当阿尔伯特·爱因斯坦于1955年去世时，负责尸检的病理学家在已经确定了死因的情况下，据称是心血来潮，切开了爱因斯坦的头骨，取出他的大脑进行科学研究。也许他希望自己能够发现其中的关键要素，亲手捧起“智能”的源泉。但大脑的重量最终被证明与常人无异。直到今天，我们对其智能的来源还没有神经学上的见解。
人工智能研究人员采用不同的方法来找出智能的构成：重构它，至少部分重构。就像爱因斯坦一直关注那些无形和抽象的物质一样，我们很难理解人工智能这一项目。人工智能没有头骨可供解剖，有些人可能认为这是不幸的，但这也可以被视为一个直面智能的机会。那么，人工智能神秘的面纱下究竟长什么样子呢？
在欧洲和美国的流行媒体中，关于人工智能和机器学习的文章通常用经典科幻电影中的人形角色来举例说明，如《终结者》、《机械姬》中的艾娃或《2001:太空漫游》中的哈尔9000。科幻小说经常将这项技术与超阳刚或超阴柔、反乌托邦或乌托邦式的想象以及白人特征联系在一起(即使这里所讨论的最高统治者没有身体)。
另一种主题是电路板或二进制代码与大脑插图的拼贴，通常用蓝色调。在这里，智能被归因于一个机械性的、孤立的人脑。这些图像似乎表明，从身体的“负担”中解脱出来后，智能要发挥其全部潜力靠的是二进制代码不是氧气。
谷歌搜索人工智能图像的截图。(菲利普·施密特提供)
这些图像纯粹是装饰性的，通常与文章无关。更糟糕的是，它们妨害了公众的想象力，是很重要的，因为它们影响我们如何开发、思考和设计有关新兴技术的政策，就像其在过去对核能或干细胞研究的影响一样。
尽管技术叙事的方法是有益的，但人工智能图像的广泛传播妨碍了公众的理解和对该类形象的个人想象发挥。这些图像暗示读者应该逃离机器人的暴政，或是沉浸在蓝色二进制代码的乌托邦幻想中。它们对于促进人们就机器学习系统中的偏见，或对自身智能的质疑等紧迫话题进行讨论毫无帮助。
在我日常生活的方方面面，包括期刊文章、会议海报、教科书里和我所在的纽约大学实验室，拟人化的人工智能图像基本上是不存在的。实际存在的是大量的、诸如神经网络和可视化方程之类的常人难以窥探的图表。对于外行人来说，这些图表可能看起来很神秘，但对于专家来说，它们就像是建筑蓝图。它们描述了神经元是如何相互连接的，信息是如何通过系统流动的，以及在每个阶段是如何处理并产生结果的。
如果非要说有什么能代表当代人工智能的图片，我认为它就在神经网络架构图中。我不太关心图表会告诉研究人员什么，但我关心神经网络的视觉表征和人工智能研究人员的认知概念之间的联系。当今人工智能的关键不是机器人入侵，而是智能的哪些概念被优先考虑，以及它们如何关联并构架整个世界。
人工神经元是由神经生理学家和控制论专家沃伦·麦卡洛克(Warren McCulloch)和逻辑学家沃尔特·皮茨(Walter Pitts)提出的。他们在1943年的论文中介绍了一种受人类本身启发的人工神经元。
麦卡洛克/皮茨神经元的组合。(沃伦·麦卡洛克和沃尔特·皮茨，1943) (Warren McCulloch and Walter Pitts, 1943)
作者将神经元手绘成相连的三角形，这不禁让人想起神经解剖学之父圣地亚哥·拉蒙·卡哈尔(Santiago Ramony Cajal)绘制的错综复杂的神经大脑图解。麦卡洛克和皮茨从卡哈尔的解剖学绘图中抽象出一种模块化的图形代表，将神经元渲染为模块化的构建块，可以自由重组以创建神经回路。正如科学和技术历史学家奥利特·哈珀恩（Orit Halpern）在她的《美丽的数据》一书中所写的那样，他们的工作表明“理性、认知功能，以及那些被标记为‘精神’的东西，在算法上可以从神经元看似基本的机械动作中推导出来。”
弗兰克·罗森布拉特（Frank Rosenblatt）开发的一个他称之为“Mark I Perceptron”的实体”感知机 ，一个基于单层神经网络的监督学习机器（康奈尔航空实验室，1958） (Cornell Aeronautical Lab, 1958)
