作者 | Matteo Pasquinelli
譯者 | 彎月，責編 | 郭芮
出品 | CSDN（ID：CSDNnews）
導語：算法究竟從何而來？所謂的“AI”是否純粹依靠先進的技術？人工智能與人類智能之間又究竟有着什麼關系......
本文作者追溯到三千年前的火壇祭儀式，通過介紹火壇祭儀式的古代幾何學、第一個神經網絡Perceptron的計算矩陣、以及自動駕駛車輛的複雜導航系統等内容，得出一個結論：人們所謂的“AI”實際上是将集體行為、個人資料和個人勞動結合到私有化算法的漫長曆史過程，算法源自經驗而非先進的技術。
在古代吠陀的宇宙起源論中有一個美麗的神話，傳說由于宇宙的誕生，古神生主（Prajapati）被肢解成了碎片。在宇宙誕生之後，這位至高無上的神隻剩下殘軀。在他的火壇祭儀式中，印度教信徒為了重組這位古神支離破碎的軀體，他們根據精心設計的幾何圖案建造了一座火祭壇。
這座火祭壇的鋪設采用了成千上萬塊形狀和大小都十分精确的磚頭，最後拼成一個獵鷹的形狀。他們一步步按照訓示，将每塊磚準确地放入指定的編号和位置，在鋪設的過程中他們還口誦咒語。祭壇一層層鋪建起來，最後的面積和形狀與信徒們的設計完全相符。
解邏輯之謎是此次儀式的關鍵，祭壇的每一層都必須與相鄰的層保持形狀和面積相同，但磚塊的位置卻不同。這個獵鷹祭壇最終必須面向東方，因為這是重組的古神朝着朝陽起飛的象征，他們通過幾何手段完成了此次古神的轉世。
插圖來自印度哲學雜志27.1（1999年）
印度公元前800年左右問世的《Shulba Sutras》中對該火壇祭的儀式有詳細的描述，這本書中還描述了一些更古老的印度傳統。《Shulba Sutras》講述了具有特定幾何形狀的祭壇的建造，他們建造的這些祭壇都是獻給古神的禮物。例如，書中說：“如果你想摧毀現在和将來的敵人，那麼就應該搭建一座菱形的火祭壇。”上述獵鷹形狀的火壇祭由七個方格的示意圖演變而來。在吠陀的傳統中，傳說仙人的靈魂都由七個方形的神我（宇宙實體或人）組成，而生主也是以這種形式出現。
1907年，藝術史學家Wilhelm Worringer提出原始藝術誕生于山洞壁畫的抽象線條，但人們可以假設藝術手法也源自線條與碎片的組合，而後又引入了日益複雜的形式和幾何技術。意大利數學家Paolo Zellini在對吠陀數學的研究中發現，人們通過火壇祭儀式，世代相傳幾何近似與漸進式增長的技術，換句話說這種技術就是算法，相當于萊布尼茨與牛頓的微積分。
時至今日，火壇祭仍然是印度目前仍在使用的古老儀式之一，也是算法文化的先驅。但是，我們怎樣才能将火壇祭這種古老的儀式定義為算法呢？
火壇祭為什麼是算法文化的先驅？
對許多人而言，通過最新技術的範式來閱讀古代文化似乎是一種剽竊文化的行為。然而，聲稱抽象的知識技術和人工元語言屬于現代西方工業，這種說法不僅從曆史的角度來看并不準确，而且也是以殖民主義的眼光看待其他地方和其他時代的文化的表象。法國數學家Jean-Luc Chabert指出：“算法本身自然存在，甚至在人們創造出這個特殊的詞語來形容它們之前就存在了。算法代表一組按部就班的指令，通過非常機械地執行，就能達到預期的結果。”如今，有些人可能将算法視為抽象數學原理的最新技術創新。其實，算法是最古老和最重要的實踐之一，早于許多人類工具和所有現代機器：
算法并不局限于數學......
