满满一仓完全一模一样的玩意儿。如果自我复制的产物存在些许不完美，意外就随之而来了。不完美的复制带来的结果是，你

最后会收获一批五花八门的机器，因为每台机器生产出的东西都与上一台稍有不同。当然，有些复制出来的机器可能存在毛

病，失去了再次复制的能力，或者随着时间的推移，另一些还能自我复制的机器可能会变成霸占大量资源的“吞金兽”，阻碍其

他机器收集用来自我复制的金属材料。

那些失去复制能力的机器，会随着时间的推移而逐渐生锈直至报废，最终“断子绝孙”。但在每一代复制品中，那些能自我

复制的机器，总能留下一些与它们相似的“子嗣”，且继承了父代的部分特性。这便是达尔文“物竞天择”理论的要义——只有具

备复制能力且成功进行了自我复制的生物，才能在进化之路上走得更远。不精确的自我复制和自然选择共同编码了进化过程，

让各类稍不完美但可自我复制的机器以不同的方式生存下去。如果你能让这个过程持续几十亿年，便同样会得到类似地球上的

各类复杂生命体。

所以，我们最终得出的结论是，达尔文发现的生物进化过程便是那个神秘“造物主”的真身。事实上，我们几乎没有理由去

质疑自然进化理论——不像那些智能设计论的拥护者——因为支持进化论的科学证据确凿无疑。

尽管如此，因为进化是非常复杂的过程，科学知识也在不断地自我扩张和质疑，生物学家并不能完全理解地球生命进化的

方方面面。例如，关于生命确切起源的争论，仍然没有完全尘埃落定（虽然科学家们提出了不少令人信服的理论）。不同的生

物学家对进化也持有不同的解释。这种分歧并未质疑进化这一过程本身，而在于看待进化的角度，以及进化过程中“有哪些因

素使其如此强大且富于创造性”。换句话说，是关于“哪种力量在推动进化的过程中发挥了主要作用”这一问题，公说公有理，婆

说婆有理。然而有一点尤为关键，即自然选择在进化中扮演了怎样的重要角色？

自然选择，又称物竞天择，即某个在生存竞争中存活的生物个体，很可能会获得更多的繁殖机会，继而将自己的基因扩散

至整个种群。因此，在自然选择中，不利于生物生存的基因往往会随着时间的推移而湮灭，而增强生物生存能力的基因则会被

保留并发扬光大。有时在大众的认知中，“自然选择”这个词似乎等同于“进化”，但进化不仅仅是自然选择，进化的动力源不止

一种，自然选择只是其中之一。事实上，自然选择是否比其他的推动力更重要，已经在生物学家群体中引发了激烈的争论。举

个例子，最著名的一场辩论便发生在前文提到过的古尔德和约翰·梅纳德·史密斯(John Maynard Smith)之间，两位都是业内知

名的进化生物学家。古尔德认为，进化过程中机遇和历史的重要性可能高于自然选择，而史密斯则认为自然选择比机遇更重

要。尽管两人都认可了进化论，但在其解释上存在分歧。

重要的是，选择不同的解释，将影响我们对进化的理解。进化到底是由自然选择下的适者生存和繁衍来驱动，又或仅是一

个分化的过程碰巧积累了不同的生命形式？合理的解释可以帮助我们理解生命的多样性，是如何在“无章可循”“无规无矩”的自

然过程中产生的。本着这种精神，本章将以另一种解释——从非目标搜索的视角来审视自然进化过程。

正如本书前几章所述，本研究的一大动机是为了明确非目标思维作用于创造性发现时，其是如何颠覆我们的视角的？但与

此同时，我们也希望对进化的重新审视，能使我们获得更深层次的理解。重要的是，我们的目标不是要推翻既定的生物学理

论。相反，我们提出了另一种观点，即有助于我们理解进化的一种与众不同的进化论解读方式——进化如何能够将那些不可思

议的事情化为现实。但在介绍我们的新观点之前，先来回顾一下，有哪些最常见的进化解读方式？以及为什么它们与目标导向

思维的联系如此紧密？

进化论中，最著名的一个观点，可能就是“适者生存”，其中“适者”是指生物学上的适应性概念，即一个生命体平均能产生

多少后代。虽然“适者生存”这个词并非出自达尔文之口，也不是现代生物学家的惯用词（他们更喜欢“自然选择”这一术语），

但“适者生存”还是成为公众大脑中根深蒂固的观念。不仅如此，这个词还牢牢抓住了进化背后的一个驱动力：更能适应特定生

态位的生物，往往比适应性较差的同类更“多产”。

霓黄色皮毛的兔子在自然环境下更容易被捕食者发现，其生存能力便会大打折扣，继而黄色毛发的基因也不大可能会在整

个兔子种群中广泛传播，因为携带这种基因性状的兔子存活率低，平均产生的后代也更少。另一方面，携带“飞毛腿”基因的兔

子更有可能从捕食者的追逐中活下来，该基因便会在整个种群中扩散，因为跑得更快的兔子，往往活得更长，繁殖机会也更

多。所以这些基因，不管是表现出霓黄色皮毛，还是跑得更快的性状，最终都会彼此竞争。结果兔子也被迫参与生存的竞争，

因为它们继承了相互竞争的基因。

这种关于“竞争”的观点，就将“适者生存”与目标导向思维联系起来。整个生存竞争的概念，就是通过竞争性来选出适应性

更强的生物，最终实现成为“最合适”或“最佳繁殖体”的目标。我们希望能有一个比“最适者”更具体的目标，但这也促使我们开始

思考“（进化的目标）可能是什么”这一问题。像所有目标驱动型的检索一样，一项衡量生物某种能力的标准由此被确定（在本

案例中就是“适应性”），而进化的目标就是不断提升和改进这方面的能力。

出于类似的原因，“适者生存”使人们普遍将自然进化视为生物之间的血腥竞争。如果只有最适者才能生存，那么大自然就

会摆出“天地不仁，以万物为刍狗”的姿态，消灭所有“不符合目标要求”的生物。正如丁尼生(Tennyson)所说，“大自然即鲜血淋

漓的尖牙和利爪。”关注进化中的竞争性，会得出另一种观点，即大自然总是在努力地自我优化和完善，那么有意思的问题来

了——其目的何在？大自然想努力达成什么目标？早期的进化论者认为，而且许多非专家人士仍然相信，进化是进步性的，是

朝着某种完美目标的方向发展，是对超级生命体的一种探索。这种解读有时会将人类奉为当下物种进化过程的巅峰。换言之，

从进化的角度来看，相比细菌或者蟑螂，人类似乎是“更高等的进化目标”。

但即便从目标的角度思考进化问题，也存在着不同的解释。进化的目标就是要明确地检索到人类，此想法无疑是最幼稚

的。这种“人类至上”的观念，始见于早期人们对进化树的描绘——人类被突出地置于最顶端的树枝上，言下之意便是，人类代

表了进化的进步。现今的大多数生物学家当然不会赞同这种以人类为中心的观点。事实上，如果人类真是进化的既定目标，我

们最终会遇上前文提及的、关于目标的悖论：如果每一种由地球上第一个细胞衍化而来的生物体，在进化过程中都向类人这一

进化的既定目标靠拢，那么就永远不可能进化出人类（作为最终参照物）。问题在于，与任何“高大上”的目标驱动型检索一

样，具备踏脚石特性的事物，与最终产物并不相似。比如扁形虫——人类在进化之路上的祖先之一，和人类毫无相似之处。所

以进化不可能一直在主动地寻找人类，如若不然，人类永远都不会出现！因此，如果进化确实是由某个明确的目标驱动，那么

这个目标绝对不会是创造出人类。

那么这个目标会是什么呢？一种可能性就是，如果人类并非进化的既定目标，那么使我们进化出有别于其他物种的特征，

可能才是真正的目标。比如智力也许是进化的目标，而人类只是过程中的某一产物。但问题是，即便以此为目标，本书前文提

到的关于反对执迷于“高大上”长期目标的内容，在此仍然适用，因为依照先前的论述，用于实现智力这一进化目标的踏脚石，

自身应是不具备智力特征的（如前文所言，踏脚石和最终产物是毫无相似之处的两种事物）。举个例子，没有人会知道远古时

