社会抽样，非常简单，就是环顾四周，观察那些像你一样的人们的行为，找到大家的喜好，如果你觉得不错，那么你也这么做。思想传播具有这种驱动社会抽样的大众化功能，但个体的接受则在于需要了解这种思想如何对个体起作用，这是一种反思的态度。当你把社会抽样和个人判断结合起来，就会得到更好的决策。这太不可思议了，因为现在我们有了一个数学公式，可以用人工智能技术处理计算机神经元的方式来处理人类问题。考虑到经验越来越多，这种方法可以把人们聚在一起以做出更好的决定。
那么，在现实世界是怎样的呢？我们为什么不一直这样做呢？嗯，人们很擅长这件事，但也有一些方法可以让它疯狂。其中一个办法就是广告、宣传或“假新闻”。有很多方法可以让人们以为某个东西很受欢迎，但其实不然，这就破坏了社会抽样的效用性。只有当你得到的反馈是真实的时候，你才能使人类群体变得更聪明，使人类-人工智能更智能。这必须以每个人的行为是否对他们有用为基础。
这也是人工智能机制的关键。它们所做的就是分析它们的表现是否正确。如果是，加一；如果不是，减一。我们需要真实的反馈来使这个人类机制运作良好，需要有好办法来了解其他人在做什么，以便我们能够正确评估受欢迎程度，以及这个选择正确与否的可能性。
下一步是为人类建立这个信度分配函数，有了这个反馈功能，我们就可以建立一个良好的人类人工生态系统，也就是一个智能组织和一种智能文化。在某种程度上，我们需要复制一些早期的观点，比如美国人口普查就是因这样的观点而产生的。美国人口普查试图找到每个人都能认同和理解的基本事实，以便知识和文化能够真实地传播，同时社会抽样也更真实有效。
我们可以解决在许多不同的情景中建立准确的信度分配函数的问题。例如，在公司中，可以使用数字身份证来显示谁与谁有联系，这样我们就可以每天或每周评估与公司结果相关的联系模式。信度分配函数关心的是这些联系是对解决问题有帮助，还是会带来新的解决方案，然后信度分配函数会强化有用的联系。当你定量地得到反馈时（这很困难，因为大多数事情是不能定量测量的），组织内的生产力和创新率都可以得到显著的提高。例如，丰田“持续改进”的方法就以此为基础。
接下来尝试在更大规模上做同样的事情，我称之为建立数据信任网络。你可以把它看成一个像互联网一样的分布式系统，但是它能定量测量，能传递人类社会特质，就像美国人口普查能告诉我们人口数量和预期寿命一样。根据联合国可持续发展目标中规定的数据和衡量标准，我们已经在几个国家大规模部署了信任网络的原型。
展望未来，我们将如何通过构建人类-人工智能使人类更加智能化呢？这样的未来包括两个方向。一个是我们可以信任的数据，这些数据已经被广泛的社群审查过，这些数据的算法是已知的和可以监控的，就像我们完全信赖人口普查数据一样，至少我们相信它们是近似正确的。另一个是公正地以数据为导向对公共规范、政策和政府进行评估，这要基于描述当前情况的可信数据。第二个方向依赖于可信数据的可用性，因此才刚刚开始开发。可信的数据加上对规范、政策和政府的以数据为导向的评估，共同创造出一个信度分配函数，它可以提高社会的整体健康度和智能化。
在创建更大的社会智能的时候，假新闻、宣传和广告都会阻碍这一进程。幸运的是，信任网络给了我们一条前进的道路，让我们能够建设一个更能抵抗回声室效应、一时狂热以及疯狂行为的社会。我们已经开始开发一种建立社会测量的新方法，以帮助治愈在社会中看到的一些疾病。我们使用的是来自所有信息源的开放数据，鼓励人们在一个精心设计的数学框架中对所选择的事物进行公平的描述，这种数学框架可以消除回声，消除那些试图操纵我们的企图。
关于两极分化和不平等
当今世界上几乎所有地方都存在收入极端分化和种族隔离现象，这种现象有可能使政府和文明社会分崩离析。越来越多的媒体在广告点击的驱动下变得异常兴奋，无法提供平衡的事实和合理的话语，媒体的这种退化正在使人们失去方向感。他们不知道该相信什么，因此很容易被操纵。我们真正需要的是将各种文化根植于值得信赖的、以数据为导向的标准中，让我们能够了解哪些行为和政策起作用，哪些不起作用。
在向数字社会转型的过程中，我们已经失去了传统意义上对真理和正义的理解。在过去正义主要是非正式的、规范的。而现在我们已经使其正式化。同时，我们也使其脱离大多数人的生活。我们的法律体系正在以前所未有的方式让我们失望，正是因为和过去相比，现在的法律体系更正式、更数字化，也更与社会格格不入。
