量子计算融合人机思维

前沿君微信：tech99999  手机：18501361766

每个有点年纪且对计算机有些兴趣的人都不会忘记IBM在1997年取得的显著突破，其“深蓝”计算机击败了当时的国际象棋世界冠军加里•卡斯帕罗夫（Garry Kasparo）。2016年3月，计算机科学家实现了又一里程碑式突破，深度思维（DeepMind，谷歌母公司Alphabet的另一子公司）宣布其阿尔法围棋程序在困扰人工智能研究人员数十年的棋类游戏——围棋比赛中击败了围棋世界冠军李世石。最近，在电脑游戏《星际争霸2》以及《雷神之锤3》中，DeepMind算法也击败人类玩家。有人认为，未来几十年内，机器在很多领域的认知能力将超过人类。其他人则更为谨慎地指出，我们无法理解自己认知能力的来源，这是一个令人气馁的问题。如果我们完全不了解自己的思维过程，怎么能制造出具有思维能力的机器呢？

征募了大量人员来解决研究问题的公民科学（Citizen science）项目看起来前景良好，在很大程度上是因为它可以有效地探索人类和人工智能之间的界限。

有些公民科学项目要求大众从他们周围收集数据（如eButterfly收集蝴蝶的数据）或监测脆弱的生态系统（如Eye on the Reef监测澳大利亚大堡礁）。还有些项目借助在线平台，人们在这些平台上帮助对夜空中的模糊现象进行分类（如宇宙动物园）或增加对蛋白质结构的了解（如在线蛋白质折叠游戏 Foldit）。通常，人们可以在不具备相关专业知识的情况下为此类项目做出贡献。他们具备基本认知能力（如快速识别模式的能力）就已经足够了。

丹麦奥胡斯大学教授兼小组负责人雅各布•谢尔森（Jacob Sherson）成立了ScienceAtHome（SAH）小组，设计和开发能够帮助公民科学家应对各领域科学问题的视频游戏。该小组起初以量子物理学为主题，如今SAH主办的游戏涵盖了物理、数学、心理学、认知科学及行为经济学等其他领域。我们在SAH小组寻求创新的解决方案以应对真正的研究挑战，同时还研究人们在独自工作和团队合作时是如何思考的。

我们相信，更好地理解人们如何思考解决问题，将大大有助于新的人工智能算法设计。这种推测促使我们在SAH内部建立了混合智能中心，该混合智能中心试图将人类与人工智能相结合，以利用其各自的特殊优势。该中心的重点是实现科学研究问题的游戏化，以及开发人们理解并与人工智能合作的界面。

我们的首款游戏《量子移动》（Quantum Moves），就是基于我们小组对量子计算机的研究而研发的。原则上，量子计算机可以解决传统计算机需要花费数十亿年才能解决的问题。量子计算机可以挑战当前的密码协议，帮助设计新材料，洞察需要量子力学方程精确解的自然过程，这些都是普通计算机天生不具备的。

建造这种量子计算机的一种可选系统是通过“冻结”来捕捉单个原子，这与激光束反射回发射器产生的干涉图案类似。这样，捕获的原子可以像鸡蛋一样有顺序地装在盒子里，形成一个由原子和光子组成的周期晶体。利用这些原子进行量子计算需要使用紧密聚焦的激光束，即光学镊子，将原子在光晶体中从一个位置移动到另一个位置。这是一项棘手的工作，因为单个原子与粒子运动方式不同；相反，它们像是受量子力学定律控制的波状液体。

在《量子移动》游戏中，玩家操纵触摸屏或鼠标移动模拟激光镊子拾取被困的原子，被困原子用碗中的液态物质表示。玩家必须将原子带回镊子的初始位置，同时尽量减少液体晃动。晃动会增加原子的能量，并最终给量子计算机操作带来误差。因此，在移动结束时，液体应处于完全静止状态。