期的扁形虫和其他昆虫相比，谁有可能进化出高等智能，但人类并非昆虫的后代。从扁形虫进化到人类，如果要预先把这一路

上所有的踏脚石都安排好，这对自由散漫惯了的“造物主”（进化过程）来说太勉为其难了。我们真正要探讨的，是目标的欺骗

性。目标的欺骗性就意味着将进化视为对人类、对智力或任何其他类型的类人特征的有目标检索是毫无意义的。如此，“人类

至上”的观点就站不住脚了。

事实上，进化论只是众多重大科学发现之一，它们共同打破了人类“天上地下唯我独尊”的愚昧心态。比如，哥白尼证明了

地球不是宇宙的中心；弗里德里希·维勒(Friedrich Wohler)证明了有机化学与无机化学之间并非泾渭分明；达尔文同样发现，

人类只是生命之树上的众多叶片之一。当然，这些打破人类既有认知的发现，都不能削弱我们作为人而具备的独特能力和特

性，比如人类分享复杂思想的能力或非凡的智力。真正的重点是，进化并没有对我们人类分外照拂，进化论中没有任何迹象表

明人类比其他生物更加高级。

无论如何，虽然人类可能不是进化的目标产物，但问题仍然存在，即进化是如何造就像人类这般复杂而聪明的生物的？如

果有的话，进化的目标到底是什么？这个答案很重要，因为它可以帮助我们更深入地了解人类自身的起源。

正如本书第四章中所述，大多数接受过科学教育的人都会说，生存和繁衍是进化的目标。现在让我们更深入地研究一下这

个观点。毋庸置疑，所有生物都具备生存和繁衍的能力——因为缺乏这两种能力的物种不可能存活至今。但除此之外，上述观

点还承认了进化的另一种动力，即“自然选择”在提高物种生存能力方面的驱动作用。所以根据这种观点，提高适应性（生存和

繁衍能力的生物学术语）通常被认为是进化的目标，而自然选择则是驱动适应性提升的主要动力。

重要的是，自然选择解释了为什么生物体能很好地适应其所在的环境。通过自然选择，某一物种尝试着不断地优化自身，

以便适应周遭环境。就像拼图制作，通过切削打磨某一块拼图的边边角角，使其与周围的拼图块更好地贴合。进化生物学家费

奥多西·多布然斯基(Theodosius Dobzhansky)的话恰到好处地诠释了这一点，“除了进化论的角度，生物学上没有其他行得通的

解释。”从自然选择的视角观察生物世界，生物多样性的奥秘便昭然若揭了，即性状A是为了帮助生物B应对情况C而进化产生

的。这一思路似乎表明，“力图不断提高所有生物体的适应性”才是对进化论最深刻的解释。简而言之，进化的目标，就是不断

提高物种对生存环境的适应性。这种进化观点完全符合目标的范式，也符合直觉的理解。事实上，学校一般都以这个角度来教

授进化论，所以但凡被问到进化论，上过学的人很可能都会给出类似的解释。但本书提醒我们，有时对常见的、基于目标的观

念进行质疑，可以引发最深入的思考，所以我们不妨尝试寻找不同的方式来思考物种的多样性。

***

虽然乍看之下，生存和繁衍是进化的合理目标，但进一步审视后，就能发现一些漏洞。比如，据本书第四章所述，我们认

为生存和繁衍与常说的目标一词的含义并不契合。虽然词义的辩论多多少少有些无聊，但在这个案例中很重要，因为选对了词

语，释义便有了生命。目标一词的解释和释义是否有意义，取决于我们对“目标”这个词的真正理解。生存和繁衍并不像我们在

日常生活中可能会遇到的常见目标，比如找回丢失的车钥匙等。根据本书第四章，生存和繁衍是进化的目标，这一观点是有问

题的，因为生存和繁衍在进化开始时就已经完成了，即先得有地球上第一枚细胞的成功生存以及顺利繁衍，生命的进化之路才

能随之开启，这就好比手里攥着车钥匙还在继续找它，有些“骑驴找驴”似的犯蠢。搜索到某物，通常标志着目标的实现，而非

搜索过程的开始。但进化就是这样开始的搜索过程，最初的可复制的生命形式，就已经成了“已达成的目标”。

更深入地讲，即便我们将进化不仅仅看作“为了实现生存和繁衍”，还是“为了寻找‘适应性最佳’的生命体（即适应能力最强

的有机体）”，矛盾仍旧存在。关键在于，这种观点与“是什么让进化变得如此盎然有趣”这一进化的深层直觉相冲突。因为在常

规的搜索行为中，搜索的终点通常是最有趣的。例如，在寻找丢失的钥匙时，丢失的钥匙本身就是主要的关注点。如果进化的

目标是搜索“适应性最强的物种”，那么整体适应性最强的生物就应该是搜索的终点。而生物学对“适应性”的定义，是指某一生

物平均能产生的后代数量。所以，如果进化的目标是为了提高生物的适应性，那么它就是在寻找适应性最佳的生物。

然而这种思路的问题在于，哪种生物有望产生最多的后代？如果一对人类夫妇生了五个娃，我们会觉得对方真是“颇为高

产”；但对猫咪而言，一胎五仔只是常规操作，而且它们还能一胎又一胎地生个不停。这岂不是说，在“进化”这位造物主眼里，

人岂不是不如猫？更糟心的是，细菌比任何动物都更“高产”。按照这个逻辑，在进化之路上更早出现、构造简单得多的细菌，

岂不是比人类更接近进化的“目标”？所以人类仍然在迫切寻找着问题的答案，如果细菌已是进化的“最优解”，那为何有我们人

类的横空出世呢？

当然，人类早已发现，进化中最吸引人的篇章并不是细菌。所以，如果我们把细菌置于进化树的顶端，那一定是错的。细

菌这种生命形态可能“很有趣”，但仅凭研究“细菌”这个单独的生物门类，便妄图深入了解生命那不可思议的多样性和复杂性，

就是痴心妄想了。生命的多样性，比如乌龟和郁金香、奶牛和牛痘、绵羊和海贝等，其由来可不会像找回丢失的钥匙那般简

单。生命似乎更像是一位钥匙收藏家，拥有经年累月辛苦淘来的各种藏品，只不过其中有一部分更复杂精致。

事实上，进化过程中产生的多样性，让我们想起了“其他的分化创造过程”，这在本书前几章中有所探讨。就像进化这位造

物主，随手收集到了一块名为扁形虫的踏脚石，但并不知道日后会从里面蹦出人类来；把一张异形脸的图片传到图片孵化器网

站的人，也不会想到它最终会培育成一张汽车图片。真空管的发明也是如此，当时人们并不知道有一天它会成为发明计算机的

契机。进化开始看起来更像是图片孵化器网站或人类创新的探索过程，而非基于目标的成果。按照这种思路（如本书第四章所

述），回顾进化中最具里程碑意义的成果，如光合作用、飞行能力或人类同等水平的智能，有意思的是，它们始终未被视为进

化的目标。如果我们对进化的产物确实感兴趣，并想进一步了解它们诞生的过程，那么把进化看作对目标的检索则完全无益。

从根本上说，从目标的角度解读生物进化，严重忽略了一个事实，即进化最有趣的产物，只是其为实现“生物的高度适应性”这

一目标过程中产生的一种副产品而已。一种更可靠的说法便是，作为进化产物的生命多样性才是进化过程的核心，而非其副产

品。

就此而论，关注进化的创造性，而不是试图将其生搬硬套到基于目标的定式中，可能会形成对进化的更深理解。将自然界

中的生存和繁衍等同于目标是一种误导，因为它与目标驱动型搜索中的常见目标截然不同。常见的目标通常不会在搜索开始时

就是“已完成”的状态，且目标驱动型搜索几乎总是以最终的产物为导向。因此，从我们心中的创造力角度而非目标导向的角度

出发，重新审视自然进化的过程，又会带来什么新的领悟呢？

另一种看待生存和繁衍的方式是将其视为一种制约，即无法顺利繁殖的生物将会走向灭绝，那些能够繁殖的生物则会生存

下来。但这种观点可能颠覆我们一贯的理解，与其说自然选择推动了进化，不如说其实际上限制了对生命的多元化探索。一些

生物没有被进化“选中”而繁衍下来，这意味着它们作为踏脚石的潜力永远都得不到发掘。如此一来，由于自然选择的存在，大