对于正义，世界各地的理解各不相同。核心区别在于：你或你的父母记得有坏人带着枪来拿走你家的所有东西吗？如果你记得这样的时刻，那么你对正义的理解与本书一般读者的看法就会不同。你来自上层社会吗？或者你来自社会底层？你的正义观取决于你的过往。
我给美国公民的一个常见测试是：你认识的人中有谁拥有一辆皮卡吗？皮卡车是销量最好的车，如果你不认识这样的人，你就脱离了一半以上的美国人的生活。物理隔离驱动概念隔离。大多数美国人对正义、机会和公平的看法与典型的曼哈顿人的看法非常不同。
如果你观察一个典型城市的人口流动模式，也就是人们去向哪里，你会发现，处于前20%（白领工作家庭）和后20%（有时处于失业或领取社会救济的家庭）的人之间几乎从无交流。他们不去同一个地方，也不谈论同一件事。名义上，他们都生活在同一个城市，但这就像是两个完全不同的城市，这也许是今天两极分化的最重要原因。
关于极端财富
世界上最富有的人中有200人在他们的一生中或在死后遗嘱中承诺捐献50%以上的财富，这让我们听到了多种不同的声音。比尔·盖茨的例子可能大家都耳熟能详。他决定，如果政府不做，他就做。你想要蚊帐吗？他可以给。你想要抗病毒药物吗？他可以给。我们让不同的利益相关者采取不同的行动，以服务公共利益，而他们对公共利益各有不同的理解。目标的多样性创造了当今世界的精彩纷呈。像福特基金会和斯隆基金会这样的政府以外的组织，它们敢做别人不敢做不愿做的事情，它们使世界变得更好。
当然，这些亿万富翁是人类，有着人类的弱点，但这一切未必一定如此。另外，当初第一条铁路建成时，情况也是如此。有些人大发横财。但也有很多人倾家荡产。而平凡如我们，得到的是铁路。那就很好。当初有电力时也是一样；每当有了新技术，就有同样的情况发生。总有一个搅动的过程，把某些人高高抛起，然后再把他们或他们的继承人摔在地上。19世纪末和20世纪初，当我们有了蒸汽机、铁路和电灯时，那个时代最大的一个特点就是出现了极端财富的泡沫。他们创造的财富在两三代之内都消失了。
如果美国与欧洲一样，我会很担心。在欧洲你会发现，同一个家庭拥有财富已经有几百年了，所以这些国家不仅在财富方面，在政治制度和其他方面都根深蒂固。但到目前为止，美国避免了这种世袭阶级制度。极端的财富没有停滞，这是好事。它不应该留在一个家族里。如果你中了彩票，得到10亿美元，但是你的孙子们还是应该靠工作谋生。
关于人工智能和社会
人们害怕人工智能。也许他们应该害怕。但他们需要认识到人工智能是以数据为基础的。没有数据，人工智能就一文不值。你不必观察人工智能；相反，你应该观察它得到的是什么数据，它在做什么。在欧盟和其他国家的帮助下，我们建立的信任网络框架成了我们可以拥有算法、拥有人工智能的地方，但是我们要考察一下进入到这个网络框架里的数据以及从这个框架中输出的东西，这样我们就可以问，这是一个歧视性的决定吗？这是我们人类想要的东西吗？或者，这个东西有点奇怪吗？
最具启发性的类比是，监管者、官僚机构和政府的某些部门非常像人工智能：他们接受我们称之为法律和法规的规则，并添加政府数据，做出影响我们生活的决定。当前体制的坏处在于，我们对这些部门、监管机构和官僚机构的监督很少。我们唯一的控制权是投票——一个选举另外其他人的机会。我们需要更精细地监管官僚机构。我们需要记录每一个决定依据的数据，让不同的利益相关者分析结果，就像民选立法机构最初打算做的那样。
如果我们有每个决策所依据的数据，就可以很容易地问，这是一个公平的算法吗？人工智能在做的是人类认为合乎道德的事情吗？这种“人在回路法”被称为“开放算法”：你可以看到人工智能把什么当成输入，可以看到它们使用该输入做了什么决定。如果你看到这两件事，你就会知道它们做的是对的还是错的。事实证明这并不难。如果你控制了数据，那么你就控制了人工智能。
人们经常忽略的一件事是，所有对人工智能的担忧都与对当今政府的担忧相同。对于政府的大部分部门，比如司法系统，没有可靠的数据告诉我们他们在做什么，现在是什么情况。如果你不知道输入和输出，你怎么知道法院是否公正？人工智能系统也有同样的问题，我们可以用同样的方法来解决。我们需要可信的数据来让现任政府根据他们接收和输出的信息承担起责任，人工智能也应如此。
