加速收益定律（第1部分）

2001年3月7日

对技术历史的分析表明，技术变革的数量呈指数增长，尽管从“常识”的角度来看，直观上看，发展是线性的。 即，以目前的速度，21世纪100多个日历年的发展将大致相当于20,000年的发展。 效率或进度结果（例如芯片速度或性价比）也呈指数增长。 有时，甚至指数增长率本身也呈指数增长。 几十年来，机器智能将超越人类的智能，从而导致奇点-技术变革如此迅捷和深刻，以至于它们将撕裂人类历史的本质。 其中的后果将是生物和非生物情报的融合，以软件形式存在的不朽人类以及以光速穿越宇宙的超高级情报。

仅通过阅读这篇文章并理解它的全部内容，您将获得40万亿美元。 请参阅下面的完整详细信息。 （是的，作者经常会采取各种技巧来引起您的注意，但是我对此声明完全是认真的。但是，在我回到进一步的叙述之前，请仔细阅读本段的第一句话）。

现在让我们回到未来：我们大多数人都误解了它。 我们的祖先认为，未来将与现在非常相似，而现在与现在非常相似。 尽管指数趋势存在于数千年前，但它们还处于非常早期的阶段，当时指数趋势是如此平坦，以至于似乎没有任何趋势。 因此，他们的假设大部分是合理的。 如今，在世俗智慧的指引下，每个人都期待着技术的逐步进步和相应的社会后果。 但是，未来将比大多数观察者意识到的更加令人惊讶：只有少数观察者真正意识到变革的速度正在加速这一事实。

直观的线性视图与历史指数视图

未来一段时间内大多数对技术可行性的长期预测都大大低估了未来技术的力量，因为它们基于我所谓的技术进步的“直觉线性”观点，而不是“历史指数”观点。 换句话说，当人们期望从二十一世纪开始会有一百年的进步时，情况就不是这样了，相反，我们将见证两万年的进步（如果我们指的是以目前的速度前进）。

这种观点差异经常发生在各种情况下，例如，在讨论Bill Joy在有争议的WIRED文章“为什么我们不需要未来”中提出的道德问题时。 我和比尔经常在不同的会议上相交，分别扮演乐观主义者和悲观主义者的角色。 而且，尽管比尔的立场的批评者可能会受到我的批评，而且我确实看到他提出的“拒绝”概念存在缺陷，但总的来说，我还是在可行性的关键问题上为乔伊辩护。 最近，一位演讲者，诺贝尔奖获得者，拒绝了比尔的担心，他说：“我们不希望再过一百年就会看到自我复制的纳米工程物体。” 我注意到， 以今天的发展速度 ，100年实际上是对实现该特定目标的技术进步所需时间的合理估计。 但是，由于进步的速度每十年翻一番，我们将在短短25个日历年中看到以今天的速度进步一个世纪。

当人们想到未来时态时，他们会凭直觉地认为当前的进步速度将在未来持续。 但是，仔细检查技术的发展速度表明进步的速度不是恒定的，以一种直观地认为速度将保持恒定的方式来适应不断变化的速度是人类的天性。 即使对于我们这些已经生活了足够长的时间以感觉到脚步随着时间而加速的人，我们的自然直觉也给人留下了这样的印象，即进步的速度与我们最近的感觉一样。 从数学家的角度来看，主要原因是短部分的指数近似为一条直线。 因此，即使最近（例如去年）的进步步伐比十年前（更不用说一百或一千年前）要快得多，但我们的近期经验仍在记忆中占据主导地位。 因此，即使是经验丰富的评论员，讨论未来，作为他们的期望基础，推断未来10或100年的当前变化率，也很普遍。 这就是为什么我将这种对未来的看法称为“直观线性”观点。

对技术历史的认真评估表明，技术变化是指数级的。 随着指数的增长，我们发现关键指标（例如计算能力）乘以每个时间单位的常数系数（例如，每年翻一番），而不仅仅是增加一定数量。 指数增长是任何进化过程的特征，技术发展可以作为一个很好的例子。

可以以不同的方式，在不同的时间范围内评估数据，并且对于从电子技术到生物技术的广泛技术，都可以观察到进度及其增长率的加快。 实际上，我们不仅发现指数增长，而且发现“双倍”指数增长，也就是指数增长速度本身呈指数增长。 这些观察不仅适用于摩尔定律的延续（即集成电路中晶体管尺寸的指数减小），而且还基于各种工艺过程的代表性模型。 这清楚地表明，技术（尤其是技术变革的步伐）正在（至少）以几何级数而不是线性地加速发展，这发生在技术和技术出现的那一刻，但实际上是从进化的那一刻开始在地球上。