部分的“搜索空间”实际上是被裁剪掉了。

为了说明这一点，不妨想象有一个比地球更宜居的类地行星，我们可以称其为“和谐之星”。在这个另类的虚拟现实星球

上，自然选择完全不存在。既然不存在任何生存竞争，那么尖牙和利爪的自然法则也将不再适用。事实上，在这个温柔乡里，

每一种生物都可以自由繁殖。即便是那些已经丧失独立生存能力的生物，也会得到帮助，确保它们的基因在任何情况下都能延

续。如此假设，是为了完全消除自然筛选的影响。即便某些生命体没有生殖器官，它们也能繁衍生息，甚至能在这里凭空创造

后代（以此继承其基因）。在这个星球上不用担心太过拥挤，因为地方足够大，可以容纳在现实地球上所有会被自然选择淘汰

的生物。其结果是，许多在地球上无法通过进化（选择）诞生的生物，将有机会在“和谐之星”上（无需经历筛选地）生存和繁

衍。

假设“和谐之星”和现实地球上的生物进化，都起源于同一种原始单细胞生命，那么这项实验会得到怎样的结果？首先你可

能认为，这种进化必会了然无趣——因为生物完全不需要承担任何适应环境的压力。从生物特征的复杂性角度出发，生物学家

一般会给出如下解释——如果不需要适应环境，生物也就没必要目标性地自我优化。但从最严格的意义上说，要创造地球上的

复杂物种，自然选择真的是必要条件吗？或者它可能是对进化创造性的一种限制？

假设生物的突变和基因交流与地球上发生的一般无二，那么到目前为止，我们不仅可以看到和现实地球上同样多的生命形

态，甚至犹有过之。虽然听起来很奇怪，但这个结果会成为确切的事实，因为所有被自然选择“筛掉”的生物仍可能在“和谐之

星”生存。消除了自然选择的压力，进一步的进化就不那么困难了。事实便是，在“和谐之星”上，没有了弱肉强食的法则，生物

不可能失去进一步进化的机会。因此，在现实地球上繁衍的每一种生物后代，也会在“和谐之星”上顺利存活并繁衍，这意味着

同样的物种谱系也将得到进化并诞生于世。当然，因为几乎每一种生物（包括那些在地球上无法生存的生物）都能在“和谐之

星”上顺利繁衍后代，所以也会有很多原始而“无趣”的细胞团存在。但这种折中带来的积极一面是，许多碰巧不走运而未能在现

实地球上生存下来的有趣生物，将会在“和谐之星”上获得第二次生存的机会。

例如，有一种百万分之一的罕见突变，能为新生物种赋予有用的新能力。在现实地球上，这个变种在发展壮大之前，很可

能会被捕食者吃掉，随之永远失去成为一项生物史上重大发现，以及成为其他新物种“祖脉”的机会。但在“和谐之星”上，这种

突变只是开始。这个星球就好比是一位不遗余力地秉持“兼爱非攻”理念的探索者，不放过每一块可能的踏脚石。谁知道生物在

不需要生殖器官的情况下，会演化出怎样令人意想不到的身体结构呢？这个思维实验的重点是要说明，自然选择并非真正的创

造性力量，它集中、优化，并最终限制了进化这位造物主的探索范围。自然选择的伟大作用，只是在于确保资源（在现实地球

上是有限的）被用在能够自我繁殖的物种身上。这种限制与无限的探索不同，所以生存和繁衍可以说是限制了进化这位造物主

去进一步发掘可能带来新物种的踏脚石，而不是进化本身的目标。

这种视角的转变表明，进化好比是一位典型的寻宝者，而不是单纯的优化员。也就是说，如何积累新颖性和多样性，才是

进化的一大标志性特点。就像人类在创新、在使用图片孵化器网站或新奇性搜索过程中积累踏脚石一样，自然进化在地球上积

累了不同种类的生命塑造方式。生命之树的枝干从根部不断向外分支，一边扩展，一边收集新的生命的踏脚石。并不是所有的

踏脚石都能保存下来，但它们确实成了促成新物种诞生的一个又一个关键环节。

但是，是什么导致进化以这种方式积累踏脚石的呢？进化中产生惊人发现的关键因素，不仅仅在于生物之间的竞争，即使

竞争的确发挥着重要作用。将竞争视为进化创造性的一般性解释，这样做的问题在于，其通常会促使一切事物趋于“最佳化”，

即适应性最佳的生物才是唯一重要的存在，所有其他的、无限的踏脚石都是无关紧要的存在。例如，美国全国大学体育协会

(NCAA)“疯狂三月”篮球锦标赛开赛时，共有64支球队，但最终的赢家只有一位。好比在Betamax与盒式磁带、DVD与激光

碟、高清DVD与蓝光碟之间的竞争中，最终会有一方压过另一方。但自然进化不同于此类竞争，因为其更趋向于“开枝散叶”，

为生命问题探寻众多不同的解决方案。就像其他非目标性探索的例子一样，正是这种在具备所有可能性的空间中，不断分化和

探寻积累踏脚石的行为，才最终带来了最令人瞩目的伟大发现。

有趣的是，自然进化并不是通过竞争来获得生物多样性，而是通过避免竞争。特别是某一生物如果能以一种新方式谋得生

存，那便是成功找到了自己的专属生态位。因为它会成为第一个以这种新方式生存的生物，所以作为此道开山者，竞争不会太

激烈，繁衍也会更容易。例如，如果一个偶然的突变，使某样生物有能力消化一种之前不能吃的东西，那么它就完全为自己争

取到了一种全新的食物来源。随着时间的推移，它的后代可能会专门以这种新发现的东西为食，从而形成一类新物种。

或者想一想有史以来第一只进化出飞行这一革命性能力的陆生动物，这位史前的“莱特兄弟”另辟蹊径，为后续的生命开拓

了新的生存可能性，并从陆地上的弱肉强食中成功抽身。通过这种方式，新的生态位逐渐积累起来。虽然个别物种可能会走向

灭绝，但长期得不到开发的情况会变得罕见，因为大自然始终在扩张不同的可能性。这是一种全新的生存方式。

此外，一个新兴生态位通常会衍生出更新的生态位，继而进一步生成新生态位。就像连锁反应一样，新生态位会不断从旧

有生态位中冒出来。关于“生态位是如何层层衍生的”这一问题，有一种名字就带着味道的昆虫——屎壳郎，恰巧就是个很好的

例子：一种生物的代谢废物，可能会成为另一种生物的食物。没有此，就不可能诞生彼。正如计算机的发明奠定了整个软件生

态系统的基础，草本植物的诞生也为食草动物提供了赖以生存的基础，这些食草动物反过来又成为食肉动物、清理残羹剩饭的

食腐动物和寄生生物的生存之本。数十亿年前由第一个单细胞生态位所引发的连锁反应表明，自然界的进化，与人类的创新、

图片孵化器网站和新奇性搜索同属一类。进化好比是一摞不断累积的踏脚石，它们彼此堆叠，并非为了某一目标才聚在一起，

而是因为通过不断站在前者的肩膀上，才为生命探索了更多的可能性。

进化与其他非目标搜索过程的相似之处，并不仅仅在于积累踏脚石，偶然性也扮演着重要的角色。进化的某项创新可能会

产生何种结果，似乎是无法预测的。正如人类的某些重大发现有时是不可预测的，偶然性在自然进化中也起着关键作用，尤其

是通过基因突变的形式。突变是一种遗传基因的轻微复制错误，有时会在生物繁殖过程中发生，通常会导致亲代和子代之间产

生细微的不同，不时还会受到自然选择的影响。但如果某项突变损害了生物的适应性，那么它便很难留存于世。另一方面，对

适应性影响不大的突变，其命运就不得而知了。此类不好不坏的基因变化，并不是通过自然选择进化而来，而是随机遗传漂变

导致的。

需要特别说明的是，虽然自然选择有机会赋予某一物种更大的生存优势，但其有时也会忽视其他方面的属性。如果某一性

状并不影响生物的生存或繁殖能力（例如骨骼的颜色），那么自然选择就不会进行任何干预，其进化就只能依靠随机遗传漂变

了。从这个意义上说，生物“百花齐放”的多样性，并不是来源于自然选择，而是自然选择的忽视。事实上，正如生物学家迈克