下一代的人工智能
目前的人工智能机器学习算法的核心又死板、又简单、又愚蠢。这些算法管用，却只会一味地使用蛮力，所以它们需要数亿个样本。这些算法管用是因为你可以用许多微小简单的部分来近似任何事物。这是当前人工智能研究的关键观点，也就是说，如果你使用强化学习来获得信度分配反馈，你可以用这些微小的部分来近似你想要的任意函数。
但是，使用错误的函数进行决策意味着我们无法概括人工智能做出正确决策的能力。如果我们给人工智能全新的、不同的输入，它可能会做出完全不合理的决定。或者如果情况改变了，你需要重新培训它。一些有趣的技术可以让我们在这些人工智能系统中找到“零空间”。所谓零空间，就是一些输入，人工智能会将其视作自己被训练来识别的有效例子，如人脸、猫等，但对人类来说，这些例子很疯狂。
目前人工智能进行描述性统计的方法并非科学方法，也几乎不可能成为科学。为了构建强大的系统，我们需要了解数据背后的科学。我认为下一代人工智能系统应该来自这种科学方法：如果你要创建一个人工智能来处理一些物理问题，那么你应该在其中构建物理定律作为你的描述性功能，而不是那些愚蠢的小神经元。例如，我们知道物理学使用多项式、正弦波和指数函数，所以这些函数应该是基本函数，而不是线性神经元。通过使用那些更合适的基本函数，你仅需要更少的数据就能处理更多的噪声，获得更好的结果。
在物理例子中，如果我们想构建一个人工智能来处理人类行为，那么我们需要将人类网络的统计特性构建成机器学习算法。当你用捕捉人类行为基本信息的神经元代替愚蠢的神经元时，你可以用很少的数据来识别趋势，也可以处理大量的噪声。
人类对大多数问题都有“常识性”的理解，这一事实证明了我所谓的人类策略：人类社会是一个网络，就像为深度学习而训练的神经网络一样，但人类社会中的“神经元”更聪明。你和我有令人惊讶的一般描述性能力，我们用这种能力来理解各种各样的情况，我们可以认识到哪些联系应该得到强化。这意味着我们可以塑造我们的社交网络，使其更加有效，并有可能击败所有基于机器的人工智能。
20 使看不见的为人所见：当艺术遇见人工智能 MAKING THE INVISIBLE VISIBLE: ART MEETS AI
Many contemporary artists are articulating various doubts about the promises of AI and reminding us not to associate the term“artificial intelligence" solely with positive outcomes.
许多当代艺术家对人工智能的未来抱有各种怀疑，他们提醒我们不要把“人工智能”这个词仅仅与积极有益的结果联系在一起。
汉斯·乌尔里希·奥布里斯特
Hans Ulrich Obrist
汉斯·乌尔里希·奥布里斯特是伦敦蛇形画廊的艺术总监，著有《策展方式》（Ways of Curating）和《艺术家的生活，建筑师的生活》（Lives of the Artists, Lives of the Architects）。
布罗克曼谈汉斯·乌尔里希·奥布里斯特
“紧急！紧急！”当我从肯尼迪机场经过长途飞行，到达马尔彭萨机场，在行李传送带处打开电话时，收到十几封邮件，其中一封火急火燎地抄送给我，就这样写道。“具有远见卓识的伟大的美国思想家约翰·布罗克曼今天早上抵达米兰大酒店。你一定，重复一遍，一定要去拜访他。”邮件的签名是霍（HUO，奥布里斯特的名字首字母的缩写）。
前一天晚上，当我在肯尼迪机场的休息室里候机时，我突然有了一个好主意，我写信给我的朋友，也是我的长期合作者，伦敦的巡回美术馆馆长汉斯·乌尔里希·奥布里斯特（大家都叫他霍），问他在米兰有没有我应该认识的人。
我刚入住酒店，电话就响了起来，许多意大利著名艺术家、设计师和建筑师应邀前来参加会议，其中包括：恩佐·玛丽（Enzo Mari），现代主义艺术家、家具设计师；阿尔贝托·加鲁蒂（Alberto Garutti），他的美学策略为当代艺术、观众和公共空间之间的对话提供了灵感；还有时尚设计师缪西娅·普拉达（Miuccia Prada），她“今天下午在普拉达总部请您来喝茶”。因此，多亏了霍，在倒时差的“具有远见卓识的伟大的美国思想家”，2011年11月迷迷糊糊地度过了他在米兰的第一天。