我强调这一点，因为在这里，考虑未来趋势并谈论可能的未来的预测员犯下了最大的错误。 大多数技术预测通常会忽略技术进步的“历史指数”类型。 这就是为什么人们倾向于高估短期内可以实现的结果（因为我们倾向于丢弃必要的细节），却低估了长期内可以实现的结果（因为指数增长被忽略了）。

加速收益定律

我们可以将这些观察结果归纳为所谓的加速收益定律，如下所示：

• 进化以一种积极的反馈方式使用，这样一来，进化进步的一个阶段产生的更有效的方法就可以用来创造下一阶段。 结果
• 演化过程的演化速率随时间呈指数增长。 随着时间的流逝，进化过程中包含的信息“顺序”（即，衡量该信息与目标的吻合程度的指标，即生存在进化过程中）。
• 因此，演化过程的“回报”（例如，速度，成本效益或过程的整体“能力”）随着时间呈指数增长。
• 在另一个积极反馈链中，随着特定的进化过程（例如，计算）变得更加高效（例如，具有成本效益），越来越多的资源被分配给该过程的进一步发展。 这导致第二级指数增长（即，指数增长速度本身呈指数增长）。
• 生物进化就是这样一种进化过程。
• 技术进化是另一个这样的进化过程。 实际上，第一类创造技术的出现导致了技术的新进化过程。 因此，技术进化是生物进化的产物和延续。
• 一种特定的范式（一种解决问题的方法或方法，例如，减少集成电路上的晶体管面积，作为创建功能更强大的计算机的一种方法）提供了指数级增长，直到该方法达到其全部潜力为止。 发生这种情况时，就会发生范式转变（即方法的根本变化），从而使指数增长得以持续。

如果我们将这些原理应用于地球上最高的进化水平，那么第一步，即细胞的创建，便引入了生物学范式。 随后出现的DNA提供了一种数字方式来记录进化实验的结果。 然后，结合理性思维和相反（即拇指）手指的物种的进化引起了从生物学到技术的根本范式转变。 主要范式即将发生的变化将是从生物学思维到混合生物学，将生物学和非生物学思维结合在一起。 这种混合体将包括由于重建和复制生物大脑原理而产生的代谢过程。

通过研究这些阶段的时间，我们可以看到这个过程正在不断加速。 生命形式的进化花了数十亿年的第一步（例如，到简单的细胞）。 进一步的进步加快了。 寒武纪爆炸期间，基本范式的变化仅花费了几千万年。 后来，类人动物发展了几百万年，而智人只有几十万。

随着技术创造物种的出现，指数速度变得太快，无法通过DNA驱动的蛋白质合成进行进化，并转而使用人工技术。 技术超越了简单的工具制造； 这是使用上一轮创新中的工具创建功能越来越强大的技术的过程。 从这个意义上讲，人类技术不同于其他物种的工具生产。 技术开发的每个阶段都是固定的，并且是下一阶段的基础。

最初的技术步骤（石材工具，火炉，砂轮）花费了数万年。 对于那个时代的人们来说，即使几千年来，技术的变化也几乎没有引起注意。 到公元1000年，进步更快了，范式转变仅在一两个世纪之内就发生了。 在19世纪，我们看到了比其之前的9个世纪更多的技术变革。 然后，在二十世纪的前二十年，我们看到了比整个十九世纪更重要的发展。 现在，范式转变仅在短短几年内就发生了。 当前形式的万维网在几年前就不存在，而十年前根本就不存在。

目前，范式转换的速度（即总体技术进步速度）每十年翻一番（大约）； 也就是说，范式转换的时间每十年减少一半（并且增长率本身呈指数增长）。 因此，二十一世纪的技术进步将相当于（线性表示）约200个世纪所需要的。 相反，由于二十世纪的速度提高到了目前的速度，因此二十世纪仅过去了约二十五年的时间（就目前的速度而言）。 因此，二十一世纪将见证比其前一代大近一千倍的技术变革。

奇点关闭

为了欣赏即将到来的“奇点”的性质和重要性，理解指数增长的性质很重要。 为此，我想讲一个有关国际象棋发明者及其赞助者中国皇帝的故事。 为了响应皇帝提出的奖励，以奖励他最喜欢的新游戏，发明者要求将一粒米饭放在棋盘的第一个正方形上，两个放在第二个正方形上，四个放在第三个正方形上，依此类推。 皇帝很快同意了这个看似简单而谦虚的要求。 根据这个故事的一个版本，皇帝破产了，翻了63遍，最终构成了1800亿亿大米的谷物。 假设十粒稻米覆盖一平方英寸，那么这米饭需要覆盖整个地球（包括海洋）两倍的稻田。 在这个故事的另一个版本中，发明人迷失了头。