尔·林奇(Michael Lynch)所强调的那样，自然选择的干预越少，源于基因漂变的性状也就越稳定。

另一种允许偶然性在进化中发挥作用的力量，便是扩展适应，是指生物“曾经行使过某种功能的结构，在进入一个新生境

后，又被用于另一个不同功能的现象”。例如，羽毛最初是在恐龙身上进化出来的，主要功能是保持体温，之后才逐渐成为适

用于鸟类飞行的结构。以人类自身为例，骨骼一开始只是用于储存供身体其他功能所需的矿物质，后来才进化成人体的支撑性

结构。

类似的案例在非目标性探索中很常见，这种情况下，具备踏脚石特性的生物，其生存与否并不由存在于遥远未来的目标来

衡量和决定。因此，图片孵化器网站上同样发生了类似扩展适应的过程，也就不足为奇了——还记得外星人脸图片演变出汽车

图片的案例吧？车轮就是由外星人的眼睛扩展演变而来的。扩展适应在人类的创造发明中也很常见，比如真空管最初只用于早

期的电气研究，后来才被拓展应用于电脑运算。如此看来，扩展适应是为非目标性探索赋能的一大关键属性。通过观察许多不

同类型的探索过程，我们发现了一种很有趣的模式：在奔向某一目标的途中发现的一些有趣玩意儿，在未来往往会以各种意想

不到的方式被证明有大用处。

因此，我们可以认为，进化的创造性是逃避竞争后的产物，而非竞争的产物。严苛的生存限制一旦被解除，进化便会在检

索空间中自由自在地探索，通过基因漂变和扩展适应的方式，疯狂探索和积累具备踏脚石特性的生物。通过这种生物多样化的

力量，进化才得以逐渐积累各种“奇珍异宝”。这只是一种另类的非目标性探索过程，就像图片孵化器网站、人类创新和新奇性

搜索一样，其最终产物并未从一开始就被认定为目标。虽然它们表面上各不相同，但这些系统的多样性背后，都有非目标性踏

脚石收集者的推波助澜，即寻宝者的再次出击。

***

看到这里，或许我们开始理解，为何“竞争驱动自然进化”这一当下流行的解读，实际上可能太过专注于进化中最无趣的一

些特性。换言之，若我们把进化看作最优性或最具效率性的检索，便相当于将其视为平凡而无趣的检索，就好比打开导航，搜

索从家到图书馆的最佳路线。与进化不同的是，去图书馆的最佳路线总归能搜得到，而且也不会通往莫名其妙的地方。问题

是，把进化看作最理想生物的竞争上岗，意味着进化本身有一天会趋向于创造出最终的超级生命体。考虑到进化的深远影响，

专注于创造性而非优化性，可以革新我们的旧有思维。

与此同时，重要的是要避免做出以下推论，即“截然不同的解释，必然是水火不容的”。虽然新解释可能会反衬出旧解释的

错误性，但实际上，同一组数据可以支持多种解释。因此，仅以数据为支撑，还不足以在各种解释之间做出最终选择。那我们

又该以什么为标准，选择不同的解释呢？

在这个案例中，我们希望能够为“可观察到的过程，是由什么原因导致的”这一问题提供一个可接受的解释。一个好的解

释，应该阐明原始数据的更深层含义。比如，万有引力定律的公式很有趣，但背后的解释则更深刻：物质吸引物质——一个简

单又深刻的真理。同样，对自然进化的启发性解释，应该回答“那些令人叹为观止的生命产物，是如何被进化创造出来的”这一

本质的问题。理想情况下，正确的解释应该非常具体，甚至可以借此开发出一种新算法。想象一下，如果我们能把进化的力量

抽取出来装进瓶子，再用于我们喜欢的任何地方，比如汽车或机器人宠物的研发，那么它就成了一台创意生产器，能不断地吐

出吸引人的新玩意。把这台机器搁上几个小时，你就能得到一辆全新的、自动化设计的汽车。关键在于，“解释”不仅仅是一项

学术活动。若其足够清晰，甚至能给出非常具体的信息，那么它便可以转化为公式，应用到众多其他的场景中。

抽象化是帮助理解自然过程的一个重要工具，主要用于捕获基础流程的基本特征，同时排除不重要的细节。抽象化能把某

个概念，分解成基本的构成要素。例如，棋盘可以被抽象为一个由红黑相间且按8乘8方式排列的方块组成的网格。如果某块

特定棋盘上的一个方格有瑕疵，或者长宽不一致，都是无关紧要的，因为这些不痛不痒的小细节，并不会妨碍棋盘行使其目标

功能：下国际跳棋。抽象化能抹去一些无关紧要的细节，在提炼核心理念的同时，摒弃的细节越多，抽象化的效果就越好。当

然，抽象化也存在弊端，一旦抽象过度，便会丢失最重要的细节。比如把棋盘“简化”成一个光溜溜的大方块，就显得太过分

了。虽然棋盘确实是近似正方形的，但跳棋游戏不能单从这个角度来描述，因为光有一个大方块，而没分成64个独立的小方

格，游戏是玩不起来的。对自然进化进行抽象化处理的难度在于，在不抛弃任何必要细节的情况下，需就其创造性归纳出最根

本的解释。

生存和繁衍是一种约束，而不是一种目标，以此为角度对进化进行抽象化处理，是一个很好的切入点。能活到成年并成功

繁殖的生物，将会获得血脉的延续，而繁殖失败的生物体，则会走入进化的死胡同。生存和繁衍对新物种的发掘起着限制作

用，而非驱动作用。这个观念层面的微小但重要的进步将使我们认识到“众生皆平等”，即所有在进化竞赛中胜出的生物，彼此

之间并没有高下之分。换句话说，我们不需要在意某种生物繁衍后代的质量和数量，或者其生存策略和生理结构，我们只关心

它是否能顺利存活并繁衍后代。此处抽象化的结果便是，所有成功的物种，都在卓有成效地做着同样的事情，即它们都能生存

和繁衍。有趣的是，所有的生物都无法在这方面优化，因为即使是最原始的物种，也已经实现了这个目标。相反，所有成功的

生物，都做成了同样的事情（生存和繁衍），只是方式不同而已。通过抛开我们熟悉的物种适应性概念，这种观点为解释真正

推动大自然发掘新物种的过程，打开了新的窗口。

地球上所有生物的生命，几乎都起源于单细胞，并通过这种方式，将基因一代又一代地延续下去，其后代也是由最初的单

细胞发育而来。正如道金斯所说，单细胞这一进化“瓶颈”，是自然界中普遍存在的现象。从上述“瓶颈”的角度来看，进化是很

有趣的，因为其催生了这样一种想法：大自然已经找到形成生物多样性的惊人方法，即从一个单细胞开始，除了最终生成另一

个单细胞外，什么都不用做，生命就是两点之间的那点事儿。所有动物都毫无例外地越过了这个“瓶颈”，虽然跨越的方式可能

各不相同。事实上，生命所经历的种种艰辛曲折，有一丝鲁布·戈德堡机械的影子，即从一个细胞开始，经历了一系列复杂的

折腾后，最终只是产生了另一个相同类型的细胞。

举个例子，最简单直接的磕鸡蛋方法，就是在硬质台面上敲一下，但也有其他办法来完成这一任务。比如你可以设计一套

复杂的机关，由无数个小机关串联而成，然后一个接一个地连锁触发，最后以木槌敲碎鸡蛋。如果你玩过一种叫做“捕鼠陷

阱”(Mouse Trap)的棋盘游戏，那么对这种滑稽的机械就不会陌生，游戏里的捕鼠机关就被称为鲁布·戈德堡机械（以纪念最先

发明这种机器的美国漫画家兼发明家鲁布·戈德堡）。游戏过程中，玩家们首先需要一起想办法利用各种小零件，组装成一套

精密器械，比如曲柄、齿轮、杠杆、靴子、弹珠、滑梯、浴缸、跷跷板、潜标、竿子和鼠笼等。游戏最紧张的一刻就是陷阱触

发的时候，如果陷阱构造合理，随着一连串机关的相继启动，一只塑料老鼠最后就会被从上方坠落的笼子困住。当然，我们可

以用其他更直接的方法触发鼠笼机关，但鲁布·戈德堡机械的特点就是，需以一种过于复杂的方式，来完成一项简单的任务。

换言之，“触发捕鼠陷阱”这一最终结果并不重要，其过于冗长且复杂的过程，才是吸引人的地方。

复杂的生物体，也具备类似的特性。如果所有生命都始于单细胞，并最终繁殖出同样以单细胞为生命起点的后代（且这种