霍是个自成一格的人：他每天24小时都在活动，我猜他随时想睡就睡。他雇用全职助手，他们每天24小时轮班工作，而且全天候随叫随到。在最近两年，每年有40个周末他都会去中国或印度的艺术场馆参观，星期四晚上离开伦敦，星期一回到他的办公桌。2016年，《艺术评论》（ArtReview）评出年度“最有影响力100人”排行榜，他再次位列榜首。
最近在伦敦新市政厅举行的蛇形画廊活动“客人，幽灵，主人：机器！”中，我们组成合作小组。文卡·拉马克里希南、扬·塔里安以及艾伦·图灵研究所的研究主任安德鲁·布莱克（Andrew Blake）也一起参加了会议。这一活动符合霍的将艺术和科学融合的使命。“馆长不再被简单地看成用物体填满一个空间的人，”他说，“而是被看成把不同的文化领域联系在一起的人，他能创造新的展示特征，并创造出连接点，使得意想不到的遭遇和结果发生。”
马歇尔·麦克卢汉在他的《理解媒介》（Understanding Media）一书第二版的导言中指出，艺术有能力“预测未来的社会发展和技术发展”。艺术是“一个早期预警系统”，它给我们指出未来时代的新发展，让我们“做好准备应对它们。……艺术对社会极为敏感，具有不可或缺的感性训练功能”。
1964年，当麦克卢汉首次出版这本书时，艺术家白南准正在着手建造他的机器人K-456，去试验随后开始影响社会的技术。他之前曾与电视台合作，挑战电视观众通常的被动消费，后来又通过全球卫星直播制作艺术作品，他不是将新媒体用于娱乐，而是用来向我们展示其诗意和跨文化能力（如今这些能力仍大多未被使用）。当然，我们这个时代的白南准现在正致力于互联网、数字图像和人工智能。他们的工作和思想，将再一次成为我们未来发展的早期预警系统。
作为馆长，我的日常工作是将不同的艺术作品汇集在一起，将不同的文化联系起来。自20世纪90年代初开始，我一直在组织来自不同学科的从业者的对话和会议，目的是将各种知识汇集。因为我很想听听艺术家们对人工智能的看法，所以最近我又组织了几次艺术家和工程师之间的对话。
我们之所以要仔细研究人工智能，主要是因为目前最重要的两个问题：“人工智能的能力将有多大？”“它可能给我们人类带来什么危险？”人工智能的早期应用已经影响了我们的日常生活，这种影响或多或少是被公众认可的。未来它对社会的许多方面都将产生越来越大的影响，但总体而言，我们尚不确定这些影响是有益的还是有害的。
许多当代艺术家正密切关注这些发展。他们对人工智能的未来抱有各种怀疑，他们提醒我们不要把“人工智能”这个词仅仅与积极有益的结果联系在一起。当前对于人工智能的讨论，艺术家们明确提出了他们的看法，他们特别关注的问题是图像制作、创造力以及将编程作为艺术工具的使用。
已故的海因茨·冯·弗尔斯特早已注意到科学与艺术之间的深层联系，他是控制论的建构者之一，从20世纪40年代中期开始与诺伯特·维纳合作，在20世纪60年代建立了二阶控制论，该理论把观察者看成系统本身的一部分，而不是外部实体。我很了解冯·弗尔斯特，在我们的许多谈话中，他提出了对艺术和科学之间关系的看法：
我一直认为艺术和科学是两个互补的领域。人们不应该忘记科学家在某些方面也是艺术家。他发明了一种新技术，并对其进行描述。他像诗人或侦探小说的作者一样使用语言，描述他的发现。在我看来，如果一个科学家想将他的研究传播出去，他必须以一种艺术家的方式工作。显然他想要与人交流和交谈。科学家发明了新物体，问题是如何描述它们。在所有这些方面，科学和艺术并没有什么不同。
当我问他如何界定控制论时，冯·弗尔斯特说：
我们从控制论中学到的最本质的东西是绕圈子思考：A引出B, B引出C，但从C又可以回到A。这类论点不是线性的，而是圆形的。控制论对我们思想的重要贡献是让我们接受循环论证。这意味着我们必须观察循环过程，并了解在什么情况下出现平衡，从而形成稳定的结构。
如今，人工智能算法已经广泛应用在日常生活中，人们可以问，在这些过程中，人类作为一个要素是如何参与其中的，创造力和艺术在这些过程中扮演什么角色。因此，在探索人工智能与艺术之间的关系时，需要考虑不同的层面。
那么当代艺术家是如何看待人工智能的呢？
人工愚蠢