应当指出，当皇帝和发明家填补了棋盘的前半部分时，一切都进行得很顺利。 发明人倒了汤匙，然后倒了一碗米饭，然后倒了桶。 到棋盘上半场末，发明家已经拥有一个大稻田（40亿谷物），并且皇帝注意到有些不对劲。 当他们移到棋盘的下半部分时，情况开始迅速恶化。 顺便说一下，关于计算的翻倍，自第二次世界大战结束以来第一台可编程计算机的发明以来，目前我们的生产力已经超过了32倍。

这就是指数增长的本质。 尽管技术呈指数级增长，但我们人类生活在一个线性世界中。 因此，在我们看来，技术趋势并不像不断提高技术能力的过程中的初始步骤。 然后，似乎无所不在的技术显示出爆炸性的增长。 例如，在1980年代的两年中，当Internet从20,000个节点扩展到80,000个节点时，这一进步对普通公众仍然是隐藏的。 十年后，当它在同一时期从2000万个节点增长到8000万个节点时，其影响已经非常明显。

随着二十一世纪上半叶的指数增长持续加速，至少从受线性观点限制的现代人的角度来看，我们将有无限的爆炸感。 最终，进展将是如此之快地开始，以至于将导致我们跟上进展的能力受到破坏。 他将完全摆脱我们的控制。 我们可以“拉动开关”的幻想将被消除。

技术进步能否继续加速广告的无限发展？ 是否有片刻人们无法以如此快的速度跟上它的步伐？ 对于普通人来说，显然是这样。 但是，一千名科学家可以实现什么，而每位科学家的智慧都比当今的科学家高一千倍，而每一位科学家的行为速度都比现代人快一千倍（因为在非生物大脑中处理信息的速度更快）？ 一年可以等于千年。 他们会想出什么？

好吧，首先，他们会想出一种使自己变得更加智能的技术（因为他们的智能不再受限于功率）。 他们将开始改变自己的思维过程，以便更快地思考。 当科学家变得更聪明一百万倍并且​​工作更快一百万倍时，他们的工作时间将相当于整个世纪的进步（按今天的标准）。

这就是奇点。 奇异之处在于技术变革是如此之快和深刻，以至于打破了人类历史的结构。 有人会说，至少从我们目前的理解水平来看，不可能理解奇点，因此，不可能超越其“事件视界”并理解其后会发生什么。

我的观点是，尽管我们的生物大脑（仅有数百万亿个神经元间联系）强加了思维的局限性，但我们仍具有足够的抽象思维能力，可以就奇点后的生命本质得出重要结论。 在我看来，最重要的是，新兴的智力将继续代表人类文明，而人类文明已经是人类机器。 这将是进化的下一步，下一个高级范式转换。

为了从角度评估奇点概念，让我们看一下单词本身的历史。 — , . , , , . , , . , . , , , , . , .

1950- (John Von Neumann) , « … , , , .» 1960- , (Irving John Good) « », , . 1986 , (Vernor Vinge), - (San Diego State University), «» - . , 1993 , , , , , , , « , », .

, . , , , . , , , , . , , . , «» , . , , .

, 1980- , « » , , , , . 20 , , , , .

. . , . ( ) , . , , . , , , , .

, , , . , «» , , . , : , , , -, , . , , .

, , , , .

, , . , , « ». , , Intel, 1970- , 24 . , , , , .

, 2019 . , , . , ?

.

( ) $1000 ( ) 49 , , .

, , , .

, , .

, , , -. ( ), , 1890 , «Robinson», , , CBS, , , , , , ( ) .

- . 49 ( ), . , , . , . ( ) 1910 1950 , 1950 1966 , .

? ? . « », (Randy Isaac), IBM? - ?

, ( ) , . . : , MIPS- ( ) , MIPS- .

, , . ( ), , , . «» ( , , , , ). , , , , , , , .

, ( 1958 ), ( 1947 ), , 1890 1900 . , .

显然，在本世纪第二个十年中，摩尔定律用尽之后的第六个范式是什么。 今天的芯片是扁平的（尽管生产一层电路需要多达20层材料）。 相反，我们的大脑是在三个维度上组织的。 我们生活在一个三维世界中，为什么不使用三维？ 人脑实际上使用了效率非常低下的数控电化学模拟计算过程。 大多数计算是在中间神经元连接中进行的，速度仅为每秒大约200次操作（每次连接），这比现代电子电路慢约一千万倍。 但是，大脑是从高度平行的三个维度的组织中获得惊人的力量的。 目前已经有很多技术可以在三个方面发挥作用。 例如，已经在实验室工作的纳米管由五边形碳原子阵列构成电路。 15立方厘米的纳米管电路将比人脑强大一百万倍。 为了长期保存加速收益定律的影响，正在研究足够多的新计算机技术，包括三维硅芯片，光学计算，晶体计算，基于DNA的计算和量子计算。