要理解人类和计算机如何以不同方式处理此类任务，您需要了解计算机优化算法的工作原理。移动一杯水而不洒出的无数方法可以被视为“解决方案景观”。一种解决方案由该景观中的单个点表示，该点的高度代表解决方案的质量——移动一杯水的速度和平稳程度。这一景观可能类似于山脉，每座山峰代表一个局部最优值，而挑战在于如何找到山脉中的最高峰，即全局最优值。

研究人员必须在寻找更高的山脉景观（“勘探”）和攀登上最近的山峰（“开采”）之间做出选择。在探索真实自然景观时，做出这样的权衡似乎很容易：在详细调查可能是最高峰的山峰之前，只需徒步走一小段路，就可大致了解周围的地形。但由于每一种可能更改解决方案的方法都定义了一个新的维度，因此一个实际的问题可以有成千上万个维度。从计算方面来讲，很难完全绘制出这样一个更高维度的景观。我们称其为高维诅咒，它困扰着许多优化问题。

尽管算法在攀上一座给定山峰时非常有效，但如何找到在更广阔的景观中搜索的好方法，这是人工智能研究此类控制问题的前沿领域中的一大挑战。传统方法是通过研究人员的洞察力，或通过大数据集训练的机器学习算法，找到缩小搜寻空间的巧妙方法。

在SAH，我们将某些量子优化问题转换为游戏来解决。我们的目标不是证明人们可以在这个领域击败计算机，而是要了解人们对这些问题产生深刻见解的过程。我们提出了两个核心问题：允许玩家探索充满无限可能性的空间是否有助于他们找到好的解决方案，以及通过研究玩家的行为，我们是否可以学到一些东西。

如今，已有25万多人玩过《量子移动》游戏，令我们惊讶的是，他们的确搜索了各种可能的移动空间，这与我们为任务设定的算法不同。具体地说，我们发现尽管玩家无法自行解决优化问题，但他们善于搜索广阔的景观。然后计算机算法可以采纳这些粗略的想法并将其完善。

更有趣的是，我们发现玩家有两种不同的方法来解决这个问题，每种方法都有明确的物理解释。一组玩家先将镊子放在靠近原子的地方，同时在原子捕获器和镊子之间设置一道屏障。在经典物理学中，屏障是不可穿透的障碍，但原子液体是量子力学对象，它可以穿过屏障进入镊子，之后玩家只需将镊子移动到目标区域即可。另一组玩家将镊子直接移动到原子捕获器中，拾起原子液体，并将其带回来。我们分别将这两种策略称为“隧道”和“铲挖”。

这两种清晰的策略非常有价值，因为它们很难直接从优化算法中获得。因此，让人们参与优化循环可以帮助我们深入了解正在起作用的基本物理现象，随后将此类知识转移到其他类型的问题中。

《量子移动》游戏引出了几个显而易见的问题。首先，由于生成一个特殊的解决方案需要基于计算机的进一步优化，玩家无法立即得到反馈以帮助他们提高分数，这常常让他们感到沮丧。其次，我们使用了一种清晰的经典模拟物（即晃荡的液体），仅通过一项科学挑战来测试这种方法。我们想知道这种游戏机制是否可以更广泛地用于那些无法立即提供可用视觉类比的科学挑战。

我们在《量子移动2》游戏中设法解决了这两个问题。在这里，玩家首先通过玩原始游戏生成许多可选解决方案。然后玩家使用内置算法选择优化的解决方案。当算法优化玩家的解决方案时，它会改变解决方案的路径（镊子的移动）来代表优化的解决方案。在这种反馈的指导下，玩家可以改进策略，想出一个新的解决方案，并反复将其反馈到此过程中。这种游戏提供了高水平的启发，并将人类的直觉添加到算法中。人和机器协同工作，向真正的混合智能迈出了一步。

在《量子移动2》游戏发展的同时，我们还研究了众人如何协作解决复杂问题。为此，我们真正向公众开放了我们的原子物理实验室。我们让来自世界各地的人决定我们将要进行的实验，以观察其能否找到改进所获结果的方法。结果是什么？这有点难以解释，所以我们需要暂停片刻，并提供一些相关的物理背景。

