对绿色人工智能的展望

正如前文所指出的，本文所正面倡导的“绿色人工智能”理念乃是吉仁泽提出的“节俭性理性”原则的直接继承者。现在我们就来探讨一下与之相关的四个具体问题：（1）为何称这种人工智能技术是“绿色”的？（2）在实现层面上，它与吉仁泽的既有心理学理论之间的关系是什么？（3）它与时下人工智能学界在“深度学习”方面的进步有什么关系？（4）对于它的运用，对于当下我国的社会经济发展与人文社科研究来说，具有什么现实的意义？

先来看第一个问题。众所周知，原本意义上的“绿色的技术”就是指对自然资源消耗更少且对自然环境破坏亦较少的技术。而在本文的语境中，“绿色的人工智能技术”则同时是指一种对现有的人类价值体系扰动较小的技术（因为我们将人文环境视为广义上的“环境”的一个有机组成部分）。具体而言，它必须对“隐私”、“公民权”、“人类的自由选择权”等被常识普遍接受的价值标准抱有起码的敬意，并以此将技术异化的风险降到最小。

再来看第二个问题。不得不承认，我们关于“绿色人工智能”的理念在哲学层面上的确受到吉仁泽不少启发，但是在具体的实现细节上却和他的原始设想有所不同。具体而言，我们和吉仁泽一样，也认为对于人类原始心智机制的模拟乃是相关工程学实践的必由之路，但是关于人类原始心智机制的具体构成，我们却和他有不同的意见。受到所谓“大规模心智模块论”的影响，吉仁泽本人相信人类的大脑是由一些专门的问题求解器所构成的超级工具箱我们则倾向于认为大脑中是存在着一个“通用问题求解器”的——只是其运作方式更符合吉仁泽的“节俭性理性”之理念，而非司马贺式的“有限理性”理念。关于如何在计算机层面将这种“节俭型”的“通用问题求解器”的算法细节予以夯实，本文作者之一王培在最近几十年来曾在英语世界发表了大量相关着述；而对于这些成就，本文另一位作者徐英瑾近年来也多次以汉语形式予以介绍与发挥。有兴趣的读者可就此进行延伸性阅读。

再来看第三个问题。直到目前为止，在提到“人工智能”这个话题的时候，我们仅仅涉及了传统的人工智能研究（以符号主义进路与统计学进路为代表）以及作为其未来发展方向的“绿色人工智能理念”，却没有涉及时下如火如荼的一些新概念，如“深度学习”。乘此机会，我们也对其予以简评。就“深度学习”而言，它实际上就是将传统上的人工神经元网络的内置层的层级予以规模放大的产物（比如，从一到两层的内置层扩展到七、八十层），由此使得系统获得更为复杂的学习行为。从哲学角度看，这其实并非是对传统人工神经元计算模型的原则性突破，只是在现代计算机硬件技术高度成熟后增加系统“野蛮计算能力”后的产物。然而，也正是因为这样的已被升级的人工神经元网络在计算复杂性与硬件要求方面的大规模提升，它就很难说是“绿色的”（在这句话中，“绿色”一词就是在物理资源消耗意义上使用的，而并不主要是指对人文价值之维护）。然而，不得不承认的是，时下计算机学界关于行业发展的一些最新技术路径，都与我们理想中的“绿色的智能技术”南辕北辙，却与同样迷信“更多、更快”之原则的大数据技术心有灵犀。对此，我们只能表示遗憾。

最后，再来简谈一下本文所涉及的林林总总的信息处理技术与我国现有国情之间的关系。根据中国互联网络信息中心（ＣＮＮＩＣ）于2015年7月２３日在京所发布的《第３６次全国互联网发展统计报告》，截至２０１５年６月，我国互联网普及率为４８．８％，我国网民总数已达６．６８亿人。近年来，随着移动支付手段的普及，中国网民线上的经济活动亦以更为惊人的速度增长。这些数据的客观存在，的确为大数据技术的运用提供了现实性。但是，抛开与小额线上零售交易相关的那部分数据不谈，对于理解中国社会运作的一些更为关键方面的真实数据——特别是经济运行数据——的可获取性却没有得到相应的提升，外界对于中国经济运作的评估往往还是基于推测。这也就是说，当下的中国本身就是一个“数据爆炸”与“数据稀缺”的复合体，光看到前一面而忽略后一面乃是有失偏颇的。在这样的情况下，中国的社会科学工作者就必须练就针对这双面相的“组合拳功夫”，做到无论数据多寡，都能游刃有余，进退有据。而要做到这一点，关于“绿色智能”的理念规划与相关的建模工作，或许是便能助上一臂之力的。