因此，计算的（双）指数增长比摩尔定律更宽，后者仅是这种增长的范例之一。 反过来，计算机技术发展的这种加速，是任何进化过程的步伐加速的更广泛现象的一部分。 批评者很快指出，推断指数趋势仅限于用尽“资源”。 一个典型的例子是以下情况：当某个物种出现在新的栖息地（例如澳大利亚的兔子）时，某个物种的数量在一段时期内呈指数增长，但是随后，当诸如地方和食物之类的资源用尽时，该数量接近生长极限。 。

但是，进化过程指数增长的基础资源是相对无限的：

1. 进化过程本身的顺序（不断增长）。 演化的每个阶段都为下一步提供了更强大的工具。 在生物进化中，DNA的出现为更强大，更快的进化“实验”提供了基础。 后来，寒武纪爆发期间各种生物“结构”的出现为身体其他器官（例如大脑）的快速进化发展开辟了道路。 还是举一个最近的例子，计算机辅助设计工具的出现可以加快下一代计算机的创建。
2. 发生进化过程的环境的“混乱”，为更大的多样性提供了选择。 在生物进化中，多样性以突变和不断变化的环境条件的形式进入过程。 在技​​术发展中，对创新过程的支持是以人类的创造力为代价的，同时还要不断变化的市场条件相结合。

真正的问题是物质和能量的最大潜能，其中智力过程在其中发挥作用。 但是，根据我的模型，在当前世纪我们不会达到极限（但是，在接下来的几个世纪中，这将成为一个问题）。

我们还需要区分“ S形曲线”（向右伸展的“ S”形曲线，包括非常缓慢的，几乎不可察觉的增长，然后是非常快的增长，然后在过程接近渐近线时变平），这是特征适用于任何特定的技术范式，以及技术的持续发展中的持续指数增长特征。 诸如摩尔定律之类的特定范例最终达到了无法再以指数增长的水平。 因此，摩尔定律是S形曲线。 但是，计算能力的增长是一个连续的指数过程（至少直到我们以人类机器文明的智慧使宇宙“饱和”，但这在未来的世纪中将不会成为限制）。 根据加速收益的定律，范式转换（也称为创新）将特定范式的S曲线转变为指数增长的延续。 当旧的范式接近其自然极限时，新的范式（例如，三维方案）开始盛行。 在计算历史上，这已经发生了至少四次。 此功能还区别于其他动物的工具的制造，在这种制造中，为每个单独的动物制造（或使用）工具的技能的特点是具有尖锐的S形学习曲线，而人类创造的技术自创作。

DNA测序，内存，通讯，互联网和小型化

“加速回报法”适用于任何技术，适用于任何真正的进化过程，并且可以以惊人的精度衡量信息技术。 在诸如DNA测序，通信速度，各种电子技术甚至是快速下降的特征技术规模之类的各种技术领域中，有许多因加速收益定律而产生指数增长的例子。 奇异性不是源于计算速度的一次指数爆炸，而是源于各种技术革命的不同交织所产生的相互作用和协同作用。 您还需要谨记，构成这种技术库的指数增长曲线上的每个点（请参见下图）都代表着人类在创新和竞争方面的严肃作风。 令人惊讶的是，这些混沌过程导致了这种平滑且可预测的指数依赖性。

例如，当人类基因组的测序开始于14年前时，批评者认为，鉴于当时可用的测序速度，可能需要数千年才能完成该项目。 然而，在第十五年，该项目已经完成，比计划提前了一段时间。

当然，我们希望看到诸如RAM（随机存取存储器）之类的电子存储设备的技术呈指数增长。

请注意，随着范式从真空管到分立晶体管，再到集成电路，指数增长是如何继续的。

磁存储技术的发展与《​​摩尔法案》没有直接关系，而是基于机械和电磁系统领域的进步。

通信技术领域的指数增长比计算机领域更具爆炸性，其后果也同样重要。 再次，这种加速具有比仅减小芯片上的晶体管尺寸更广阔的基础，并且包括加速光纤，光交换，电磁技术等方面的进步。

注意小“ S形”曲线的级联

请注意，在这两个图表中，我们实际上可以看到“ S形”曲线的进程：由于新范式而加速，然后随着范式逐渐消失而趋于稳定，并且范式转移后随后又恢复了快速增长。

以下两个图表显示了Internet的整体增长，以站点数表示。 这两个图基于相同的数据，但是其中一个是指数级的，另一个是线性的。 正如我之前提到的，技术以指数级的速度发展似乎正在线性发展。 因此，在大多数观察者看来，直到1990年代中期，万维网和电子邮件迅速出现的时候，什么都没有发生。 但是，根据指数趋势的数据，很容易就可以很容易地预见到互联网向全球现象的转化。