简单的繁殖策略是有效的），那么用越来越复杂的方式，来完成同样的事情，到底有什么用呢？细菌以一种相对简单的方式，

实现了世代更迭（二分裂方式），就像直接在台面上磕鸡蛋。但有些生物则走了一条更迂回的路：首先产生数万亿个细胞，然

后在接下来的二十年里，上演一场精心编排的鲁布·戈德堡式舞蹈，最后又以单细胞的形式繁殖下一代，人类走的就是这种

路。事实上，正是单个精细胞和卵细胞在多年前的相互结合，才孕育出最初单细胞版本的你。多年后，你长成一个由数万亿个

细胞组成的集合体，繁殖能力（同细菌之类相比）还相当低下。从这个角度看，人类诞生的过程，就像细菌繁殖过程复杂化后

的产物。我们人类需要先增殖出数万亿个细胞，待发身长大后，才能开始繁衍后代，而男女双方仅需要各提供一个细胞就能完

成繁衍任务。

需要注意的是，我们在进化中发现的有趣之物与生存和繁衍的必需之物相比是有区别的。最有趣的进化往往偏离了最大化

生殖适合度这一目标。这种持续存在的偏离，不是由竞争导致的，而是通过进化中的其他机制（如基因漂变和扩展适应）提升

进化的创造性造成的。我们人类数以万亿计的身体细胞，都是从最初的单个受精卵增殖而来，正因为人类的进化生态位支撑得

起这种近乎奢侈的资源消耗，所以人类的成长过程，才能上演这场精彩的鲁布·戈德堡式舞蹈。

无论是甲虫、鸟类、水牛、藤壶，还是商人，都有很多方法来满足最低限度的生存标准，但当我们从高度抽象化的角度来

看待各类生物时，它们本质上都在做同样的事情——生存和繁衍，只是方式截然不同而已。根据这种观点，驱动进化创造性引

擎的深层动力不是竞争，而是寻找多样化的方法来做同一件事。进化可能就是最早期的鲁布·戈德堡试验，尝试以无限种不同

的方式，无休止地重复着同一个简单的任务。

但是，如果不存在任何直接的动机，为何进化会如此舍简求繁，寻找多种方法来做同样的事情呢？是不是有别的力量在背

后推动呢？这个问题听起来不错，但真的不需要解释。关于搜索的一件趣事是，基因突变在一代又一代之间缓慢漂移的过程，

将会在“搜索空间”中不断向外发散，不需要任何具体的动因。这好比在一根数轴上从零开始，不断地随机增加数字，最终会得

到一个比较大的数字。这同样又像是有人把牛奶泼进了“搜索空间”中，而史上第一个单细胞生物，在其中占据了某一特定点

位。随着时间的推移，牛奶不断向各个方向扩散，最后淌满了整个可能性的空间。繁殖仅仅代表了“搜索空间”的部分区域，那

些代表繁殖失败的区域，则是阻止牛奶四处流淌的障碍。所以进化碰到不育的生物，就会绕道而行，然后流经“搜索空间”中每

一个代表“可繁殖生物”的点位。在一些地方，新的生态位的发现会加快牛奶的流动，进而开辟出通往更远处的新路线。尽管大

部分牛奶的溢流都是被动的，只是在没有特定选择压力下的“随意流淌”，但通过创建新生态位来逃避竞争，的确会让生物获得

实实在在的“奖励”。

如此看来，本书第五章中描述的新奇性搜索算法，就很像是把加速器按在地上的自然进化，“最富创新者”获得的奖励，总

是拥有更多的后代。今天我们所看到的所有生物，正是从远古时期开始的进化在存储着所有可繁殖生物的空间中，无意识

地“流动扩散”后生成的结果。就像新奇性搜索一样，当相对简单的生存方式被探索殆尽后，进化的流动就会自然而然地向更广

阔复杂的地域转移，因为之前的地方已经没有开发空间了。这好比是一座香槟塔，只要倒酒的时间足够长，待上一层的杯子灌

满后，溢出的酒水就会沿着一块又一块踏脚石，溢向下一层，最终填满整个空间。

从这个角度看，进化就是一种特殊的非目标搜索，即满足最低条件的搜索。虽然没有什么特定的方向，但它会前往任何满

足生存和繁衍这一最低标准的地方，其实进化之初的第一个可繁殖细胞，就已然满足了条件。进化只是积累了所有不同的生存

和繁衍方式。当所有简单的生存手段被搜索殆尽时，更复杂的方式就逐渐被发掘出来，并不是因为它们更好或更优，而是因为

它们只是进化在当前位置，能搜到的一块块踏脚石。进化之所以能如此丰富多彩，是因为其仅是在漫无目标地向前流动，而目

标则会截断更多的“搜索空间”。事实上，“进化是一种条件最少的检索”这一观点，促使我们发明了一种新奇性搜索的算法变

体，其名为“最低标准新奇性搜索”。这种新算法能够促使机器人产生的行为，可解决新奇性搜索也束手无策的迷宫游戏，即通

过搜索，找到以新方法来做同样事情的迷宫探路者，最终破解迷宫路线。这个结果的有趣之处在于，其回答了“高层次的抽象

如何产生洞察力”这一问题，而这种洞察力可以作为一种实用的自动溢出算法进行测试。

***

当然，按照抽象化处理的观点，不容忽视的是，竞争在这里已经彻底被简化了。这种牛奶流淌式的进化论观点立意层次太

高，以至于把“适应性”抽象为一种硬性限制：生存和繁衍，要么成功，要么失败。在只有一种硬性限制的情况下，就不可能有

竞争（就像适应性一样），因为任何满足限制条件的方法，都同样好。但正如生物学家可能会辩驳的那样，竞争确实在自然进

化中起着一定作用，而这种抽象理论恰恰忽略了竞争的作用。然而，竞争可能是进化驱动力中最没有趣味性的分支，因为它趋

向于限制物种发展的多样性。不同于发现新生态位，进而产生不同生存方式的积累，竞争并不是一种纯粹的创造性力量。它更

像是一种磨砺性力量，在特定的生态位内，对物种进行持续优化，或者使物种以限制性的方式，跨越生态位，就像瞪羚进化出

从狮子嘴下逃离的方式那样。所以如果我们对进化过程的创造性感兴趣，把竞争从进化中完全抽象出去，并非不合理。而竞争

所带来的问题是，为了使生物更好地适应，它引入了目标压力的概念，但正如我们所看到的，这可能会导致趋同和目标的欺骗

性。换句话说，进化本身就是创造性的，只不过它允许了竞争的存在，但绝对不是因为存在竞争才有了进化。例如，在没有竞

争的“和谐之星”上，进化只会更富有创造性。

因此，要想进化出富有特色的物种，进化的竞争性就不能压过创造性的驱动力，这才是关键。重要的是，在自然进化中，

生存和繁衍这两项任务，是一种普遍存在而又开放的约束，其允许了不同的生存和繁衍方式。各类物种的不同生活方式，是通

过进化的创造性力量实现的，包括建立新生态位来逃避竞争，也是由进化的创造性来驱动的。就好像图片孵化器网站的用户，

一些可能有目标，一些可能没有，所以自然竞争并不能阻断整个进化体系多样性的增长。竞争能对不同物种的生存方式起到磨

砺作用，而且可能会导致特定的生态位被特定的物种主导，但并不妨碍新生态位的继续积累。所以重要的结论便是，即使以一

种不排除竞争的方式对自然进化作抽象化处理，竞争的作用也应排在创造性之下。

那么问题来了，大自然的竞争是如何发挥这个次要作用的？为什么竞争不会导致自然进化逐渐趋向于创造某种“最优生

物”？与此有关的一个重要事实是，进化中的竞争不是全方位的。换句话说，单个个体并不会“以寡敌众”，与其他所有生物都较

上劲。竞争也以不同的方式受到限制，比如因地理局限，澳大利亚的鸟类不可能会与美国的鸟类竞争，又或是受到生态位的限

制，比如鸟类一般不会与水牛直接发生竞争。重要的是，这种有限的局部性竞争与全方位竞争相比，两者的影响大不相同，后

者还肩负着一个首要的全局性目标，即全方位竞争，强调的是发掘“整体最优”。在全方位竞争中，评判一个生物的标准，是将

其与其他所有生物进行比较。比如，在全方位竞争中，将单个人类的繁殖适应性与单个细菌相比，两者肯定是无法衡量的（因

为人类完全无法媲美细菌的繁殖速度和频率）。