按照上述思路设计量子计算机的关键步骤之一是创造宇宙中最冷的物态，即玻色-爱因斯坦凝聚态。数百万原子同步震荡，形成一种波状物质，这是已知最大的纯量子现象之一。研究人员通常利用激光和磁场组合来创造这种物质的超冷态。这种奇怪的物态和日常生活现象之间没有熟悉的物理类比。

我们在实验室中寻求的结果是利用现有设备尽可能多地创造这种神秘物质。但实现此目标的步骤顺序还未可知。我们希望游戏机制可以帮助解决此问题，即使无法给玩家呈现出经典类比。

2016年10月，我们发布了一款游戏，在两周时间里，指导我们如何在实验室中创造玻色-爱因斯坦凝聚态。玩家通过操纵游戏界面简单的曲线，生成我们用于制造这些凝聚体的实验序列，他们不需要了解基本的物理知识就可以进行此类操作。玩家生成一种解决方案，几分钟后，我们在实验室运行该序列。计算得到的玻色-爱因斯坦凝聚态中极冷状态下的原子数，并将其作为分数反馈给玩家。玩家可据反馈决定是改进之前的解决方案，还是模仿并修改其他玩家的解决方案。约有600名来自世界各地的玩家参加此次活动，共提交了7577份解决方案。其中许多方案创造的凝聚体比我们以前在实验室中产生的凝聚体更大。

因此，这款游戏成功实现了我们的首要目标，也让我们了解了一些人类行为方法。例如，我们了解到，玩家在排行榜上的位置决定了其不同行为。表现优异的玩家对其成功的解决方案改动较小（开采），而表现不佳的玩家则愿意做出重大的改变（勘探）。作为一个整体，玩家很好地平衡了开采和勘探。他们这样做为试图在社会科学中理解人类问题解决方法以及设计新的人工智能算法的研究人员提供了宝贵的灵感。

为什么业余爱好者能超过经验丰富的实验物理学家呢？专家当然比玩家更擅长物理——但是，因为提出问题的方式有所不同，所以玩家可以做得更好。将研究挑战转化为游戏，我们让玩家有机会探索以前需要通过复杂编程来研究的解决方案。当然，专业的实验专家也可以通过使用此界面来显著地改善解决方案。

要深入理解为什么这种方法可行，或许在已故诺贝尔经济学奖得主赫伯特•A.西蒙（Herbert A.Simon）的言论中可找到答案：“解决问题也就是呈现出简明的解决方案。”显然，这就是我们的游戏可通过其新颖的用户界面实现的事情。我们认为这种界面是利用人类创造力解决其他复杂研究问题的关键。

最后，我们希望更好地理解为什么这种游戏机制如此有效。第一步是收集更多玩家在游戏中的行为数据。但即使有大量数据，探测人类基本直觉的微妙模式也将是一个巨大挑战。要取得进步，我们需要对玩家个体的认知有更深入的了解。

为朝此目标迈进，SAH设计了一款迷你游戏《技能实验室：科学探测》（Skill Lab: Science Detective），探索视觉空间推理、响应抑制、反应时间和其他基本认知技能。然后，我们将玩家在游戏中的表现与玩家在对这些能力的既定心理测试中的表现进行比较。关键是让玩家评估认知能力的优势和劣势，并为公共研究提供数据。

2018年秋，我们与丹麦广播公司合作推出了这种大规模资料收集实验活动。现已有超过2万人参加，可能是公共服务频道帮助宣传的效果，参与人员的年龄和性别分布非常均衡。如此广泛的吸引力在社会科学领域非常罕见，因为在社会科学领域，测试人群通常来自特定群体（如大学生）。

在人类认知领域从未进行过如此大规模的学术实验。我们希望在很多问题上获得新见解，其中包括认知能力组合如何随年龄增强或下降、哪些特征可用来预筛精神疾病，以及如何优化工作生活中的团队建设。

我们最初是在怪异的量子力学世界里开展一种有趣的活动，现在这却变成了用来理解我们人类的那些细微差别的一种活动。我们仍在想方设法了解原子，但我们现在也渴望了解人类的思想。