希托·史德耶尔（Hito Steyerl），一位创作纪录片和实验电影的艺术家，她认为当我们思考人工智能对社会的影响时，有两点我们应该牢牢记住。首先，她说，人们常常高估了所谓的人工智能，而且“智能”这个名词具有误导性；为了准确表达这一点，她使用了“人工愚蠢”这个词。其次，她指出程序员现在正在通过图像使不可见的软件算法清晰可见，但是为了更好地理解和解释这些图像，我们应该使用艺术家的专业知识。
史德耶尔使用计算机技术多年，她最近的作品探索了监控技术、机器人和一些计算机游戏，如关于数字图像技术的How Not to Be Seen（2013年）和在保持平衡的艰难任务中训练机器人的HellYeahWeFuckDie（2017年）。但为了解释她的“人工愚蠢”概念，史德耶尔提到了一个更普遍的现象，如现在广泛使用的推特机器人，在我们的谈话中她指出：
利用推特上的大量推手来左右民意、改变流行观点过去是，现在仍然是选举中的一个常用工具。这是一个非常非常低级的人工智能。它只有两到三行指令，一点儿也不复杂。然而，这种我称之为人工愚蠢的东西所带来的社会影响，却对全球政治意义重大。
众所周知，这种技术在2016年美国总统大选前以及英国脱欧公投前不久的许多自动推特帖子中均出现过。如果像这些机器人一样的低级人工智能技术已经影响到我们的政治，另一个紧迫的问题就出现了：“未来更先进的技术究竟会有多强大？”
看得见的/看不见的
艺术家保罗·克利（Paul Klee）经常说艺术“使不可见的可见”。在计算机技术中，大多数算法在后台工作，我们看不见；在日常使用的系统中，我们仍无法接触到它们。但是最近在机器学习中出现了有趣的可视性回归。人工智能的深度学习算法处理数据的方式已经通过谷歌的DeepStream等应用程序得以展现，在该应用程序中，计算机模式识别过程实时可视。这个应用程序演示了深度学习算法如何尝试将动物形态与任何给定输入匹配。还有许多其他的人工智能可视化程序，都以它们各自的方式“使不可见的可见”。在史德耶尔看来，公众对这些图像的普遍感知困难在于，他们不加批判地将这些视觉模式视为机器过程的现实和客观表述。谈到这种可视化的美学，她说：
对我来说，这说明科学已经成为艺术史的一个分支。……现在很多抽象的电脑模式，看起来就像是保罗·克利或者马克·罗斯科（Mark Rothko）的画作，或者艺术史上其他抽象大师的作品。它们之间唯一的区别，在我看来，就是当前的科学思想把这些电脑模式看成现实表现，几乎就像纪录片图像一样，而在艺术史上，对不同类型的抽象的理解是非常细微的。
她所寻求的是深刻理解计算机生成的图像以及生成图像所使用的不同美学形式。显然这不是以追求某种美学传统为明确目标的。在与史德耶尔的对话中，计算机工程师迈克·泰卡（Mike Tyka）解释了这些图像的功能：
我们想要了解黑盒子里的秘密，正是这种需求启发了深度学习系统，尤其是视觉系统。这些系统的目标是将这些过程投射回现实世界。
然而，这些图像具有美学意义和价值，必须加以考虑。可以说，虽然程序员使用这些图像来帮助我们更好地理解程序的算法，但我们需要艺术家的知识来更好地理解人工智能的美学形式。正如史德耶尔所指出的，这种可视化通常被理解为对过程的“真实”再现，但是我们应该注意，必须批判性、分析性地看待它们各自的美学及内涵。
2017年，艺术家特雷弗·帕格伦（Trevor Paglen）创建了《视觉机器》（Sight Machine）项目，使这些不可见的人工智能算法可见。在这个项目中，他拍摄了克洛诺斯四重奏的实况表演，并用各种计算机软件程序处理这些图像。这些软件程序包括人脸检测、目标识别，甚至导弹制导程序。他将这些算法的结果实时地投射到舞台上方的屏幕上。通过演示不同的程序如何诠释音乐家的表演，帕格伦表明，人工智能算法总是取决于价值和兴趣集，并会显现和重复这些价值和兴趣集，因此我们必须批判性地质疑它们。算法和音乐之间的明显对比也提出了一个问题，也就是技术与人类感知之间的关系。
计算机作为一种创造工具，不能取代艺术家
考虑到人工智能所带来的问题，视频艺术家蕾切尔·罗斯（Rachel Rose）在创作她的作品时采用了计算机技术。她的电影通过移动的图像给观众一种物质性的体验。她使用材料的折叠和分层来处理声音和图像，她工作中最重要的一面可能就是编辑过程。