那么局部性竞争有什么不同之处呢？正如著名生物学家休厄尔·赖特(Sewel Wright)，首先强调的那样，局部竞争会在生物

自身的生态位内，不断对其进行“雕琢”和“调校”，但在不同生态位之间产生的影响，相对有限。其结果是，不同于全方位竞

争，局部竞争推动了新生态位的建立，继而避免了竞争。一旦生物体找到一种不受原对手影响的新生存方式，竞争就会减少，

好比有人在比赛中弃权。但全方位竞争是无法逃避的，个体无论做了什么，总是会与其他所有生物进行比较评判。这就是为什

么全方位竞争自然趋向于“归一”，而局部竞争自然而然地促进了进化的多样性和创造性。因此，（局部）竞争的概念可以被整

合到非目标的抽象化过程中，即自然进化可以被视为具有局部竞争特点的新奇性生成搜索。

再次重申，这种解释既不否认生物学事实，也不表明生物学家是错的。相反，我们的目标是从不同的角度重新审视进化，

以期得到更深入的理解。事实上，我们还将这种提纯后的抽象概念，转化成了另一种被称为局部竞争新奇性搜索的算法，属于

新奇性搜索算法的另一种变体。这种算法维护了新奇性创造与竞争之间的平衡，同时又能保持非目标性以及多样性的积累。有

趣的是，与虚拟生物模拟器相结合后，该算法在一次尝试性实验中，生成了各种各样的虚拟生物，这是一项前所未有的成果。

由此可知，该算法帮助证实了这种类型的搜索，可以爆炸式地生成各种虚拟的生物体。

***

在本章中，非目标性思考的一个核心观点是，虽然可以把进化看作一场竞争，但“形成新生态位以逃避竞争”要比“在生存和

繁衍这两个目标上，胜过其他生物”更为重要。这就是生物多样性保持增长的方式，也是自然进化总体上趋向于“多元化”而

非“趋同化”的原因。这既是踏脚石的积累方式，又是全面提升生态系统潜力的方式。正如在其他形式的非目标性探索，只有推

翻优化理论的统治地位，才轮得到发现理论上场。最后还有一个耐人寻味的问题，即化石记录本身，是否为我们从非目标性角

度解读的进化论观点，提供了进一步的证据？

进化的成就是无与伦比的，因为它没有任何事先的引导。作为一种无意识的过程，它无法被提前计划，或像人类那样制定

一系列复杂的目标。因此，“以‘复杂的目标知识’或‘原生智能’战胜‘愚昧的欺骗’”，并不是进化取得成功的原因，因为进化是一

个纯粹的机械过程。所以自然进化的伟大成功，必然来自其无意识积累的踏脚石，因为进化只能做到这一点。生命之树的一大

显著特征是，随着新生态位和现存生物变种的出现，它总会长出新的分枝，但并不伸向任何特定的方位。考古学家研究的所有

化石，并不会直接指向进化的某些“高级物种”。它们好比是在黑暗中镜头拍摄到的不同画面，是昔日进化实验中产生的细微且

无意识的变化。

最早被发现的化石，其历史可以追溯到大约30亿年前，上面留存了单细胞生物和松散细胞群的生命印记，它们类似于现

代的细菌。匪夷所思的是，从那以后，生命的进程好像就停滞了，因为从原始数量和多样性来看，占主导地位的生命形式，从

古至今都非单细胞生物莫属。进化意味着变化，但这个生态位一直以来都非常稳定。进化并没有抛弃历史、以新代旧，而是保

留了历史。现存的单细胞生物便是其留下的“生命活化石”，虽然小到肉眼不可见，但它们几乎占据了现今地球生物总量的一

半。

虽然细菌依旧活得好好的，但自从它们被首次发现以来，生命已经占满了其他形形色色的生态位。其中的许多生态位规模

越来越大，也越来越复杂。以著名的“寒武纪生命大爆发”（发生在大约5亿年前的寒武纪）为例，这属于生物进化过程中的“重

要时期”，所有现代动物类群的祖先，都是在这段相对较短的时间跨度（几百万年）内进化出来的。

在寒武纪大爆发之前，生命只能占据一些简单而狭小的生态位，好比图片孵化器网站一开始只能处理比较简单的图片，新

奇性搜索中的迷宫导航器最初只能执行一些简单的指令，人类最初只能发明车轮而不是内燃机。换言之，创新的踏脚石，必须

按照先简后繁的顺序出现。寒武纪生命大爆发，只是自然进化探掘出的另一块踏脚石，踩上后能攀多高，就不得而知了。你可

以说，它有点像那些我们熟悉的故事：摇滚乐的发明、计算的发明、通过图片孵化器生成的赛车图片，甚至是进化对身体结构

的塑造。从这个角度来看，我们可以把化石记录本身，看作偶然性的最初版本，它不是用文字，而是用保存在岩层中的化石生

物写成的，它用10亿年的时间证明了进化这个“寻宝人”，“于无声处听惊雷，于无色处见繁花”的深厚功力。

正因为进化不存在统领性目标，所以它才能“发明”像人类这样的生物，正是因为它没有“刻意寻找人类”，所以人类才能诞

生。目标的悖论，统领了所有大型开放式的创造性系统——从人类的创造发明（以人类自身的智慧和对新奇事物的探索欲望为

驱动力），到明显不受人类引导或设计的自然进化。最后，我们对进化过程产生了不同的看法：它似乎更像是一场开放式的头

脑风暴，而不是一心一意地去追求某个目标；它更倾向于探索，而不是血淋淋的竞争；它并非是在追求完美，而是在制造一台

新奇的鲁布·戈德堡机械。进化好比是一位终极的寻宝者，看似没头没脑，却能在潜藏了所有可能性的空间中找出所有的生

物。进化又是世界上最多产的发明家，所有的发明创造，都是在不考虑未来走向的情况下完成的。这就是在不考虑竞争和适应

性的情况下，我们依然能够理解进化过程的原因。这或许能成为一个崭新的进化解读视角，彻底屏蔽目标神话的影响。

第十一章

案例研究2：目标和人工智能领域的探索

唯一不会抑制进步的原则是：一切顺其自然。

——保罗·费耶阿本德(Paul Feyerabend)，《反对方法》

我们今天视为理所当然的无数科学技术，在不久前仍是无法想象的存在。即使最富有的中世纪国王，也仍然需要骑马出

行，并很容易死于肺炎。但到了现代，哪怕是普通人，也可以乘坐飞机出行，并与千里之外的朋友即时沟通。在推动所有这一

切，以及使更多看似不可思议的进步成为现实方面，科学可谓功不可没。就其本质而言，科学是对知识的探索，科学不断地拓

展了人类可能性的边界，使人们能够更深入地了解这个世界。正如历史上所有伟大的发现那样，当今的科学发现，也是通往未

来的踏脚石，引领我们发现超乎想象的技术。

尽管科学的发展令人炫目，但其进步需要依赖于科学家们的努力，而科学家也是人，跟所有其他人一样，并非完人。考虑

到人类才是伟大科学进步的幕后推手，科学家们沟通和互动的方式，也将深刻地影响科学进步的节奏和速度。我们必须了解科

学体系的运行方式，因为科学决定了人类的生活质量。不妨想象一下，若没有抗生素，人们的生活会变成什么样。因此，如果

科学界能够更有效地合作，所有人都将受益。所以，在本章中，我们将了解当前的科学运作方式，并探索其背后是否存在可能

带来麻烦的目标。

首先，科学实际上不只是一个聚集了所有科学家的庞大社区。世界上有太多的知识，没有人能够将其全部理解或掌握，因

此科学家们往往仅专注于一两个较小的科学知识领域，我们将其称为学科。普通人比较熟悉的学科，包括物理学、生物学和化

学等，都由不同的科学家群体构成，就像任何其他类型的人类社区一样。不同学科也有专属的惯例和文化，事实上，很多喜闻

乐见的笑话，都描述了不同学科群体之间的文化差异，例如：

一位数学家、一位生物学家和一位物理学家，正坐在一家街头咖啡馆里，看着街对面房子里进进出出的人。

他们首先看到两个人进入房子。时间一点一滴流逝，过了一会儿，他们注意到有三个人从房子里出来了。

物理学家说：“测量并不准确。”

生物学家得出结论：“他们‘繁殖’了。”

数学家：“如果现在正好有一个人进入这所房子，那么它又将是空的。”

