日本軟銀集團類人機器人Pepper擔任一家銀行的迎賓員迎接顧客。

　　人在地毯上溜冰、奶牛變得透明，連六歲小孩都知道荒謬的事情，電腦能做出正確判斷嗎？盡管處理數(shù)據(jù)速度極快，但計算機對外界的感知與人類的意識一樣嗎？如何判斷一臺機器是否具備了這種難以言傳的意識知覺？

　　在前不久的世界機器人大會上，各種能跑會跳、能說會道、能與人溝通互動的智能機器人紛紛亮相，它們的聰明勁兒讓媒體驚呼“機器人時代離我們有多遠”。

　　計算機技術(shù)正節(jié)節(jié)逼近擁有高級智慧的人類。幾年前，IBM的機器人沃森在美國智力競賽節(jié)目“危險邊緣”中力挫該節(jié)目史上最出色的兩位選手而奪冠便是明證。然而，絕大多數(shù)人至今仍懷疑電腦是否真的“看清”了攝像頭前形形色色的真實世界，或者通過麥克風“聽懂”了一個問題，盡管計算機處理數(shù)據(jù)的速度極快，但計算機對外界的感知與人類的意識一樣嗎？

　　那么，如何判斷一臺機器是否具備了這種難以言傳的意識知覺的稟性？弄清有意識的機器具備哪些特性，能讓我們了解自己的大腦是如何運作的。另外，它甚至還可能幫助我們回答哲學家已經(jīng)糾結(jié)數(shù)百年的終極問題：什么是意識？

　　真人還是假人？

　　長期以來，哲學家一直在思考，人造模擬裝置有沒有感覺？

　　1950年，英國數(shù)學家阿蘭·圖靈發(fā)表了一篇論文，宣告人工智能正式登上歷史舞臺。該文建議用“能否打造出一類機器，當你和它用電傳打字機交流時，你無法區(qū)分它是不是人類”這個更為實際的問題，來代替“機器能否思考”這個籠統(tǒng)的問題。

　　如今的圖靈測試是讓測試者用“自然語言”（即我們平時交流所用的語言）通過電腦屏幕與某人或某款軟件互動，互動內(nèi)容可涉及任何話題。一定時間后，如果測試者無法確定對方是不是人類，那么該對象就算通過了圖靈測試，它的智力水平至少可以說與人不相上下。這些年來，聊天機器人——即用來模擬智能閑聊的對話式程序——一開始偶爾也會騙過測試者，但要不了多久就會被識破。

　　神經(jīng)生物學家對自愿者的大腦或神經(jīng)障礙者的大腦進行了掃描，通過腦電圖記錄他們的腦電波，逐步鎖定了所謂的意識神經(jīng)相關(guān)因子，即一種最基本的大腦功能結(jié)構(gòu)。它們共同作用是足以引起任何特定的有意識感覺，例如欣賞絢麗的夕陽美景。然而目前這個研究領(lǐng)域仍然缺少一種普適性理論，要靠這種理論從原則上來評估大腦受損患者、胎兒、老鼠乃至芯片等能否體驗到有意識的感覺。

　　測測電腦芯片“整合度”

　　“意識的整合信息理論”提供了應對上述挑戰(zhàn)的途徑。該理論認為，意識信息是一個整體。當你意識到朋友的臉龐時，你不可能遺漏了她正在呼喊并且戴著眼鏡這兩個細節(jié)。無論是什么樣的場景，只要被意識到，它就始終是一個整體，不能被分解成若干可以單獨被感受到的互相獨立的成分。

　　意識的這種整體性源自于大腦各部分之間的多種互動關(guān)系。如果大腦各部分之間的聯(lián)系中斷（例如在麻醉和深度睡眠中），意識就會削弱，甚至消失。

　　因此，具備意識的，必須是一個單一的、經(jīng)過整合的實體，有大量可區(qū)分的狀態(tài)——這正是信息的定義。一個系統(tǒng)的整體信息容量，也就是意識容量，可以用該系統(tǒng)的信息量與它各組成部分擁有的信息總量相比超出多少來衡量。

　　要想使一個系統(tǒng)具有較高的意識級別，它的各個組成部分就必須是專業(yè)化的，并且整合充分，即各部分協(xié)同工作比各自單獨運行效果更佳。對于大腦的某些部位，例如大腦皮層，它的神經(jīng)元之間存在大量連接，這個數(shù)值則相當高。

　　這個衡量系統(tǒng)整合度的指標也可以用來評估電腦芯片。對電腦來說，只要各晶體管以及存儲單元之間的連接足夠復雜，那么它就同人腦一樣可以達到很高的整合信息水平。