罗斯还谈到了决策在工作中的重要性。对她而言，艺术过程并不遵循理性的模式。在谷歌文化研究所，我们和工程师肯里克·麦克道尔（Kenric McDowell）进行了一次谈话，为了解释这一点，她引用了戏剧导演彼得·布鲁克（Peter Brook）1968年出版的一本书《空的空间》（The Empty Space）中的一个故事。20世纪60年代后期，布鲁克为《暴风雨》（The Tempest）设计布景，开始时他做了一个日本花园，但后来这个设计相继演变成一个白色的盒子、一个黑色的盒子、一个现实布景，等等。最后，他又回到了原来的设计。布鲁克写道，他花了一个月的时间费心费力，结果却回到原点，这让他感到震惊无比。但这也表明，艺术创作的过程是一个连续的过程，每一步都建立在上一步的基础上，最终结果却不可预测。这个过程不是一连串的逻辑或理性，而主要与艺术家对之前结果的反应有关。谈到自己的艺术决策时，罗斯说：
对我来说，它与机器学习有着明显的不同，因为在每一个决定中，都有一种核心情感，这种情感只有人类才有，它与移情有关，与交流有关，与我们自己的死亡问题有关，这种生死问题只有人类才有。
这一点强调了人类艺术创作与所谓的计算机创造力之间的根本区别。罗斯将人工智能视为创造更好工具来为人类服务的一种途径：
关于机器学习为艺术家服务，我能想象出来的地方不是发展独立的主观性，比如写诗或制作图像，而是填补与劳动有关的空白，就像Photoshop软件使用你也使用的各种工具一样。
罗斯说，尽管这些工具看起来并不高大上，但“它们可能对艺术产生更大的影响”，因为它们为艺术家的创作提供了更多的可能性。
麦克道尔补充说，他也认为人们对人工智能有许多错误的预期。“我注意到，”他说，“人们认为计算机能做人类能做的所有事情，这种想法很奇怪。”他继续说：“就好像这是一面魔镜，我们向镜子里望去，希望它能写一部小说，希望它能拍一部电影，然后再想方设法把它摒弃。”他现在正在研究的项目是人类与机器协作。当前人工智能研究的一个目标就是寻找人类与软件之间的新的交互方式。我们可以说，艺术需要在其中发挥关键作用，因为艺术关注的是我们的主体性和人类的本质，如移情和死亡。
控制论/艺术
苏珊娜·特雷斯特（Suzanne Treister）是一位艺术家，她在2009年到2011年间的作品为我们提供了例证，让我们看到当前技术、艺术和控制论交错在一起带来了什么。自20世纪90年代以来，特雷斯特率先尝试数字艺术，她发明了虚构的电子游戏，并绘制了其中的屏幕截图。在Hexen2.0项目中，她回顾了1946年到1953年在纽约举办的著名的梅西控制论会议，这些会议由工程师和社会科学家组织，目的是统一科学并提出一个普遍的心智工作理论。
在她的项目中，她创作了30部关于与会者的照片文本作品（其中包括维纳和冯·弗尔斯特），发明了一副塔罗牌，还制作了一个基于“控制论降神会”的蒙太奇照片的视频。“降神会”中，我们看到与会者就像参加真正的降神会一样坐在圆桌旁，而他们关于控制论的某些观点通过拼贴的音频释放出来——这是一种将理性知识与迷信相结合的方式。她还指出，一些参与研究的科学家为军方工作；因此，控制论的应用可以说一直处于很矛盾的状态，即使在那时，它也在纯粹的知识与作为国家控制的工具之间左右摇摆着。
如果你看看特雷斯特关于梅西会议参与者的作品，你会发现视觉艺术家没有参会。在未来的讨论中，艺术家和科学家之间的对话将成效斐然，不过这在当时却还没有实现——考虑到冯·弗尔斯特对艺术具有浓厚兴趣，这有点令人惊讶。在一次谈话中，冯·弗尔斯特告诉我们他与这个领域的渊源可以追溯到童年：
我在一个艺术家庭长大。经常有诗人、哲学家、画家和雕刻家来我家做客。艺术就是我生活的一部分。后来，我学习了物理学，因为我在这方面很有天赋。但我始终都清楚艺术对科学是何等重要。对我来说这两者并没有太大的区别。在我看来，它们就是生活的两个方面，它们非常相似，也很容易接近。我们应该把它们看作一个整体。一个艺术家必须反思他的作品。他必须考虑他的语法和语言。画家必须懂得如何处理色彩。想想文艺复兴时期对油画色彩的研究有多深入。他们想知道一种特定的色素如何与其他色素混合，以获得特定的红色或蓝色。化学家与画家的合作非常密切。我认为把科学和艺术划分开是错误的。