不同国家之间生活方式的文化差异，往往体现在语言或饮食习惯上，而科学界的文化差异，则与人类知识的拓展和积累有

关。我们希望一门学科的文化，能够催生富有成效的探索，促使该学科中最有前途的踏脚石开花结果。同时，学科的文化也帮

助科学家们避免在探索死胡同上浪费太多时间，因为每位科学家个人的时间和资源都是有限的，所以每个学科社区，必须帮助

其成员确定哪些科研想法才是最重要的想法。这样一来，同一个社区中的科学家们，就可以在不需要阅读全部论文或文献的情

况下，了解到最前沿的信息。这也是为什么大多数科学社区，都遵循了旨在剔除不良或无趣理论和实验的经验法则。可以想

象，如果不存在这种筛选机制，一个科学社区就可能产生大量鱼龙混杂、泥沙俱下的研究成果。

为了筛选和传播最重要的思想，大多数学科的研究者们，都选择在期刊和会议上发表个人的研究成果。期刊以定期出版的

方式，传播不同研究者的想法和成果，而学术会议则能让研究人员齐聚一堂，面对面讨论和分享彼此的工作。科研会议还经常

出版（记录会议情况的）“会刊”，有时还收录了所有在研讨会上发布的论文。重要的是，科学家在期刊或会刊中发表自己的想

法，有助于进一步验证其研究，并能将科研的想法或成果传播到更大的社区。得到期刊和会议认可并发表的观点很重要，因为

它们决定了未来科学研究的方向——它们往往是会被科学家们进一步探索的踏脚石。因此，一个有趣的（也很重要的）问题

是，我们如何才能最好地判断出，哪些想法值得发表，哪些应该被抛弃。

解决这个问题的最常见方案，就是同行评审（在本书第八章探讨哪些科学项目应该得到资助时，也提到了这个方法）。一

位希望在特定学科社区中分享新想法的科学家，将其研究成果以文章的形式，提交给期刊或会议组委会时，同行评审的流程就

开启了。接下来，期刊或会刊的编辑们，不会只是单纯地阅读拿到的文章，然后直接根据个人的喜好，决定该文章是否应该发

表。因为对于一门学科的未来发展方向而言，一小群人不应该拥有如此大的话语权。相反，编辑们的工作，是寻找同行评审

员，即文章所涉学科领域的专家们，并征求评审员们对该论文观点的意见。评审员们通常会给出非常具体而详细的意见（主要

是挑刺），旨在找出被评审的文章中的错误，并判断文中想法的重要程度。编辑随后会收集评审员们提供的评论并发回给作

者，便于他们对文章作进一步修改和完善。然后，这个过程可能会不断重复——修改、重新提交、再次评审，直到这个观点被

接受（和出版）或彻底被拒。整个流程的目标，就是确保发表的观点是准确且重要的。

我们希望通过同行评审能有助于完善或剔除部分“认识肤浅、内容单薄”的想法，继而确保最重要的想法得以发表。通过出

版和发表，学科领域中最顶尖的人，才能够了解这些想法，他们可以将其作为进一步探索的踏脚石，推动学科继续向前发展。

但这个体系也存在一些重大的风险，比如被选来审查某一特定学科论文的“专家”有可能带有个人偏见，他们可能认为某个新观

点威胁到了自己的理论，或者无法理解新观点的有趣之处。因为这些新想法可能看起来过于激进，或与本学科一些得到普遍认

可的信念相冲突。此外，审稿人还可能会倾向于发表那些“满足于现状”且缺乏想象力的想法，这会扼杀创新。就像在其他类型

的人类社区一样，权力和政治也会毒害科学社区，有权势的成员可能会导致整个评审过程偏离公平和开放的理想轨道。因此，

如果一个科学社区在评审方面不够谨慎，评审员作为把关人，就有可能因一己之好而导致科学发展停滞不前，反而阻碍科学的

进步。

潜伏在这些令人担忧问题背后的，是目标的强大影响力，我们也不应该对此感到惊讶，因为目标是具体的，并且允许人们

衡量和鼓励科学的进展。喜欢通过目标来指导任何探索或发现的过程，是人类的天性，这在科学领域也不例外。简而言之，要

求科学家们为一个具体的想法提供目标，比评判完全没有设定目标的想法更容易。因此，评审专家们在评估一个新想法时，自

然会想到关于目标的诸多问题：这些想法可以达到什么目标？它们是否会实现一个特定的目标？然而，在科学领域，专注于目

标驱动问题的习惯可能会带来意想不到的后果，就像在目标驱动的其他活动中一样。因此，目标在科学领域发挥的作用，同样

值得我们仔细研究。秉持了解这种新视角的意图，让我们来研究一下某个特定科学分支的思维方式，将其看成一项案例研究，

帮助我们了解目标驱动的思维对整个科学探索过程的影响。

鉴于我们两位作者都专注于人工智能领域的研究，因此我们自然而然地将其选为研究的对象。但更重要的是，人工智能领

域还颇为有趣，因为其研究的核心重点是实现一个非常“高大上”的目标：创造高度智能化的机器或程序。这种以远大目标为导

向的研究趋势，使我们很容易能够看到目标导向的思维在人工智能领域的影响，并且其严重程度远远超出其他学科。尽管不同

的研究人员可能对人工智能的确切定义有所不同，但整体而言，这个领域中大多数还没有丧失激情的人，都想要努力实现一

些“高大上”的目标，比如接近或高于人类水平的人工智能。最重要的一点是，在人工智能领域，我们谈论的是追求一个典型的

高远目标，即距离这个目标的最终发现还需要很多踏脚石。

当然，本书已经在前文中反复告诫诸位，不要为了一个遥远而虚幻的目标而投入过多的努力。自然，这种警告对人工智能

研究来说，就是一个悖论。因为试图奔向遥远而充满潜力的远方，是人工智能领域研究的本质。也许这就是为什么，人工智能

领域的一些研究人员选择声称自己秉持保守策略，并表示自己的研究目的，就是为当前的社会创造实用的算法，对充满了不确

定性的遥远梦想毫无兴趣。但是，我们怎么可能放弃人工智能的突破，放弃创造真正的智能机器，以及从根本上改变世界的伟

大想法呢？如若实现了这个遥远的梦想，飞机将能够自主翱翔蓝天；机器人不仅能自主建造房屋，还能自主设计；不起眼的芯

片可以谱写出美妙的乐章，完全无须人类插手；未来的救援人员可能是钢铁机器，而非血肉之躯。如果人工智能领域最宏伟的

目标得以实现，所有这些都会成为现实。

这就是为什么人工智能领域是研究目标思维如何影响科学发展的一个绝佳案例。将人工智能领域作为案例，我们可以说明

目标思维如何影响整个科学领域，甚至影响科学之外其他领域的发展和探索。因此，本章得出的经验和教训不仅仅适用于人工

智能领域，还可以延伸到更深远的地方。毕竟，目标就是社会把关人最喜欢的工具。把关人指的是那些能够决定在什么地方投

入资源，或哪些领域可以被忽略的掌权者。因此，通过本章的分析，我们不仅可以了解特定科学领域的内部运作模式，还可以

了解目标在整个社会的决策中发挥的作用。

要充分了解人工智能“社区”，思考人工智能领域的研究人员所做的事情，会很有帮助，尤其是考虑到人工智能研究的主要

产品，是算法，它也是人工智能领域的“大道根本所在”。在这个领域，没有任何理论是完整的，没有任何想法是确定的，除非

它首先被写成算法，然后得到测试。这个传统为人工智能领域的研究奠定了基调，即任何看似异想天开的主张，都可以通过计

算机化的实验进行检验。研究人员必须提供实际的测试结果来支持他们以研究论文形式提出的论点。

考虑到人工智能的一个目标，是制造能够执行有用任务的计算机，所以也存在各种各样用途的人工智能算法。有些程序可

以实现物体的视觉识别，有些可以自主编写小说，有些可以控制机器人，有些能下象棋，有些能自主学习，甚至还有能够玩视

频游戏的算法。因为任何需要智能的行为，都是人工智能研究的内容，所以人工智能的算法，也涵盖了人类和不同物种能够完

成的所有任务或行为。当然，一部分行为的实现难度要比其他的更高：一台名为“深蓝”的计算机，在1997年击败了人类国际象

棋冠军加里·卡斯帕罗夫(Garry Kasparov)，但迄今为止，一个能自己学会系鞋带的算法，仍是一个难以企及的巨大挑战。人工

智能领域的“圣杯（至高无上的目标）”，是开发出一种单一的算法，它可以完成人类能做的一切任务，或许甚至可能超越人类

的能力范畴。虽然人工智能领域一直在向前发展，但这种算法，即便人类有朝一日有可能写出来，在目前来看，仍是一个遥不

可及的目标。

因为算法是人工智能研究人员的研究成果，所以人工智能领域本身，可以被认为是对算法的一种探索。换句话说，人工智

能研究群体作为一个整体，共同致力于寻找更新、更好的算法。与此类似，数学研究者也在寻找新的定理，物理学研究者也在

寻找能更好地描述现实世界的新规律。然而，关于人工智能领域的一些有趣和独特之处在于，其研究人员研究的主题是如何有

效地搜索。人工智能领域的科学家们，是设计人工智能算法的专家，其中许多算法本身就是为了自动搜索更大的未知空间而设

计的。例如，一些人工智能算法，旨在搜索出穿越迷宫的最佳路径，而另一些算法则用于在跳棋或国际象棋等棋盘游戏中，搜

索最佳棋步。因此，这个领域的与众不同之处在于，人工智能领域本身就是对算法的搜索，而人工智能研究人员本身就是研究