其他早期的神经网络设计也借鉴了解剖学概念和术语。弗兰克·罗森布拉特的“感知器”既是一种简单的视觉分类算法，也是一种房间大小的机器，它以组织化的笔风绘制了大量美丽的图画，常常让人联想到细胞状结构。但是感知器的“视网膜”是正方形的，不像任何有眼睛的生物，罗森布拉特的团队用不同类型的图表进行了实验，这或许说明了他们希望克服繁琐的伪解剖学参考，找到一种不同的方式来表示认知功能。
奥利弗·塞尔弗里奇（Oliver Selfridge）的《大混乱》，由丽安娜·辛顿（Leanne Hinton）于1959年阐释，彼得·林赛（Peter Lindsay）和唐纳德·诺曼（Donald Norman）的《人类信息处理:心理学导论》于1977年出版。
奥利弗·塞尔弗里奇的《大混乱》(Pandemonium)(1959)是一个将莫尔斯电码翻译成文本的模式学习系统，这是神经网络的另一个创造性演绎。在这里，恶魔被类比为人类视觉。这些生物能识别和理解信号，它们设定一个特定的字母进行识别，当它们指定的字母被召唤时，会对着决策恶魔的耳朵喊叫。
恶魔是超自然的生物，可以是人类或非人类，也可以是从未进入过身体的灵魂。与大多数其他生物相比，这种无实体的恶魔可能是人工智能的更好替代品，因为它的出现不会让人出戏。
尽管如此，除了我们自己的形象之外，恶魔的形象和其他我们无法想象的概念一样，都是形象化的问题。 除非诉诸生命或精神，我们似乎在思考和讨论智能的层面上是极度匮乏词汇和想象力的。
20世纪90年代，科琳娜·科尔特斯(Corinna Cortes)和弗拉基米尔·瓦普尼克(Vladimir Vapnik)在贝尔实验室开发了“支持向量网络”，这是一种学习分析数据的监督算法。
几十年来，神经网络变得越来越复杂。多个互连的神经元层被引入，允许支持更为复杂的计算，并克服了早期神经网络的一些限制。在这种情况下，更好的学习算法和增强的计算能力允许更大、更深的网络吞噬不断增长的数据量。
AlexNet模型，一种用于图像识别的神经网络，由亚历克斯·克里热夫斯基（Alex Krizhevsky）、伊利亚·苏特怀尔（Ilya Sutskever）和杰弗里·辛顿（Geoffrey E. Hinton）于2012年发表。
现代深度学习神经网络在某些情况下能够做人类做的事情，甚至在某些情况下超过我们的能力。与此同时，这个领域已经将自己从与人类智能范例的关系中抽离出来，并将自己建构为一个独立、甚至是有争议的智能分支。
我们可以在图中看到这种距离：现代神经网络架构以一种越来越抽象、类似于工程流程图的方式呈现。早期的生物形态内涵已经从语言和视觉词汇中消失了。人类笔画的不准确性和笔在纸上的摩擦早已经屈服于精确生成的计算机图形。
阿吉·B·迪昂（Adji B. Dieng）、王冲（Chong Wang）、高剑锋（Jianfeng Gao）和在2016年建立了TopicRNN，这是一种在语言数据中建模的神经网络。
正如麦卡洛克和皮茨等控制论专家所设想的那样，神经网络现在被描绘成普遍适用的、模块化的学习和智能行为的构件。与此同时，越来越多的研究人员在他们的出版物中涵盖影响声明（impact statements）、模型卡（model cards）和营养标签（nutrition labels），以便赋予它们算法特异性。研究人工智能的可解释性的研究人员正在寻找越来越多的方法，将非人类的复杂性的数学过程转化为易于理解的图像、描述和图表。
那么，神经网络图比科幻小说更能刻画人工智能吗？其实大多数人无法理解它们，也无法像理解机器人那样与它们建立联系。但是如果这恰恰是他们最好的特征呢？
对人工智能图表中的暗喻和象征主义的诗意解读，会促使我们考虑它们的创作者如何看待认知，而不是把注意力投射到金属人形上。相比科幻小说和影视，这可能会促使我们就人工智能研究的风险和机遇展开更富有成效的对话。那么，随之而来的问题就是：我们还希望看到哪些关于智能的概念？我们又该如何表达它们呢？
田天增 | 译
赵 斌 | 校
孙艺萌「睿ⁿ」 | 编
（本文原文为英文，出自博古睿研究院出版的Noema杂志，发表于2021年3月2日。版权所有，未经允许请勿转载）
