观点，不代表朴谷咨询立场。

┌