尽管对于冯·弗尔斯特来说，艺术和科学之间的联系一直都是清楚明白的，但对于我们这个时代来说，仍需要建立两者的联系。增强它们之间的联系有很多原因。艺术家的批判性思维对于人工智能危险性的思考是有益的，因为艺术家让我们去思考那些从他们的角度来看非常必要的问题。随着机器学习的到来，艺术家有了新工具来完成他们的工作。随着新方法的应用，人工智能算法得以通过人工图像显现出来，艺术家批判性的视觉知识和专业知识将得到充分利用。人工智能的许多关键问题本质上是哲学的，只能从整体的角度来回答。富有冒险精神的艺术家对这些问题的表现形式值得关注。
模拟世界
在很大程度上，当代艺术家的作品体现了人类对人工智能的反思，这种反思表现在自我的存在主义问题和未来我们与非人类实体的互动方面。然而，很少有人把人工智能的技术和创新作为他们工作的基础素材，并将之雕刻成自己想要的模样。艺术家伊恩·程（Ian Cheng）是个例外，他已经创造出拥有不同程度的感知和智慧的整个人造世界。他将这些世界称为实况模拟。他于2015年到2017年创作的《使者》（Emissaries）三部曲以一个虚构的后启示录动植物世界为背景，在这个世界里，受人工智能驱动的生物探索这里的风景并相互交流。程使用先进的图形，但对图形的编程有许多故障和不完善之处，表达出未来感和时代错误同时并存的感觉。通过他的三部曲这样一部描绘意识史的作品，他提出一个问题：“什么是模拟？”
虽然利用人工智能的最新进步创作出来的大部分艺术作品都是从机器学习领域中汲取灵感，但程的实况模拟却选择了一条完全独立的道路。在《使者》的每一幕模拟中，交错的主角和情节线都使用人工智能的复杂逻辑系统和规则。他的场景不断发展，其深刻之处在于，复杂性不是由任何一个参与者或人造神的欲望或行动产生的，而是通过他们的会聚、碰撞和彼此共生的不断进化而产生的。这会导致意想不到的结果和不可预知的情况，连续观看他的作品时，你绝对不会体验到完全相同的时刻。
程在蛇形画廊马拉松表演活动“客人，幽灵，主人：机器！”中与理查德·埃文斯（Richard Evans）展开辩论。伊万斯最近刚设计出一个基于人工智能的讲故事游戏互动平台Versu。伊万斯的这个作品强调游戏人物的社交互动，游戏人物会对人类玩家的选择做出一系列可能的行为反应。在交谈中，伊万斯说，该项目的一个起点是早期的大多数模拟电子游戏，如《模拟人生》，这些游戏没有充分考虑到社交实践的重要性。游戏中的模拟主角通常会以与真实人类行为不符的方式行事。虽然社交实践知识限制了行动的可能性，但它对于理解我们行动的意义还是必要的，这正是程对他自己的模拟感兴趣的原因所在。在计算机模拟中，在特定情况下，确定的动作参数越多，程就越觉得个体和特定变化的实验有趣。他告诉埃文斯：“我认为，如果我们的人工智能能够对社交背景有更好的反应，稍稍调整一下，你就会得到一件充满艺术感和美感的作品。”
程还认为，程序员的工作和人工智能模拟实际上创建了一种全新的复杂工具，可用于试验我们日常社交实践的参数。这样，艺术家参与人工智能研究，就会带来全新的开放式的艺术实验。正如整体提高人工智能能力一样，这种可能性也许在未来能够实现。程意识到这项实验技术还处于初期阶段，与超级人工智能接管世界的天启未来还相距甚远，他的模拟化身使用平凡角色，如奇怪的微生物球、狗和不死生物。
当然，艺术家与工程师之间这样的讨论并不是现在才有。早在20世纪60年代，工程师比利·克吕弗（Billy Klüver）就在一系列活动中把艺术家和工程师召集到一起。1967年，他与罗伯特·劳森伯格等人共同创立了艺术和技术实验项目。与此同时，在伦敦，艺术家安置小组的芭芭拉·斯泰韦宁（Babara Stevini）和约翰·莱瑟姆（John Latham）更是宣称，每家公司和每个政府都应该雇用艺术家。今天，这些鼓舞人心的历史模型可以应用到人工智能领域。随着人工智能越来越多地出现在我们的日常生活中，创造一个非确定性和非功利性的空间，表现其多样化视角和多样性理解，无疑是必不可少的。
21 人工智能与4岁儿童的对比 AIS VERSUS FOUR-YEAR-OLDS
Looking at what children do may give programmers useful hints about directions for computer learning.