巴比倫人用算法來決定法律觀點，拉丁語教師利用算法來矯正文法，而且在預測未來、決定醫療或準備食物等所有文化中也用到了算法……是以，我們在讨論食譜、規則、技術、過程、程式和方法時，也通過相同的詞語來描述不同的場景。例如，中國人的數學和國術中都使用了“術”，這個詞代表規則、過程或政策……
而現在，算法這個術語代表系統計算的任何過程，而這些過程都可以自動執行。主要受計算的影響，如今算法一詞的含義已局限到僅代表一個基本要素，與過程、方法或技術之類的模糊概念有所差別。
在數學和幾何學得到鞏固發展之前，古代文明已經成為社會分割的重要機器，它标志着人體和領土的抽象，這種抽象一直存在了數千年，而且還将繼續存在下去。同時，曆史學家Lewis Mumford、Gilles Deleuze與Félix Guattari提供了一系列古老的抽象和社會分割技術：“紋身、切除、切割、雕刻、劃傷、傷殘，包圍和啟動。”數字已經成為了社會分割和地域化“原始抽象機器”的組成部分，人類文化正來源于此，例如，第一次人口普查發生在公元前3800年左右的美索不達米亞。邏輯形式來源于社會形式，而數字則出現于勞動和儀式、紀律和權力、标記和重複。
在20世紀70年代，“民族數學”透過精英數學的柏拉圖式循環有了突破性的發展，揭示了計算背後的曆史主題。目前以計算和算法政治為辯論中心的政治問題其實非常建黨，正如Diane Nelson所說：誰更重要？誰做計算？算法和機器不能自行進行計算；它們始終為他人、機構和市場、工業和軍隊做計算。
算法是什麼？
術語“算法”源自波斯學者al-Khwarizmi名字的拉丁化。他于9世紀在巴格達撰寫了著作《印度數字計算》一書，該書向西方引入了印度教的數字，以及相應的計算數字的新方法，即算法。
事實上，中世紀拉丁語“algorismus”指的是用印度數字進行四個基本數學運算——加法，減法，乘法和除法的程式和捷徑。後來，術語“算法”被人們用作表示任何逐漸的邏輯過程，并成為計算邏輯的核心。
一般來說，我們可以将算法的曆史分為三個階段：在古代，算法可以認為是程式化、規則化儀式的過程，通過該過程實作特定的目标和傳遞規則；在中世紀，算法是輔助數學運算的過程；在現代，算法是邏輯過程，由機器和數字計算機完全機械化和自動化。
從諸如火壇祭儀式和印度教計算規則等古代實踐中，我們可以勾畫出一個現代計算機科學中“算法”的基本定義：（1）算法是對重複過程的抽象，是對時間、空間、勞動和操作的組織：它不是從自上而下的發明，而是從自下而上總結出的規則；（2）算法将過程劃分為有限的步驟，以便有效地執行和控制過程；（3）算法是問題的解決方案，一項超越局限限制的發明：任何算法都是一個技巧；（4）最重要的是，算法是一個經濟過程，因為它必須在空間、時間和能量方面使用最少量的資源，以适應有限制的情況。
如今，随着人工智能的不斷壯大，人們傾向于将算法視為抽象數學思想在具體資料上的應用。而實際上，算法的曆史表明，它源于物質實踐，源自空間、時間、勞動和社會關系的世俗劃分。儀式過程、社會慣例以及空間和時間的組織是算法的源泉，從這個意義上說，它們甚至在複雜的文化系統（如神話、宗教，尤其是語言）興起之前就已存在。
就人類的發展過程而言，可以認為社會實踐和儀式過程中展現出的算法才是數字和數字技術出現的原因，而不是相反的方向。看看查爾斯·巴貝奇和卡爾·馬克思的研究我們就能發現，現代計算正在從具體逐漸發展成抽象的形式。
插圖來源：Frank Rosenblatt的論文《 Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms》（紐約布法羅康奈爾航空實驗室，1961年）。
作為計算空間機器學習的崛起
1957年，在紐約布法羅的康奈爾航空實驗室，認知科學家Frank Rosenblatt發明并建構了Perceptron，這是第一個實用的神經網絡，它是所有機器學習的祖先，當時這是一個機密的軍事秘密。
Perceptron的第一個原型是一台模拟計算機，由20×20個感光元（稱為“視網膜”）的輸入裝置組成，通過電線連接配接到一層人工神經元，神經元分析輸入并産生一個輸出（一個燈泡打開或關閉 ，表示0或1）。Perceptron的“視網膜”記錄了諸如字母和三角形之類的簡單形狀，并将電信号傳遞給多個神經元，這些神經元根據門檻值邏輯計算結果。Perceptron類似于照相機，可以通過訓練識别特定形狀，即做出有誤差的決定（這是“智能”機器的功能）。Perceptron還是第一個機器學習算法，它是一個基本的“二進制分類器”，可以确定模式是否屬于特定類别（輸入圖像是否為三角形，是否為正方形等）。
