热点资讯我们都是马屁股
一个广为流传的说法是，火箭助推器的直径是由马屁股的宽度决定的。
故事是这样的：
美国铁路的标准轨距（4 英尺 8½ 英寸）沿用了英国的标准。
而英国的标准轨距则沿袭自前蒸汽时代的矿区马拉铁道的轨距。
而马拉铁道之所以使用了这个标准，是因为矿车生产时沿用了道路马车的生产工艺与治具，于是顺便就「继承」了马车的轮距。
△ 矿区的马拉铁道
而马车之所以要采用这样的轮距，是为了匹配道路上遗留的古老车辙，减少车轮在长途行驶中损坏的概率。
而那些古老的车辙，则是当年罗马战车留下的。
而罗马战车的宽度设计，恰恰是为了要容纳下两匹战马的臀部。
这个故事在当代又有了进一步延伸。
据说，固体火箭助推器（SRB）在从制造工厂运到发射场的途中，需要行经铁路隧道，因此它的设计尺寸也就被铁路轨距所限制了。
△ 通过铁路运输的固体火箭助推器
换言之，固体火箭助推器的直径是由两千多年前的马屁股宽度决定的！
妙哇！
这个故事所描述的「继承链」深刻揭示了人类技术和文明发展过程中的路径依赖，一个看似微小的决定将产生绵延数千年的影响。
如果这个故事是真的，那就更完美了。
事实上，从罗马战车到固体燃料推进器的这条环环相扣的「继承链」并不是真的。
而这个故事的广为流传更多是由于其文学性，而非真实的历史逻辑。
我们是机器人的「马屁股」
虽然「马屁股理论」不尽可靠，但技术演化过程中，出于向后兼容、设计便利、成本以及技术商业生态的考虑，沿用既有的标准和规范的确是常有的事。
比方我们所熟知的电影 24 FPS 的帧率、视频制式、QWERTY 键盘布局等等，都存在可以追溯到前一代技术设计的路径依赖。
△ 机械打字机时代，为防止按键冲突而设计的 QWERTY 键盘
而在机器人的外形设计方面，谷歌 DeepMind 的 CEO Demis Hassabis 就认为，将机器人设计成「人形」，或许是日常场景下的一种理想选择。
Demis 坦言，自己也曾一度认为，针对不同的特定任务，设计不同形态的专用机器人是最明智的做法。
但如今他有了新的认识。
在工业领域，无论是实验室环境还是生产线，根据明确而细分的特定任务需求，设计优化专用的机械臂、搬运机器人等，的确是更加高效的选择。
但在日常通用场景下，「人形」的外观设计可能确实是理想的选择，甚至对于机器人产品的成功相当重要。
我们所处的家庭、工作、学习、休闲等物理环境，都已经在多年的演化中和人类形成了密切的「共生」关系。人类的外形、身材，乃至动作、观察等各种习惯，都在环境中留下了印记。
△ 通用人形机器人在日常场景中
从建筑结构到家具形态，从空间布局到工具设计，无一不是以人的手和眼作为尺度、「迎合」人类的自然舒适和效率追求而演化成型的。
采用「人形」更利于让机器人融入复杂多变的物理世界，并直接利用已有的设备、工具和系统。毕竟现实场景对于人工智能来说存在着太多未知和不确定性，仅仅依靠预设规则的训练是难以覆盖的。
由此，人类也不需要为了「反向」迎合机器人时代的到来，而大规模地改造现实环境。
相比于那些基于人机交互以及「信任」「亲和」等心理角度出发的「人形」设计主张，Demis 的这种「环境约束」和路径依赖的解释从工程和产品的角度来看，更有说服力。
当下火热的神经网络就是绝佳的前例。
符号派路线坚持要「知其所以然」，却在可解释规则和推理框架中迟迟无法突破。
连接派路线则选择接受「知其然而不知其所以然」，不纠结于思考和智能的本质，最终取得决定性突破，并带来了「智能」的迹象。
AGI 的「爱因斯坦时刻」
一些行业报告声称「大模型性能趋于收敛、进步开始放缓」。Demis 回应说，DeepMind 内部并未观察到创新停滞，AI 能力仍在不断取得巨大飞跃。
△ 斯坦福 HAI 报告认为，前沿大模型的表现趋于收敛
他强调评价 AI 的进步不能只看语言模型在基准测试中的得分，还要关注 AI 不断开拓的新前沿，例如 DeepMind 的 Genie、Veo 等多模态模型，以及影像生成、机器人等语言模型之外的探索。
不过，Demis 也认同，当前的 AI 在关键能力上仍有明显短板，还无法达到真正的 AGI 水平。
他认为 AI 最缺乏的就是创造力和「灵感式跳跃」的能力，无法像人类顶尖科学家一样作出创造性的联想，通过跨领域类比捕捉到未曾发现的模式，从而实现重大突破。
Demis 提出了一个衡量 AGI 的思想实验：让一个 AI 只学习 1901 年之前的人类知识，然后看它是否能够推导出狭义相对论。如果 AI 能够在没有现成答案的情况下做出类似爱因斯坦提出狭义相对论这样的开创性发现，那才算触及了 AGI 的门槛。
不过，按这个标准来看，99.9999% 的人类都达不到 Demis 认可的 AGI 水平。
看来我们确实需要对 AGI 做一个统一的定义和明确的评测体系。
从混合模型到自学习
参照 AlphaGo 的演化路径，Demis 认为，至少未来几年内的主流 AI 的技术路线都将是「混合模型」，即基于概率的机器学习与确定性的预设规则相结合。
AlphaFold 就是混合模型，利用神经网络与 Transformer 等架构从数据中学习模式，同时嵌入已知的化学和物理规则，比如原子不能互相重叠，从而提升收敛效率，将更多模型容量留给更加复杂的规律学习。
△ AlphaFold 通过高精度结构预测，显著扩展了蛋白结构的覆盖度
理论上，模型也许最终能在大量数据中自行「领悟」这些规则和定律，但那将耗费大量的模型容量，不如直接将一些规则作为约束条件，更加高效地引导模型学习未知领域的知识。
但在混合模型解决了问题之后，他们会让自学习型的 AI 完全依靠数据训练发现和掌握更加通用的知识和能力，而不再需要人工预设规则的引导。
一个著名的例子就是从 AlphaGo 进化到 AlphaZero。前者的训练中带有人类既有的围棋知识，而后者则完全摒弃了人类经验，纯靠规则和自我对弈从零学会了下棋，并且不仅能力全面超越 AlphaGo，更将这种能力扩展到了多种棋类游戏。
△ AlphaZero 完全依靠自我对弈，实现了对 AlphaGo 的超越