看看孩子们的行为，这可能会给程序员提供一些有关计算机学习方向的有用提示。
艾莉森·高普尼克
Alison Gopnik
艾莉森·高普尼克是加州大学伯克利分校的发展心理学专家，她的著作包括《孩子如何思考》（The Philosophical Baby）和最新的《园丁与木匠》（The Gardener and the Carpenter）。
注：艾莉森·高普尼克的著作《园丁与木匠》《孩子如何思考》《孩子如何学习》中文简体字版已由湛庐文化策划，浙江人民出版社出版。——编者注
布罗克曼谈艾莉森·高普尼克
艾莉森·高普尼克是儿童学习和发展领域的国际领导者，也是“心智理论”领域的创始人之一。她说孩子的大脑是一台“强大的学习计算机”，这也许是来自个人经验。她在费城度过的童年时光极大地锻炼了她的智力发展。她回忆说：“其他家庭带孩子去看《音乐之声》（Sound of Music）或《天上人间》（Carousel）；我们看达辛（Lacine）的《斐德拉》（Phaedra）和塞缪尔·贝克特（Samuel Bechett）的《终局》（Endgame）。我们一家人野营时，会围着篝火大声朗读18世纪作家亨利·菲尔丁（Henry Fielding）的小说《约瑟夫·安德鲁斯》（Joseph Andrews）。”
最近，她援引机器学习的贝叶斯模型来解释学龄前儿童具有不使用大量数据集而能对周围世界得出结论的非凡能力。“我认为婴儿和儿童实际上比我们成年人更有意识力。”她说，“他们非常擅长从许多不同的信息源同时获取大量信息。”她把婴儿和幼儿称为“人类物种的研究和发展部门”，但这并不是说她对待他们冷漠无情，好像他们只是实验室里的小动物。实际上他们似乎很喜欢她的陪伴，喜欢她伯克利实验室里那些会眨眼、会嗡嗡作响的玩具。当她自己的孩子长大后很多年，她的办公室里还有一个婴儿围栏。
她继续研究我们人类的学习模式，以及人类的学习方法与人工智能的深度学习方法之间的相似之处。她说：“事实证明，模仿一个训练有素的成人专家的推理要比模仿每个婴儿的日常学习容易得多。算法仍然是最好的，事实上，也是我们唯一的科学解释，它解释了像大脑这样的物理对象是如何智能运作的。但是，至少现在，对于在孩子身上看到的那种创造力究竟是怎么回事，我们几乎一无所知。”
每个人都听说过人工智能，特别是机器学习领域的新进步。也听说过这些进步会带来怎样的乌托邦或世界末日预言。人们预言这些进步要么会带来不朽，要么会带来世界末日，关于这两种可能性，很多文章都做了描述。但是，即使是最复杂的人工智能也远远不能解决人类4岁孩子就能轻松完成的问题。虽然人工智能有一个很炫的名字，但它主要包含的技术是用于检测大型数据集里的统计模式的。而要了解人类学习，还需要多得多的技术。
我们怎么可能会对周围的世界了解这么多呢？即使当我们还是小孩子时，我们就已经知道很多东西了；4岁的孩子已经知道植物、动物和机器，了解欲望、信仰和情感，甚至知道恐龙和宇宙飞船。
科学把我们对世界的认识扩展到无法想象的巨大以及无穷无尽的微小，扩展到宇宙的边缘和时间的开始。我们利用这些知识进行新的分类和预测，想象新的可能性，使新的事物出现。但是，我们每个人从世界上得到的都是撞击视网膜的光子流和扰动耳膜的空气。当我们仅有有限的证据时，我们如何才能如此了解这个世界？仅靠眼睛后面的几磅灰色黏液，我们如何做到这些？
到目前为止，最好的答案是，我们的大脑对到达感官的具体的、特别的、杂乱的数据进行计算，这些计算产生了对世界的精确表征。这些表征形式似乎是结构化的、抽象的和层次化的；它们包括对三维物体、语言背后的语法以及像“心智理论”这样的心理能力的感知，心智理论让我们能够理解其他人的想法。这些表征使我们能够做出大量预测，以人类特有的创造方式想象出许多新的可能性。
这种学习不是唯一的一种智能，但它对人类特别重要。这种智能是幼儿的专长。尽管孩子们不擅长计划和做出决策，但他们是宇宙中最好的学习者。将数据转化为理论的过程大部分发生在我们5岁之前。
自亚里士多德和柏拉图以来，有两种基本方法可以用来解决我们是如何获取知识的问题，这两种方法现在也仍然是机器学习的主要方法。亚里士多德的解决方法是自下而上：从感官开始，也就是从光子流和空气振动（或数字图像的像素、录音的声音样本）开始，然后看看你是否能从中提取模式。哲学家大卫·休谟和约翰·穆勒等经典联想论者，以及后来的行为心理学家如巴甫洛夫和斯金纳进一步发展了这种方法。该观点认为，表征的抽象性和层次结构是一种错觉，或者至少是一种附带现象。所有的工作都可以通过关联和模式检测来完成，尤其是在有足够的数据的情况下。
随着时间的推移，解决学习之谜的这两种方法，即自下而上的方法和柏拉图的自上而下的方法之间，出现了拉锯现象。自上而下的方法认为，也许我们能够从具体的数据中获得抽象知识，是因为我们已经了解很多，特别是因为拜进化所赐，我们已经有了一系列基本的抽象概念。像科学家一样，我们可以利用这些概念来形成关于世界的假设。然后，我们可以预测如果这些假设是正确的，数据应该是什么样子，而不是试图从原始数据中提取模式。与柏拉图一样，笛卡尔和乔姆斯基等“理性主义”哲学家和心理学家也采取这种方法。
下面是一个日常的例子，说明了这两种方法的区别：解决垃圾邮件泛滥。数据是由收件箱中的一长串未排序的邮件组成的。事实上，其中有一些邮件是有用的，有些则是垃圾邮件。如何使用数据来区分它们？