為了實作這一點，Perceptron會逐漸調整其節點的值，以便将大數字輸入（400個數字的空間矩陣）解析為簡單的二進制輸出（0或1）。如果識别出輸入圖像為特定類别（例如三角形），則Perceptron的輸出結果為1；否則它會給出結果0。最初需要一個人工操作員訓練Perceptron學習正确答案（手動将輸出節點切換到0或1），讓機器在這些監督的基礎之上，正确識别類似的形狀。Perceptron的設計目的不是記住特定的模式，而是學習如何識别任意模式。
Perceptron中20×20感光元矩陣悄悄引發計算革命（随着“深度學習”機器學習技術的出現，它在二十一世紀初登上了計算的王位）。雖然Perceptron受到了生物神經元的啟發，但從嚴格的邏輯觀點來看，Perceptron并不是生物形态，而是拓撲形态；它标志着“計算空間”（或稱“自我計算空間”）範式的興起。從那時起，計算範式中引入了第二個空間次元，而在此前的計算空間中隻有線性次元（參見圖靈機，它隻能沿着線性的紙帶讀寫0和1）。這種拓撲結構是人們今天“人工智能”的核心，可以更準确地描述為從被動資訊範式到主動資訊範式的轉變。在Perceptron中，視覺矩陣的像素根據其空間配置以自下而上的方式計算，而不是通過自上向下的算法（比如當今由圖形軟體程式編輯的任何圖像）處理視覺矩陣。視覺資料的空間關系塑造了算法的操作。
由于空間邏輯，是以研究神經網絡的計算機科學分支最初被稱為“計算幾何”。計算空間（或稱自我計算空間）的範式與對自組織原理的研究有着共同的根源，而後者正是二戰後控制論的核心，比如馮·諾依曼的元胞自動機（1948）和Konrad Zuse的Rechnender Raum（1967）。馮·諾伊曼的元胞自動機是一群像素，它們被當作網格上的小細胞，根據相鄰細胞的狀況而改變狀态并移動，進而組成各種幾何圖形，類似于不斷變化的生命形式。元胞自動機已被用于模拟進化和研究所學生物系統的複雜性，但它們仍然局限于有限宇宙中有限狀态的算法。Konrad Zuse（1938年在柏林建造了第一台可程式設計計算機）試圖将細胞自動機的邏輯擴充到實體學和整個宇宙。
他設想的“rechnender Raum”（或叫計算空間）是一個由離散機關組成的宇宙，其行為會根據相鄰機關的行為而調整。艾倫·圖靈的最後一篇文章“形态發生的化學基礎”（1952年出版，也就是他去世前兩年），也屬于自我計算結構的傳統。圖靈認為生物系統中的分子是能夠解釋複雜的自下而上結構的自我計算能力，例如水中的觸手模式、植物中的螺旋排列、胚胎中的原腸胚、動物皮膚中的斑點以及花中的葉序。
馮·諾依曼的元胞自動機和Zuse的計算空間十分直覺，很容易了解成空間模型，而Rosenblatt的神經網絡則顯示了更複雜的拓撲結構，需要更多關注。實際上，神經網絡采用極其複雜的組合結構，也許這正是它們成為機器學習最有效算法的原因。據說神經網絡能“解決任何問題”，這意味着它們可以根據通用近似定理（利用一定數量的神經元和計算資源層）來近似任何函數。所有機器學習系統，包括支援向量機、馬爾可夫鍊、Hopfield網絡、玻爾茲曼機器和卷積神經網絡等數不勝數的各種模型都是以計算幾何模型為起點。從這個意義上講，它們都是古老的組合學藝術的一部分。
插圖來源：Hans Meinhardt的著作《The Algorithmic Beauty of Sea Shells》（Springer Science & Business Media出版，2009年）
視覺勞動的自動化
即使到了二十世紀末，也沒有人會将卡車司機稱為“認知工作者”，或知識分子。在二十一世紀初，機器學習在自動駕駛車輛開發中的應用讓人們對駕駛等手工技能有了新的認識，人們發現了這些工作中最有價值的成分，一般來說，這些工作絕不僅僅是手工技能，還涉及社會和認知技能（以及感性技能，它應當介于手工和認知之間，但人們在這方面對勞動的認識依然不足）。
司機做了哪些工作？人工智能應當通過傳感器記錄哪些人工任務，模仿統計模型，并通過自動化取代？回答這個問題的最佳途徑是檢視哪些技術已成功實作自動化，以及哪些技術尚未成功實作。