请注意折线图上Internet爆炸式增长的惊人变化，以及指数图上的可预测性。

最后，我们将摆脱城市和生活中的电线混乱，转向无线通信，无线通信的生产率每10-11个月翻一番。

在二十一世纪将产生深远影响的另一项技术是使事物变小的普遍趋势，即小型化。 电子和机械等多种技术的元素的特征尺寸都减小了，并且呈双指数速率减小。 当前，每个尺寸的线性尺寸减小的发生率是每十年大约5.6。

回到计算的指数增长

如果我们从正确的角度考虑计算的指数增长，作为基于信息技术的指数增长的广泛发生的一个例子（这是加速收益定律的众多例子之一），那么我们可以自信地预测其继续。

在随附的框中，我给出了加速收益定律的简化数学模型，因为它与计算能力的（双）指数增长有关。 根据以下公式，上图显示了计算速度的持续提高。 该图对应于20世纪可用的数据，经历了所有五个范式转换，并给出了对21世纪的预测。 请注意，增长率缓慢，但仍呈指数增长。

与计算增长有关的加速收益定律

下面以计算速度的双指数增长为例简要概述加速收益定律。 该模型将技术的强大力量所产生的影响视为其下一代发展的动力。 例如，借助功能更强大的计算机和相关技术，我们将获得工具和知识，以开发功能更强大的计算机，并使它变得更快。

请注意，2000年及以后期间的数据代表了神经网络中的计算，因为预计这种类型的计算将最终占主导地位，尤其是在模拟人脑功能时。 这种类型的计算比常规（例如，奔腾III / IV）计算更便宜，系数至少为100（尤其是如果使用数模电子设备实现，则非常适合大脑的数模电化学过程） ） 系数100相当于今天的大约六年，而在二十一世纪之后的不到六年。

我对大脑性能的估计是1000亿个神经元，再乘以每个神经元平均1000个连接（计算主要发生在连接中），再乘以每秒200次操作。 当然，这些分数保守地较高；可以找到较高和较低的分数。 但是，更多（或更少）的高阶估值将预测仅相对较少地改变了几年。

此分析最重要的日期是：

• 我们在2023年左右以1000美元的价格实现了一个人脑的能力（2×10 ¹⁶ CPS（每秒计算））。
• 2037年左右，我们将以1美分的成本实现一个人脑的能力（2×10 ¹⁶ CPS）。
• 我们在2049年左右以1000美元的价格实现了整个人类的能力（2×10 ²⁶ CPS）。
• 2059年左右，我们将以一分钱的价格实现整个人类的能力（2×10 ²⁶ CPS）。

该模型具有以下变量：

• V：计算的速度（即生产率）（以每秒的计算结果为准）
• W：在设计和创建计算设备方面的全球知识
• t：时间

该模型假定：

• $$$V = C_1 \ cdot W$

换句话说，计算机的功能是知道如何创建它们的线性函数。 实际上，这是一个保守的假设。 通常，创新会将V（计算机性能）提高几倍，而不是固定的数量。 自主创新使彼此的作用成倍增加。 例如，新的半导体技术（例如CMOS），更有效的集成电路布图技术和改进的处理器体系结构（例如流水线）独立且乘以V。

• $$$W = C_2 \ cdot \ int_0 ^ t V$

换句话说，W（知识）是累积的，知识的瞬时增量与V成正比。

这给了我们：

• $$$W = C_1 \ cdot C_2 \ cdot \ int_0 ^ t W$
• $$$W = C_1 \ cdot C_2 \ cdot_3^ {_4\ cdot t}$
• $$$V =_1^ 2 \ cdot_2\ cdot_3^ {_4\ cdot t}$

简化我们得到的常数：

• $$$V = C_a \ cdot C_b ^ {C_c \ cdot t}$

因此，这就是“加速”（即呈指数增长）的公式，实际上就是“普通摩尔定律”。

正如我上面提到的，数据显示了指数增长率的指数增长。 （在二十世纪初，我们每三年将计算能力提高一倍，在本世纪中叶每两年将计算能力提高一倍，在1990年代几乎每年都将计算能力提高一倍。）

让我们看一下另一种指数现象，即计算资源的增长。 随着W的增加，不仅每个具有相同成本的计算设备变得越来越强大，而且它们用于计算的数量也呈指数增长。

因此，我们有：

• N：计算成本
• $$$V = C_1 \ cdot W$ （和以前一样）
• $$$N =_4^ {_5\ cdot t}$ （计算成本以自己的指数速度增长）
• $$$W = C_2 \ cdot \ int_0 ^ t（N \ cdot V）$

