數位心智也得益於軟體的大幅優勢:
- 可編輯性。若要做參數變化實驗,在軟體中會比在神經組織中容易。舉例來說,有了全腦仿真,就可以輕易試驗若在特定皮質區域增加更多的神經元,或增減它們的可激發性,會發生什麼事。在活體生物腦中進行這種實驗則會困難許多。
- 可複製性。有了軟體,就可以快速且隨意製造出許多高度保真的複製品,並灌入現有的硬體基礎中。相對而言,生物腦只能十分緩慢地複製,而且每一個新品剛誕生時,都處於派不上用場的的狀態。他們此時的生命經驗,甚至完全不記得從雙親那邊學會的事物。
- 目標協調性。人類群體充斥著效率低落,因此幾乎不可能在大團體成員中達到完全統一的目的—至少在可以使用藥物或基因選擇等手段大規模引發馴服性之前,做不到這一點。一個「模仿幫」(copy clan,一群完全一樣或者幾乎一樣、有著普遍目標的程式)可以避免這種協調難題。
- 記憶分享。生物腦需要長期的訓練和師徒相傳,數位心智則可藉由交換資料來獲得新記憶和技能。一個人工智慧程式的十億個複本可以定期同步資料,所以每一個都完全知道其他程式上個鐘頭學了什麼(直接交換記憶需要標準化的表現格式。因此,不可能要任一對機器智慧輕易交換高水準的認知內容。尤其是第一代全腦仿真不可能做到)。
- 新模組、新形式和新演算法。視覺感知對我們來說輕而易舉,可不像解決課本上的幾何問題。但這忽略了一件事:用我們視網膜上的二維刺激模式,來將一個充滿可知覺物體的世界做三次元重現,需要大量的運算。感覺起來很簡單,那是因為我們有可以專門處理視覺資訊的低階神經機制。低階處理會無意識地自動發生,不會耗費我們的精神能量,也不需要意識專注。音樂感知、語言使用和社會認知等對人類來說十分「自然」的資訊處理,似乎也同樣有專門的神經運算模組。人工心智若在當今世界日漸重要的其他認知領域擁有特化支援(如工程、電腦程式設計和商業策略),那麼相較於我們這種仰賴拙劣通用認知的心智,它們將占有很大的優勢。它們也有可能開發出新的演算法來利用數位硬體功能的明確優勢,就像它支援快速序列處理一樣。
機器智慧靠著合併硬軟體得到的終極優勢是十分巨大的。但這些潛在的優勢多快可以實現?是我們接下來要討論的問題。
*作者為牛津大學哲學系教授,其學術背景包含理論物理學、計算神經科學、數學邏輯、人工智慧以及哲學。他在全球五十歲以下的哲學家中被引用次數最多,擁有廣泛的影響力。伯斯特隆姆同時是牛津馬丁學院人類未來研究所(Future of Humanity Institute)的創立者和所長。本文選自作者著作《超智慧:AI風險的最佳解答》(感電出版)