反向弗林效应和智力的下降
快速阅读: 据《心灵很重要》称，本文探讨了智能的定义，涵盖心理学与AI视角，强调技能获取与泛化能力。同时分析智商测试、流体智能及大脑结构的作用，并提及“弗林效应”。
这是探讨“智能”概念的四部分系列文章中的第一篇——既涉及我们自身，也涉及我们所谓的“人工智能”（AI）。我想剖析当前智商（IQ）争论的基本内容，以及神经科学告诉我们关于一般智力（g）的信息。然后我将审视弗朗索瓦·乔莱特在他出色的文章《智能的衡量》中对智能的论述。这篇文章是面向旨在构建人工通用智能（AGI）的AI科学家的。智能的概念几乎贯穿了所有关于人工智能过去、现在和未来的讨论。然而，该领域常常回避一个根本性的问题：什么是真正的智能？我的目标是为这个问题提供一些见解。让我们回到我们的智能——如何测量它，关于它是否在变化的争论（即，我们是不是变得更笨了？），以及大脑在其中扮演的角色。
什么是智能？
从人类思维到机器学习
心理学家琳达·戈特弗雷德森和其他52位专家在1994年《华尔街日报》的一份声明中提供了广受引用的智能定义。他们的原始声明包含25条陈述，每一条都突出了智能的一个关键方面。此后这一定义被提炼——由伊恩·麦吉尔克里斯特（Iain McGilchrist）在《事物的本质》（2021年）中总结如下：
这说得通。一个宽泛且涵盖一切的定义不太可能错误，但可能过于广泛，无法作为精确分析工具。为了更尖锐的观点，我们转向谷歌的研究员弗朗索瓦·乔莱特，他以一种直接服务于AI和AGI讨论的方式定义智能：
乔莱特的定义同样适用于人类智能和AI。技能获取是一个基本概念：如果一个认知系统——无论是自然的还是人工的——不能获取新技能，就不能被视为智能。同样地，泛化能力至关重要。智能不仅仅是解决已知问题，而是适应新的、不熟悉的情况，在这些情况下，以往的经验没有直接优势。
乔莱特的定义与其他基于AI的智能定义相一致。考虑一下谢恩·莱格和马库斯·赫特于2007年提出的总结，他们分析了心理学和AI领域大约70种定义：
在这里，我们看到相同的核心思想：技能获取被表述为“实现目标”，而泛化能力则嵌入在“各种环境”中。无论来自心理学还是AI，这些定义揭示了一个本质矛盾：智能本质上是关于能力——掌握任务、识别模式并有效应用知识？还是关于适应性——高效学习新技能并在不同任务之间进行泛化的能力？答案有着深远的影响——不仅对我们理解人类智能，而且对我们对AI的期望。
读者应由此推断：无论自然智能或人工智能的共识多么零散且有争议，它往往可以归结为两个关键要素。智能包括（1）获取技能以实现目标的能力，以及（2）在不同情境中应用这些技能的能力，从而扩大可学习和完成的事物范围。
一种缺乏血肉的智能观念
图片来源：Nadzeya – Adobe Stock
在我看来，这是一种相当缺乏血肉的智能观念。它几乎没有为创造力、想象力、隐喻或人类认知中更为复杂的一面留下空间。但这只是一个开始。当涉及到评估技术未来主义者和AI爱好者的大胆主张时，即使这种简化框架也能给我们一些依据。
用伊曼努尔·康德的话来说：没有泛化的技能获取是狭隘的；没有技能获取的泛化是盲目的。为什么？以白蚁和苍蝇为例。我们可以说白蚁在钻木头方面非常“熟练”，或者苍蝇是破坏野餐的专家——但这些能力如此固定地与生俱来，以至于它们的泛化能力实际上为零。白蚁不关心三明治，苍蝇也不对挖掘隧道感兴趣。真正的智能需要两者兼备：获取新技能的能力和跨不同领域灵活应用它们的能力。我们需要学习新的行动方式——并且，至关重要的是，要在不同的情境中这样做：在空中、在海上、在新的环境中（尽管也许不是在宇宙中——这是一个另作讨论的话题）。