和以前一样，世界知识正在积累，瞬时增量与计算数量成正比，计算数量等于用于计算的资源（N）乘以每个设备的功率（以其不变成本计算）。

这给了我们：

• $$$W = C_1 \ cdot C_2 \ cdot \ int_0 ^ t（C_4 ^ {_5\ cdot t} \ cdot W）$
• $$$W = C_1 \ cdot C_2 \ cdot（_3^ {_6\ cdot t}）^ {_7\ cdot t}$
• $$$V =_1^ 2 \ cdot_2\ cdot（_3^ {_6\ cdot t}）^ {_7\ cdot t}$

简化常量，我们得到：

• $$$V = C_a \ cdot（C_b ^ {_\ cdot t}）^ {C_d \ cdot t}$

这是一条双指数曲线，其中指数增长率随其指数速度增长。

现在让我们看一下实际数据。 取二十世纪真实计算设备和计算机的参数：

• CPS / \ $ 1K：每秒计算\ $ 1000

20世纪计算设备上的数据对应于：

• CPS / \ $ 1K = $$$10 ^ {6,00 \ cdot \ frac {20,40} {6,00} ^ {\ frac {Year-1900} {100}}-11,00}$

我们可以确定一段时间内的增长率：

• 增长率=$$ $ inline $ 10 ^ {\ frac {\ log（CPS / \ $ 1K for \ hspace 5mu当前\ hspace 5mu年）-\ log（CPS / \ $ 1K for \ hspace 5mu先前\ hspace 5mu年}} {当前\ hspace每年5亩-上一个\ hspace每年5亩}} $ inline $
• 人脑= 1000亿个（10 ¹¹ ）个神经元×每个神经元1000个（10 ³ ）个连接×每秒每个连接200个（2×10 ² ）个计算=每秒2×10 ^16个计算
• 人类= 100亿（10 ¹⁰ ）人=每秒2×10 ²⁶计算

这些公式给出以上图表。

预计已定于2005年完成的IBM Blue Gene超级计算机已经能够每秒执行1亿亿次操作（即10亿兆位或1 petaflops）。 这已经是人脑生产力的二十分之一，据我保守地估计，它的速度为每秒2000亿次操作（每个神经元每1000个连接有1000亿个神经元，每个连接每秒有200次计算）。 , 2010 , 2020 . 2030 ( ), , $1000. 2050 , $1000 , . , , . , , , ( ) . , . , . , . , , , , 200 - .

. . , , , . , , . , , , , , . , . — , .

, , , , . , . , , , , . , . , , . . -, .

— . , , . , ( , , ). , , , ; . , , .

, , . , . , .

, , , . , , , . « », , , . , . , , , . — , , , . , , , , , ( , — ).

— « » , . , , . , , ( ) . , , .

— : , , , , . , .

. , 10 http://www.nlm.nih.gov/research/visible/visible_human.html .

25 — , , . , , , .

, , , , , . (Andreas Nowatzyk) - (Carnegie Mellon University) 200 , , .

, - () , , , , , . , — , . , .

, . , , , , , . , , . , . , , , , .

, — . 2030 «» ( ) , . — , , . . , , , ( , ).

, . , , , . , . . , , . , , , 2030 . - , , .

, ? , , . . . , , ( 100 , 1000 , ), , , .

, , , .. Microsoft Word. , , ( ). , - . , , . , .

. , , (Lloyd Watts — www.lloydwatts.com ) , . . , , , . , , . , (Hans Moravec) , 1000 , .

:

(Cochlea): . 30000 - .

. (MC — Multipolar Cells): .

. (GBC — Globular Bushy Cells): .

(Olivary Complex) ( ( LSO MSO)). .

. (SBC — Spherical Bushy Cells): , , .

. (OC — Octopus Cells): .

. (DCN — Dorsal Cochlear Nucleus): .

(VNTB — Ventral Nucleus of the Trapezoid Body): , .

, (VNLL — Ventral Nucleus of the Lateral Lemniscus, PON — Peri-Olivary Nuclei): .

(MSO — Medial Superior Olive): ( , , ).

(LSO — Lateral Superior Olive): .

(ICC — Central Nucleus of the Inferior Colliculus): .

(ICX — Exterior Nucleus of the Inferior Colliculus): .

(SC — Superior Colliculus): .

(MGB — Medial Geniculate Body):

(LS — Limbic System): , , , ..

(AC — Auditory Cortex)

— «Tabula Rasa» ( ), . « », , . , , .

, - , , . , , , . , .

, ---- -, ----. - , , , , , , . , , .