自動駕駛的工業項目已經明确指出（比政治經濟學要更明确），駕駛勞動是遵循制定規則和自發的社會習俗的有意識的活動。但是，如果駕駛技巧可以轉化為算法，那必然是因為駕駛具有邏輯和推理結構。駕駛是一種邏輯活動，而一般而言，勞動也是一種邏輯活動。這個假設有助于解決關于體力勞動和智力勞動之間老生常談的争議。其中的政治悖論在于，人工智能AI算法企業的發展讓人們認識到勞動中長期被人忽視的認知成分。勞動與邏輯之間的關系是什麼？這成為了人工智能時代一個至關重要的哲學問題。
自動駕駛車輛可以自動執行駕駛員在繁忙道路上必須做出的所有微觀決策。人工神經網絡學習（即模仿和複制）道路空間的視覺感覺與車輛控制（轉向、加速、制動）的機械動作之間的人為相關性，并以此作為依據，在出現危險時的幾毫秒内做出道德決策（ 為了車輛内外人員的安全）。很明顯，駕駛的工作需要高度的認知技能，不能憑即興和本能做出決策，而是應該依靠快速的決策和解決問題的能力，而後者是通過多年的習慣和長期的、并非完全有意識的訓練形成的。駕駛本質上也是一種社會活動，遵循制定的規則（具有法律限制）和自發規則，以及任何駕駛員必須遵守的“文化規範”。人們曾多次指出，在孟買開車與在奧斯陸開車是不一樣的。
顯然，駕駛需要強烈的感覺勞動。事實上，絕大部分勞動都是感覺性的，需要在眨眼間進行持續的決策和認知行為。認知不能完全脫離空間邏輯，并且通常在其更抽象的結構中遵循空間邏輯。感覺是邏輯性的，認知是空間性的，這兩個觀察結果都需要通過經驗證明，并無法通過那些建構統計模型以推斷視覺空間（編碼為3D道路場景的數字視訊）的自動駕駛AI算法的大肆宣傳。
此外，人工智能在自動駕駛汽車和無人機中取代的駕駛員并非個人駕駛員，而是駕駛員集體，它們是在城市和世界中負責導航的社會大腦。我們透過自動駕駛汽車企業項目就可以發現，很明顯，人工智能建立在集體資料的基礎之上，這些資料對空間、時間、勞動和社會關系的集體生産進行了編碼。AI模仿、替換并源自社會空間有組織的劃分（首先是物質算法，而不是抽象的數學公式或分析的應用）。
插圖來源：Chris Urmson的Ted talk “How a Driverless Car Sees the Road.” Urmson是Google’s自動駕駛汽車項目的前首席工程師。動畫來源：ZMScience.
空間的記憶和智能
以速度（或稱“速度學”，dromology）著稱的法國哲學家保羅·維裡利奧（Paul Virilio）也是空間和拓撲學的理論家，他認為技術加速了對空間的感覺，就像它改變了時間觀念一樣。有趣的是，維裡利奧的著作《The Vision Machine》的标題靈感來自Rosenblatt的Perceptron。憑借二十世紀思想家的經典博學，維裡利奧在古代基于空間化的記憶技術（如Loci方法）與現代計算機記憶作為空間矩陣之間劃清了界線：
西塞羅（Cicero）和古代記憶理論家認為，你可以通過正确的訓練來鞏固自然記憶。
他們發明了一種地形系統，即基因座（Loci）方法，一種圖像助記符，包括選擇一系列友善在時間和空間上排序的地點和位置。例如，你可以想象在房子裡閑逛，選擇各種桌子，從大門口看到的椅子、窗台、牆上的标記等等。然後，将需要記住的材料編碼成離散的圖像，并将每個圖像以正确的順序插入到各個基因座中。比如，為了記住某次演講的内容，你可以将要點轉換為具體的圖像，并在腦海中将每個要點放入連續的基因座中。
在發表演講時，你隻需按順序回憶房子的各個部分。
将空間、拓撲坐标和幾何部分轉換為記憶技巧的方式，基本上相當于現在将集體空間轉變為機器智能的來源。在這本書的最後，維裡利奧反映了“視覺機器”（如Perceptron）時代的圖像狀态，以“視覺産業化”的形式對于人工智能即将到來的時代給出了警告：
“此刻，對象在感覺我，”畫家保羅·克利（Paul Klee）在他的筆記中寫道。這個驚人的斷言如今已經變成了客觀事實。他們談論的不就是在不久的将來生成能夠識别形狀的輪廓，還能完全解釋視野的“視覺機器”嗎？
他們是不是也在談論視覺新技術：在由計算機控制的視訊相機上實作不可見視覺的可能性？......這種技術将用于工業生産和庫存控制，也許還能用于軍事機器人的技術。
既然他們正在為感覺自動化做準備，為了人工視覺的創新，将客觀現實的分析委托給機器，那麼我們也許可以再考慮一下虛拟圖像的本質......
