核心思想可以簡單總結(jié)為:整個神經(jīng)網(wǎng)絡(luò)內(nèi)的每種可觀察的現(xiàn)象,都可以通過神經(jīng)網(wǎng)絡(luò)進行建模。從這個角度來看,宇宙自身在廣義上也可能是個碩大無朋的神經(jīng)網(wǎng)絡(luò)。
明尼蘇達州德盧斯大學(xué)物理學(xué)教授Vitaly Vanchurin去年8月在論文預(yù)發(fā)表平臺arXiv上發(fā)表了一篇題為《世界即神經(jīng)網(wǎng)絡(luò)》的文章,其中的觀點可謂驚世駭俗。https://arxiv.org/pdf/2008.01540.pdf)
日前,F(xiàn)uturism雜志記者Victor Tangermann采訪了Vanchurin,并就論文內(nèi)容做出探討。
中心思想
根據(jù)論文觀點:
“
我們討論了整個宇宙在其基本層面上屬于神經(jīng)網(wǎng)絡(luò)的可能性。我們在其中確定兩種不同類型的動態(tài)自由度:“可訓(xùn)練”變量(例如偏差向量或者權(quán)重矩陣)以及“隱藏”變量(例如神經(jīng)元的狀態(tài)向量)。
”
從最基本的層面出發(fā),Vanchurin在論文中嘗試對量子物理學(xué)與經(jīng)典物理學(xué)之間之間的鴻溝做出一統(tǒng)性解釋。我們知道,量子物理學(xué)在解釋宇宙背景下微觀系統(tǒng)內(nèi)的動態(tài)方面相當可靠。例如,在處理單一光子時,我們可以根據(jù)量子力學(xué)理論實現(xiàn)可觀察性、可重復(fù)性與可測量性。
但在嘗試將量子物理學(xué)與經(jīng)典物理學(xué)對接起來時,我們發(fā)現(xiàn)這些可觀察的量子現(xiàn)象很難與經(jīng)典觀察結(jié)果實現(xiàn)統(tǒng)一,甚至可以說出現(xiàn)了明確的理論斷裂。
爭議
在對宇宙本質(zhì)的解釋理論進行層層剝離之后,我們發(fā)現(xiàn)其核心永遠是用一種“至高真相”替代另一種“至高真相”。理論家們把從神創(chuàng)論到“缸中之腦”的各種觀點都假定為現(xiàn)實,希望借此對量子力學(xué)現(xiàn)象做出可行的解讀。
最終得到的結(jié)果有二:其一為“平行世界”,其二為“稱其變量”。而Vanchurin的工作,正是嘗試通過自己的“神經(jīng)網(wǎng)絡(luò)世界”理論對二者做出調(diào)和。
為此,Vanchurin得出以下結(jié)論:
“
在本文中,我們討論了整個宇宙在最基本的層面上屬于神經(jīng)網(wǎng)絡(luò)的可能性。這是個極為大膽的主張,其中強調(diào)的不只是人工神經(jīng)網(wǎng)絡(luò)在分析物理體系或者發(fā)現(xiàn)物理定律方面的可行性,而是更為直接的結(jié)論——神經(jīng)網(wǎng)絡(luò)就是我們周遭世界的實際運作方式。從這方面出發(fā),要想證明這一觀點的謬誤,我們只需要找到那些無法用神經(jīng)網(wǎng)絡(luò)原理描述的物理現(xiàn)象。但不幸的是(或者說幸運的是),我們似乎找不到這樣的現(xiàn)象。
”
Vanchurin明確提到,他并不會在“平行世界”理論中添加任何額外的解釋,而這種不做加工的方法也正是論文當中最有趣的哲學(xué)意義所在。
如果Vanchurin的成果成功通過同行評審,或者至少啟發(fā)人們開始考慮整個宇宙是個具備完備功能的神經(jīng)網(wǎng)絡(luò)的現(xiàn)實可能性,那么我們將迎來一條寶貴的線索。這條線索也許會讓我們陷入更深層次的困境,但也有可能成為通往終極大一統(tǒng)理論的階梯。
如果我們都是這個巨大神經(jīng)網(wǎng)絡(luò)中的節(jié)點,那么這套網(wǎng)絡(luò)的存在目的是什么?宇宙是個巨大的封閉網(wǎng)絡(luò),抑或是某個更大網(wǎng)絡(luò)中的單一層?也許我們所接觸的,只是同一網(wǎng)絡(luò)當中數(shù)萬億個宇宙中的一個。在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時,我們會運行數(shù)百萬乃至數(shù)千萬次循環(huán),直到AI完成適當“訓(xùn)練”。如果說這個背景性的場域真的是更龐大機器內(nèi)的組成部分,那我們?nèi)祟悤粫皇菬o數(shù)訓(xùn)練周期中的一輪?
(聲明:本文僅代表作者觀點,不代表科技行者立場。)
好文章,需要你的鼓勵
騰訊ARC實驗室推出AudioStory系統(tǒng),首次實現(xiàn)AI根據(jù)復(fù)雜指令創(chuàng)作完整長篇音頻故事。該系統(tǒng)結(jié)合大語言模型的敘事推理能力與音頻生成技術(shù),通過交錯式推理生成、解耦橋接機制和漸進式訓(xùn)練,能夠?qū)?fù)雜指令分解為連續(xù)音頻場景并保持整體連貫性。在AudioStory-10K基準測試中表現(xiàn)優(yōu)異,為AI音頻創(chuàng)作開辟新方向。
Meta與特拉維夫大學(xué)聯(lián)合研發(fā)的VideoJAM技術(shù),通過讓AI同時學(xué)習(xí)外觀和運動信息,顯著解決了當前視頻生成模型中動作不連貫、違反物理定律的核心問題。該技術(shù)僅需添加兩個線性層就能大幅提升運動質(zhì)量,在多項測試中超越包括Sora在內(nèi)的商業(yè)模型,為AI視頻生成的實用化應(yīng)用奠定了重要基礎(chǔ)。
上海AI實驗室發(fā)布OmniAlign-V研究,首次系統(tǒng)性解決多模態(tài)大語言模型人性化對話問題。該研究創(chuàng)建了包含20萬高質(zhì)量樣本的訓(xùn)練數(shù)據(jù)集和MM-AlignBench評測基準,通過創(chuàng)新的數(shù)據(jù)生成和質(zhì)量管控方法,讓AI在保持技術(shù)能力的同時顯著提升人性化交互水平,為AI價值觀對齊提供了可行技術(shù)路徑。
谷歌DeepMind團隊開發(fā)的GraphCast是一個革命性的AI天氣預(yù)測模型,能夠在不到一分鐘內(nèi)完成10天全球天氣預(yù)報,準確性超越傳統(tǒng)方法90%的指標。該模型采用圖神經(jīng)網(wǎng)絡(luò)技術(shù),通過學(xué)習(xí)40年歷史數(shù)據(jù)掌握天氣變化規(guī)律,在極端天氣預(yù)測方面表現(xiàn)卓越,能耗僅為傳統(tǒng)方法的千分之一,為氣象學(xué)領(lǐng)域帶來了效率和精度的雙重突破。