为了实现这个目标，我们不需要了解所有更高层次的过程，而足以了解局部的大脑过程。 足够详细的脑部扫描看起来非常复杂，但是对人类基因组的扫描却发生了同样的事情。 如今，所有主要技术已经存在，它们根本没有必要的速度，准确性和成本，但是这些特性以指数速度得到了两次改进。

单个神经元的计算方面很复杂，但是，当然，不超出我们准确建模它们的能力范围。 例如，Hedco Neurosciences的Ted Berger和他的同事创建了集成电路，这些集成电路与神经元（包括具有数百个神经元的簇）进行信息处理的数字和模拟特征完全匹配。 加州理工学院（CalTech）的Carver Mead和他的同事创造了许多集成电路，它们可以模拟哺乳动物神经电路的数模特性。

圣地亚哥非线性科学研究所最近的一项实验证明了电子神经元准确模拟生物神经元的潜力。 神经元（生物学或其他方面）是通常称为“混沌计算”的主要示例。 每个神经元的行为基本上是不可预测的。 当神经元网络从外部世界或其他神经元网络接收输入数据时，乍一看，它们之间产生的信号交换似乎完全是混乱的。 在一段时间后，通常是几分之一秒左右，神经元的混沌相互作用消退，并出现了稳定的“模式”。 这个“图”代表了神经网络的“解决方案”。 如果神经网络执行模式识别的任务（顺便说一句，构成了人类大脑的大部分活动），那么得到的“模式”就是相应识别的结果。

因此，圣地亚哥研究人员的问题是电子神经元是否可以与生物神经元一起参与这种混沌舞蹈。 他们将人工神经元和刺龙虾神经元连接到一个网络中，其混合的生物-非生物网络以相同的方式运行（即，它以混沌相互作用开始，并出现了稳定的“模式”），并且具有与网络相同的结果。完全由生物神经元组成。 本质上，生物神经元接受了它们的电子对应物。 这表明人工神经元的数学模型非常准确。

世界上有许多创建非生物设备的项目，这些设备可以详细地重新创建人类神经元簇的功能。 这些人工神经元簇的准确性和规模正在迅速增长。 我们从重建功能上等效的单个神经元开始，然后重建数十个，然后数百个，现在成千上万个神经元的簇。 技术擅长以指数速度扩展技术流程。

随着可以用来模拟人脑的计算能力（虽然还不够，但将在几十年内出现），将加快进行中的扫描人脑的计划，同时牢记了解整个人脑的目标，并获得该设备及其特定实例内容的详细说明。 到二十一世纪的第三十年，我们将能够创建非常详细和完整的地图，包含人脑中所有神经元，神经连接和突触的所有必需特征，所有在大脑的行为和功能中发挥作用的细节，并在相当先进的神经计算机中重新创建所有这些特征。

人脑与计算机不同吗？

人脑与计算机不同吗？

答案取决于我们所说的“计算机”一词的含义。 当然，大脑使用的原理将其与普通现代计算机区分开来。 大多数现代计算机都是数字计算机，并且以极高的速度在单位时间内执行一个（或可能几个）计算。 相反，人脑将数字和模拟方法结合在一起，大多数计算以模拟形式进行。 大脑使用大量并发功能，但同时执行大约一百万亿次计算，但速度极低。

至于关于模拟的数字计算，我们知道数字计算在功能上可以等同于模拟计算（尽管事实并非相反），因此我们可以使用一台全数字计算机来实现混合数模网络的所有功能。 另一方面，模拟电路具有建设性的优势-模拟计算的效率可能提高数千倍。 可以在多个晶体管上执行模拟计算，或者在哺乳动物神经元的情况下，可以执行特定的电化学过程。 相反，数字计算需要成千上万的晶体管。 因此，模拟大脑方法的仿真将提供重大的建设性优势。

人脑的大规模并行性是其模式识别能力的关键，它反映了人类思维的力量。 如前所述，哺乳动物神经元参与了混沌舞蹈，如果神经网络学得很好，则结果将是一个反映网络解决方案的稳定“模式”。 没有理由不能使用相同的原理构建我们的非生物功能等效的生物神经网络类似物，实际上，世界上有数十个项目在此方面取得了成功。 我自己的活动领域是模式识别，参与了三十多年的项目都使用这种形式的混沌计算。 特别成功的例子是由Carver Mead创建的神经芯片，该芯片高度并行，使用数字控制的模数计算，并被设计用于重建功能相似的生物神经网络。

主客观

奇异性意味着出现了令人惊讶的多样性和可能性的类人智力实体。 尽管这些实体将能够通过“ Turing测试”（也就是说，它们将能够冒充别人在其他人面前的角色），但仍然出现了一个问题，即这些“人”是有意识的还是看起来像是这样。 为了弄清为什么这是一个非常棘手的问题（尽管是一个非常重要的问题），有必要考虑一些因加载特定人脑的概念而引起的悖论。