　　用信息集成“考考”機器人

　　除了根據(jù)機器的連接狀況測量意識容量以外（這非常困難），我們怎么知道一臺機器是不是有意識呢？什么測量方法可行？

　　一種測試機器的信息集成度的方法是，讓機器來做一個6歲小孩也能完成的題目：“這幅畫里有什么地方不對勁兒？”要解決這個簡單的問題，就得擁有海量背景知識，比現(xiàn)今高檔電腦在執(zhí)行識別人臉、追查信用卡欺詐之類任務時所依靠的那點知識，不知多了多少倍。

　　計算機在分析圖像中的信息是否合理時，必須依靠強悍的處理能力，這種能力遠遠超過了對數(shù)據(jù)庫進行簡單語言查詢的級別。說起玩高級游戲，電腦可以讓人甘拜下風，但如果問電腦一張照片有些什么問題，它就無計可施了。雖然最新電腦中的硬盤容量遠遠超出了我們畢生所能記憶的東西，但硬盤上的信息依然是未整合的，系統(tǒng)中的每一單元同其他元素基本沒有關(guān)聯(lián)。

　　同樣的整合過程甚至能讓六歲小孩知道許多不協(xié)調(diào)的畫面是荒謬的，比如人在地毯上溜冰，奶牛變得透明等等。而確定一臺電腦是否有意識的關(guān)鍵也正在此處。這些明顯跟日常生活體驗背道而馳的現(xiàn)象，證明了人類擁有精深的知識，知道哪些事件和物體可以同時出現(xiàn)，而其他絕大多數(shù)則不行。

　　我們依賴于這樣一種認識：只有具備意識的機器才能主觀描述普通照片里的場景是“對”還是“錯”。這種綜合判斷照片內(nèi)容的能力是構(gòu)成意識思維的一種基本屬性，比如看見大象蹲在埃菲爾鐵塔頂端，就能夠知道這不合情理。但現(xiàn)在機器尚不具備這種能力：即使是讓滿滿一房間的IBM超級電腦聯(lián)手上陣，也無法判斷畫面中哪些內(nèi)容合乎情理。

　　如何測試電腦“讀圖”

　　測試電腦如何解讀圖像，并非必須采用向機器輸入測試問題這樣的傳統(tǒng)的圖靈測試法。其實你只須在網(wǎng)上隨便找?guī)追鶊D，沿垂直方向?qū)⒚糠鶊D的中間涂黑，并用剪刀剪開，然后隨機將左、右兩部分拼合起來。這些合成圖像一般都左右不匹配，只有個別圖片的左右兩部分都來自同一張圖。電腦面臨的挑戰(zhàn)，就是要把左右匹配的圖片找出來。

　　把圖像中央涂黑，是為了防止電腦使用如今那些低級的圖像分析技巧，比如說考察被拆散的各部分圖像之間的紋理或色彩是否相配。這種基于拆分圖像的測試方法要求電腦具備先進的圖像解讀技術(shù)，并能夠推斷圖像各部分的搭配是否和諧。

　　另外一種測試則是將若干物體放進幾幅圖像中，使得所有圖像看起來都還正常，只有一幅圖像有問題。接受測試的電腦必須找出這個異類。比如計算機前面放著鍵盤也理所當然，但如果是盆栽植物，那就不合適了。

　　許多計算機算法是通過收集顏色、邊緣或紋理之類圖像特征，并采用低層次統(tǒng)計數(shù)據(jù)進行匹配。這些方法或許還能應對單一測試，但在多種不同圖像測試面前，就無能為力了。這些測試方法離真正實用還有一段距離，但是，在應用這些方法后，我們發(fā)現(xiàn)，人類的意識感知功能涉及海量的整合知識，而相比之下，機器視覺系統(tǒng)的知識實在是太過狹窄和專業(yè)化。

　　想擁有意識要“學學”大腦結(jié)構(gòu)

　　了解這些后，我們近期可以期待些什么呢？如果某項任務可以獨立出來，不與其他任務有牽連，那么它可以由機器來承擔。高速算法能夠飛快的在龐大的數(shù)據(jù)庫中進行搜索，并在國際象棋比賽和“危險邊緣”節(jié)目中戰(zhàn)勝人類選手。復雜的機器學習算法經(jīng)過訓練后，可以完成面部識別或者偵測行人等工作，效率比人類更高。

　　我們可以輕松地想出許多場合，讓機器人去完成日益專業(yè)化的任務。先進的計算機視覺系統(tǒng)日臻成熟，不出十年，一種可靠的、基本上自主的駕駛模式將成為可能。但我們估計，這類機器視覺系統(tǒng)還無法回答與汽車前方景象相關(guān)的簡單問題，仍然不會有意識地感受到出現(xiàn)在它前面的場景。

　　但我們也可以設想另一類機器，它可以把世上各種事物間無數(shù)錯綜復雜的關(guān)系，整理成知識并納入高度整合的單一系統(tǒng)中。如果問這類機器“這幅圖有什么地方不對勁兒？”，它會自動給出答案，因為圖中任何與現(xiàn)實不符的地方都不可能滿足系統(tǒng)中的內(nèi)在約束條件。