現如今，我們在讨論視聽的發展時，不可能脫離新視覺工業化、合成感覺的真實市場的增長以及所有相關道德問題......不要忘記Perceptron背後的整體想法是鼓勵第五代“專家系統”的出現，換句話說，人工智能隻有通過擷取感覺器官才能獲得進一步的發展。
Ioannis de Sacro Busco, Algorismus Domini, c. 1501，羅馬國家中央圖書館。照片來源：Public Domain/Internet Archive.
總結
通過了解火壇祭儀式的古代幾何學、第一個神經網絡Perceptron的計算矩陣、以及自動駕駛車輛的複雜導航系統——這些不同的空間邏輯可以證明，算法源自經驗，而非先進的技術。
火壇祭儀式是經驗催生算法的一個例子，其代表的是社會和儀式空間的組織。該儀式象征着人們通過平凡的手段完成古神的轉世；這種重建的實踐也象征着用神來表示許多人（或通過許多人來“計算”神）。該儀式對社會的貢獻在于世代相傳基本的幾何技能以及建造堅固的建築。火壇祭儀式是一種算法思維形式，其遵循原始和簡單的計算幾何邏輯。
Perceptron也是一種經驗産生的算法，根據空間劃分進行編碼，特别是視覺資料的空間矩陣。Perceptron的感光元矩陣定義了一個封閉的領域，并處理一個根據它們的空間關系計算資料的算法。這裡的算法也表現為一個由經驗産生的過程——在一個過程或模式多次重複之後，對其進行編碼和具體化。所有機器學習算法都是經驗産生的過程，利用相似模式的不斷重複；“訓練”機器，直至模式按統計分布出現。
自動駕駛車輛是一個由複雜經驗産生算法的例子，它們是從複雜的空間構造（即作為交通規則的社會制度和道路環境産生的自發規則）發展而來的。在記錄這些自發規則和給定場所的交通規則之後，自動駕駛車輛的算法試圖預測在繁忙道路上可能發生的意外事件。對于自動駕駛車輛而言，自動化企業打造的烏托邦能夠徹底消滅人類駕駛員，進而能夠僅通過道路場景的視覺空間來決定地圖的導航。
火壇祭儀式、Perceptron和自動駕駛車輛的AI系統都以不同的方式形成了自我計算空間和經驗産生算法（也許，所有這一切都形成了勞動的隐形化）。
計算空間（或自我計算空間）的概念強調了機器學習和人工智能的算法是經驗生成的系統，該系統構築在空間、時間、勞動和社會關系的平凡和物質劃分上。機器學習來自網格，這些網格來自古老的抽象和儀式，這些抽象和儀式曾被用于标記領土、身體、計算人員和物品；是以，本質上機器學習來自社會勞動的擴充分工。盡管人們稱它為“人工智能”，但人工智能實際上并不是“人工的”或“外來的”：在常見的意識形态神秘化的過程中，它似乎是古代戲劇中的天外救星。但這實際上隐藏了真相：實際上它來自于人類世界的智慧。
人們所謂的“AI”實際上是将集體行為、個人資料和個人勞動結合到私有化算法的漫長曆史過程，這些算法用于複雜任務的自動化：從駕駛到翻譯，從物體識别到音樂創作。正如工業時代的機器是從實驗、技術訣竅以及技術勞工、工程師和工匠的勞動力中發展起來的一樣，人工智能的統計模型也來自集體智慧産生的資料。也就是說，人工智能是一個巨大的模仿集體智慧的引擎。人工智能與人類智能之間有什麼關系？其關系就是社會的分工。
原文：
https://www.e-flux.com/journal/101/273221/three-thousand-years-of-algorithmic-rituals-the-emergence-of-ai-from-the-computation-of-space/
本文為 CSDN 翻譯，轉載請注明來源出處。
(*本文為 AI科技大學營轉載文章，轉載請微信原作者)