这个框架——基于先验知识和经验的技能获取——将在我们考察AlphaZero等AI系统时成为核心内容，这是谷歌DeepMind用于掌握国际象棋和围棋等棋类游戏的系统。同样，泛化概念，对于数据科学家而言是机器学习中的关键基准，将在评估AI实现通用智能（AGI）的潜力时发挥关键作用。
智商测试与认知智能
20世纪初，阿尔弗雷德·比奈（1857-1911）和西奥多·西蒙（1873-1961）试图找到一种方法，区分有心智障碍的儿童和有行为问题的儿童。结果就是斯坦福-比奈智力量表，也就是我们熟悉的智商测试。这项测试预见了乔莱特关于AI的一些区别。值得注意的是，它提出了一种形式的普遍智能，“g”，定义为适用于人类能解决的任意问题的智能。
这种普遍智能有两种形式：结晶智能（Gc）：源于先前知识和训练的智能。流体智能（Gf）：在新颖和任意问题上灵活运作的智能，很大程度上独立于特定知识或训练。流体g是圣杯——我们在人类认知中最重视的，也是我们最终希望在机器中实现的。
多年来，智商测试一直备受争议和滥用。然而，它们仍然存在，主要是因为它们与诸如未来收入、教育程度和社会地位等认知“优点”反复相关。正如麦吉尔克里斯特所说：我们保留智商测试，并就它们争论不休，是因为它们说了一些东西。不是全部，但确实有一些。
大脑在流体智能中的作用
不出所料，麦吉尔克里斯特收集了大量神经科学证据——病变研究、临床实验和认知研究——来挑战逻辑计算思维（通常与左半球相关）是流体g的主要驱动力这一假设。相反，证据指向右半球，特别是连接大脑神经网络不同部分的长白质束。其中最重要的一个是上纵束（SLF），即连接大脑不同区域的长白质束，其中包括弓状束。
Sobotta. colour changed by was_a_bee. File:Sobo_1909_670-671.png/ Public Domain.
这里引人注目的是，白质束促进整体性的、整合性的连接，而不是局限于特定脑区。这与流体智能本身相符，流体智能依赖于在不同情境中建立联系，而不是根据预设规则操作。
我不会陷入神经科学的细节中，但有一项研究值得一提：一项大规模研究调查了158名患者脑损伤对智能的影响，发现了一个显著的模式：这一发现加强了这样的观点：流体智能——我们适应、抽象推理和应对新挑战的能力——较少依赖于特定领域的处理，更多依赖于广泛的跨网络整合。
超越计算
麦吉尔克里斯特承认，两个半球协同工作几乎肯定优于单独工作——即使是右半球。但右半球的侧化继续符合一个有趣的叙述：我们通常与左半球相关的“抽象操作”——语言、逻辑和计算——在关键的认知资产如智能、想象力和直觉中起到了出人意料的次要作用。一再发现，人类思维并不按照计算模型或隐喻运作。这一事实得到了越来越多的神经科学证据的支持，直接挑战了目前的理论，即我们只是有缺陷的计算机，而机器很快会成为更好的版本。
2018年版相反，似乎越来越明显的是，我们是比单纯计算更好的版本。右半球的整体性整合能力没有计算对应物——没有当今机器线性、逐步操作的等价物。这种对心灵的误解的一个直接后果是我们把自己归入了计算机的领域。现代世界沉迷于信息处理，坚持将左半球逻辑线性、机械的策略的未知但至关重要的能力归因于右半球。或者更准确地说：两个半球协同工作的能力——作为主人与使者。这就是麦吉尔克里斯特在其里程碑式作品《主人与他的使者》（2009年，2018年更新版）中的论点。他认为右半球整合了左半球的还原性和机械性策略，使自己成为真正的主人，而左半球则是它的使者。
但在日益技术中心的世界中，首先由工业革命塑造，如今以无处不在的信息技术形式如火如荼地发展，这种平衡已被颠覆。我们可以预期这种从右向左的转变会带来某种程度的退化。换句话说，我们会期待一个优先考虑处理而非理解的世界。
让我们回到智商测试——以及“弗林效应”。
(以上内容均由Ai生成)
