核心思想可以简单总结为:整个神经网络内的每种可观察的现象,都可以通过神经网络进行建模。从这个角度来看,宇宙自身在广义上也可能是个硕大无朋的神经网络。
明尼苏达州德卢斯大学物理学教授Vitaly Vanchurin去年8月在论文预发表平台arXiv上发表了一篇题为《世界即神经网络》的文章,其中的观点可谓惊世骇俗。https://arxiv.org/pdf/2008.01540.pdf)
日前,Futurism杂志记者Victor Tangermann采访了Vanchurin,并就论文内容做出探讨。
中心思想
根据论文观点:
“
我们讨论了整个宇宙在其基本层面上属于神经网络的可能性。我们在其中确定两种不同类型的动态自由度:“可训练”变量(例如偏差向量或者权重矩阵)以及“隐藏”变量(例如神经元的状态向量)。
”
从最基本的层面出发,Vanchurin在论文中尝试对量子物理学与经典物理学之间之间的鸿沟做出一统性解释。我们知道,量子物理学在解释宇宙背景下微观系统内的动态方面相当可靠。例如,在处理单一光子时,我们可以根据量子力学理论实现可观察性、可重复性与可测量性。
但在尝试将量子物理学与经典物理学对接起来时,我们发现这些可观察的量子现象很难与经典观察结果实现统一,甚至可以说出现了明确的理论断裂。
争议
在对宇宙本质的解释理论进行层层剥离之后,我们发现其核心永远是用一种“至高真相”替代另一种“至高真相”。理论家们把从神创论到“缸中之脑”的各种观点都假定为现实,希望借此对量子力学现象做出可行的解读。
最终得到的结果有二:其一为“平行世界”,其二为“称其变量”。而Vanchurin的工作,正是尝试通过自己的“神经网络世界”理论对二者做出调和。
为此,Vanchurin得出以下结论:
“
在本文中,我们讨论了整个宇宙在最基本的层面上属于神经网络的可能性。这是个极为大胆的主张,其中强调的不只是人工神经网络在分析物理体系或者发现物理定律方面的可行性,而是更为直接的结论——神经网络就是我们周遭世界的实际运作方式。从这方面出发,要想证明这一观点的谬误,我们只需要找到那些无法用神经网络原理描述的物理现象。但不幸的是(或者说幸运的是),我们似乎找不到这样的现象。
”
Vanchurin明确提到,他并不会在“平行世界”理论中添加任何额外的解释,而这种不做加工的方法也正是论文当中最有趣的哲学意义所在。
如果Vanchurin的成果成功通过同行评审,或者至少启发人们开始考虑整个宇宙是个具备完备功能的神经网络的现实可能性,那么我们将迎来一条宝贵的线索。这条线索也许会让我们陷入更深层次的困境,但也有可能成为通往终极大一统理论的阶梯。
如果我们都是这个巨大神经网络中的节点,那么这套网络的存在目的是什么?宇宙是个巨大的封闭网络,抑或是某个更大网络中的单一层?也许我们所接触的,只是同一网络当中数万亿个宇宙中的一个。在训练神经网络时,我们会运行数百万乃至数千万次循环,直到AI完成适当“训练”。如果说这个背景性的场域真的是更庞大机器内的组成部分,那我们人类会不会只是无数训练周期中的一轮?
(声明:本文仅代表作者观点,不代表科技行者立场。)
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。