尽管我希望通过重建人脑获得的知识的最普遍应用将是创造不一定能繁殖特定生物的更智能的机器，但扫描和重建特定人的所有神经细节的场景却构成了最严重的身份问题。 让我们来看看当我们这样做时将会面对的事情。

我们必须在客观和主观层面上都考虑这个问题。 “目标”是指除我以外的所有事物，因此让我们开始吧。 客观地讲，当我们扫描某人的大脑并在合适的计算环境中重建他的思想时，对于其他观察者来说，这个新兴的“人”将与被扫描大脑的人几乎具有相同的历史和记忆。 恰好在适当的技术被创造和完善之后。 像任何新技术一样，起初它并不是完美的。 但是，最终，扫描和重建将变得非常准确和现实。

与重新创建的人的交互将被视为与原始人的交互。 新来的人将声称与原先的人相同，并会记住他是他。 新人将拥有原始人的一套知识，技能和个性。 我们已经能够创建神经元及其簇的功能等效模型，其准确性足以使生物神经元接受其非生物等效物，并像对待生物一样处理它们。 没有自然的限制可以阻止我们对被称为人脑的数千亿个神经元簇进行同样的处理。

从主观上讲，这个问题更加微妙和深入，但是首先我们需要考虑另一个客观问题：我们的身体自我。

拥有身体有多重要

想一想我们对身体及其生存，安全，营养和外观有多大的思想和关注，更不用说依恋，性和生殖。 我们尝试使用大脑实现的许多（即使不是大多数）目标与我们的身体有关：保护它，提供燃料，使其具有吸引力，提供舒适性，满足其无数的需求和欲望。 一些哲学家认为，没有身体就不可能达到人类的智力水平。 如果我们要将人类的思想转移到新的计算环境中，那么为我们提供身体将是一件很好的事情。 虚弱的思想很快就会变得沮丧。

我们将为我们的机器提供许多不同的物体，它们将为自己创建许多物体：使用纳米技术构建的物体（即由一个原子接一个原子构建的非常复杂的物理系统），虚拟物体（仅存在于虚拟现实中），成群的纳米机器人等

一种常见的情况是通过与非生物智能的紧密联系来增强人类的生物大脑。 在这种情况下，人体仍然是我们熟悉的良好的旧人类有机体，尽管由于生物技术（基因的扩增和置换）以及由于纳米技术的帮助，人体也将得到显着改善。 对二十一世纪身体的详细研究超出了本文的范围，但是重建和改善我们的身体将（并且曾经）比重建我们的思维更容易。

那么这些人是谁？

回到主观性问题，请想一想：复原后的思想与我们刚刚扫描的人具有相同的意识吗？ 这些“人”通常有意识吗？ 是头脑还是大脑？

我们21世纪机器的意识将是一个关键问题。 但这不容易解决，甚至至少不了解。 人们通常对此抱有强烈的信念，通常，他们根本无法理解别人如何从不同的角度看待这个问题。 马文·明斯基（Marvin Minsky）表示：“在意识的描述中有些奇怪的东西。 不管人们想说什么，他们都无法做到清楚，清晰。”

至少到目前为止，我们并不担心会给我们的计算机程序造成痛苦。 在什么时候我们认为本质或过程是有意识的，能够感到痛苦和不适，具有我们自己的意图，我们自己的自由意志的？ 我们如何确定一个实体是否有意识，它是否具有主观感觉？ 我们如何区分有意识的过程和有意识的过程？

我们不能只是问这个。 如果他说“嘿，我醒了”，这是否可以解决问题？ 不，今天我们已经有了可以做到这一点的计算机游戏，而且它们并不是很令人信服。

如果某个实体真的非常有说服力和现实地说：“我一个人，请陪伴我。” 这样可以解决问题吗？

如果我们看一下她的电路内部，看到与人类大脑相同的反馈回路和其他机制（尽管使用非生物等效物实现），则这是否解决了问题？

而且，这些人在车里是谁？ 答案将取决于您问谁。 如果您问车上的人，他们会一直声称自己是原始人。 例如，如果我们扫描（例如，我）并记录每个神经递质，突触，神经连接和所有其他相关细节的确切状态，水平和位置，然后将大量信息（我估计为数千亿字节）还原到神经计算机中如果有足够的能力，出现在车上的人会认为“他”是（过去）是我，或者至少他会以这种方式行事。 他会说：“我在纽约皇后区长大，上了麻省理工学院的大学，留在波士顿地区，创立并出售了几家从事人工智能的公司，走进那里的扫描仪，在车里醒来。 嘿，这项技术确实有效。

等一下

真的是我吗 一方面，旧的生物射线（即我）仍然存在。 基于碳细胞，我仍将停留在大脑中。 另一方面，我必须坐下来观看新的雷成功，这是我梦dream以求的。