搜索的专家。换句话说，人工智能研究人员正在寻找能够进行搜索的算法。这并非什么不可宣之于口的秘密，因为搜索本身就

是智能的一个重要组成部分，所以人类的发展和人工智能的研究都涉及搜索，并不是巧合。

我们将机器学习领域（人工智能研究的一个分支）选为解释搜索算法工作原理的案例，因为这个领域的算法，通常用于寻

找最佳的参数集。例如，其典型的研究问题，可能包括许多告诉程序如何驾驶汽车或控制双足机器人的参数（我们在本书第五

章中描述的双足机器人实验就是机器学习领域的典型案例）。搜索算法可以通过这些参数进行搜索，然后尝试找出驾驶车辆或

机器人行走行为的最佳设置，这就可能帮助人类节约大量花费在此类事情上的时间。

其中一些汽车驾驶参数可能包括转弯的距离、踩油门的力度，以及应保持的合理车距等。当然，这些参数的一些设置，应

该比其他参数更有利于驾驶。有时，慢慢加速比猛踩油门会更安全。因此，如果我们具备了一个衡量安全驾驶的方法，机器学

习算法就可以自动搜索最佳的参数设置。通过这种方式，搜索算法就可以自动进行原本需要人工操作的搜索。因此，人工智能

研究人员不需要自己进行搜索，而是致力于创建搜索系统，由于他们不断地对这类搜索系统进行编程，人工智能研究人员也自

然而然地成为搜索领域的专家。简而言之，关于人工智能研究的有趣之处在于，相关研究人员在设计搜索算法的同时，也在不

断地搜索新的人工智能算法。

因此，我们可以将针对人工智能算法的搜索，称为元搜索，即搜索那些能够搜索的事物。换句话说，就是一种类型的搜索

被嵌套在另一种类型的搜索之中。尽管涉及“元”概念的东西都有点令人费解，但在人工智能领域，元搜索并不像听起来这么复

杂。事实上，这种元搜索同样也会出现在日常生活中。想象一下，如果你想从狗场里挑选一只小狗带回家，而你恰好喜欢好奇

心重的小狗，你自然就会寻找那些最喜欢到处闻来闻去、搜这搜那的小狗。又或者你的工作是要在一家寻宝公司雇佣一个人来

担任高级宝藏猎人，那么你会主动寻找能力最强的寻宝人，因为他的任务就是寻找宝藏。进而，整件事情就变成一个寻宝的元

搜索。人工智能领域的研究人员也是如此，因为他们的任务就是搜索最好的算法，而这些算法本身也可能正在搜索最佳的参数

设置。

元搜索的观点很有用，因为它阐明了搜索算法如何工作，以及它与人工智能研究人员如何创造算法之间的联系。二者背后

的联系是，人工智能研究人员对搜索的专业理解，也适用于整个人工智能领域的新算法搜索。换句话说，搜索在人工智能的最

佳算法中如何编程，应该与研究人员如何搜索新算法之间存在某种联系。因为不管是搜索算法还是搜索参数，本质上都是搜

索。但事实证明，人们很少探讨或关注人工智能研究的这个元层面。也就是说，很少有人谈及人工智能领域的搜索，与从搜索

算法所获得的洞见之间的联系。虽然人工智能领域的许多论文，都分析了是什么让搜索在算法层面发挥作用，但很少有人讨论

人工智能领域对算法本身的元搜索。但事实上，类似的原则也必须适用于此。毕竟，无论在什么层面上，搜索仍然是搜索。

你可能会认为，编写出世界顶级搜索算法的专家，也能够熟练地指导人工智能领域的搜索。因此，一个有趣的问题是，人

工智能领域的搜索专家，是否能够避免追逐过于高远的目标，避免被这个失灵的指南针牵着鼻子走；或者连人工智能领域的专

家都无法幸免，也会像其他人一样，被目标的诱惑性吸引。

***

为了探索目标的欺骗性是否会成为人工智能领域的一个真正的问题，我们可以先看看人工智能领域实际上是如何开展人工

智能算法搜索的。正如我们在本书中讨论的那样，搜索背后的关键概念是遵循一个梯度：一种浏览的路径或一条强度递增的路

径。在目标驱动的搜索中，梯度指的是从坏到好排列的一系列性能指标。在新奇性搜索中，梯度就是新奇性递增的过程。那

么，人工智能的研究人员在搜索新算法时，遵循了什么梯度呢？

开展人工智能领域的研究，往往意味着研究人员首先需要确定哪些算法最有前景，然后再通过某种方式对其进行完善或扩

展。人们希望这个过程能够产生更新或更好的算法。但要判定人工智能算法的“最富前景性”，最适合用什么标准来对它们进行

分级呢？选择有待进一步探索的算法，标准应该是这些算法的行为或表现。所以此处潜在的风险是，如果仅仅用一个简单的目

标来指导整个人工智能研究领域的信息，就会产生欺骗性：以性能测试为评判标准时，某一算法可能看起来“前途无量”，但它

可能最终无法产生更好或更有趣的结果。当然不可否认的是，根据算法在一项简单测试中的表现来排名，能使我们更轻松地做

出决策，但由于目标欺骗性的存在，只关注那些在测试中表现最佳的算法，也不太可能给我们带来任何突破性的成果。

我们可以将人工智能研究人员遵循的梯度，视作他们用来判定最佳算法的标准。指导人工智能领域搜索的经验法则，用一

个行业术语来描述，就是启发式搜索(heuristic)。尽管没人能够确定哪种启发式的方法能够在实现高级人工智能方面取得最佳

效果，但人工智能领域基本上确定了两种具体的方法。第一种，我们称其为实验派启发式方法，它遵循的经验法则是：一个算

法的潜力和前景，取决于其在实验中的表现。换句话说，一个值得进一步探索的算法，在基准任务中的表现，一定要优于现有

算法。人工智能领域的基准任务，与其他领域的基准任务的本质并无不同，比如计算机的运行速度、运动员的跑步速度、汽车

的每英里耗油量等。科学家们为人工智能设定基准时，遵循的基本想法是，一个更智能的算法要比一个相对较次的算法能更快

地解决问题。除了实验派启发式方法，人工智能研究领域的第二个主要梯度，是定理派启发式方法。根据此法，如果一种算法

能够被证明具有理想的属性，那么它就是最好的算法。这种方法背后的逻辑类似于售卖汽车零部件时随附的质保凭证，即通过

数学验证，证明算法在理论上具备可靠和可预测的性能。

最重要的是，这两种启发式方法对人工智能领域的研究都有着深刻的影响，即使你个人不喜欢这两种方法，或意图提出自

己的理念，在不尊重这两种方法的情况下，你的诸多想法也不可能得到发表。因为在人工智能领域，就观点发表拥有决定权的

把关人，通常将二者视为铁律，并以此衡量所有相关的想法。如果一个算法，既不能提升性能，又不能提供保障，就很难通过

把关人的审核，因此有可能永远都不会在整个人工智能研究领域得到传播。因此，人工智能领域通行的这两个主要的启发式方

法，在“对想法的探索”方面有着巨大的影响。

但这种情况并非人工智能领域独有的现象，每个研究领域，都依赖某种启发式方法来筛选不断涌现的新想法，只是其他领

域的方法可能与人工智能领域采取的具体措施不同。各个领域的评审员，在决定是否发表一个新观点时的依据，必须是该行业

的经验法则，因为人们无法确定这个新观点在未来的道路上能走多远。因此，随着时间的推移，每个科学研究领域的文化，都

会自然而然地聚拢到一些主要用于筛选新想法的经验法则上。尽管特定的启发式方法会因不同的科学领域而有所差异，但从指

导人工智能研究的特定经验法则中，我们也可以学到很多东西。这个领域的案例研究，可以阐明用于判断新的科学研究的经验

法则可能普遍存在的问题。如果在人工智能研究领域，即使其研究人员是搜索方面的专家，也无法摆脱这些问题，那么其他领

域更可能会受到类似错误的影响。

然而，人工智能领域开展研究的方式也存在问题，这种情况并不明显，因为无论是实验派还是定理派，两者的启发式方法

看起来都完全合乎逻辑。首先，有些想法的确很糟糕，将它们传遍业内只会浪费所有人宝贵的时间。为什么我们要学习一个表

现明显更差的算法，或学习一个不保证产生任何积极成果的算法？即便这个算法的表现可以改善，或最终可以证明它能够带来

一些益处，那么直接让其作者对算法进行修正，然后提交修正后的算法，不是更好吗？如此一来，就能避免太多人把时间浪费

在有问题的算法上。这些论点如此明显，以至于人们几乎从未提出类似的观点，毕竟，谁会需要去论证“表现较差的算法应该

得到较少的关注”这样的观点呢？几乎没有人，因为这是常识。然而，设定目标是指导搜索的一种好方法，在大多数人看来也

是一种“常识”，所以我们要小心常识背后隐藏的危机。

我们来看看实验派的启发式方法。此方法背后的逻辑是，只有当一个新算法的表现超越了当前的最佳算法时，它才能被认

定为“有潜力”。而事实证明，评审员对人工智能领域提出的新算法最常见的批评便是这些算法的表现不够出彩或不够明确。许

多评审员认为，为了展示一个新算法的潜力，它应该始终与旨在解决多种不同的挑战性问题的不同最佳算法进行比较。所以评

审员在驳回一篇关于算法的论文时，可能会写下这样一段话：“作者还应该将新方法与现有的、可靠的方法进行比较”或“作者还

应该在相关难点问题上开展实验，以确保这个新想法的确是一项重要的进步”。身为人工智能领域的从业人员，我们两位作者

自己也有过类似的想法！

但这种习惯可能很危险，正如约瑟夫·胡克(J.N.Hooker)所写的那样：“大多数启发式算法的实验研究更像进展追踪，而不

是科学探索。”回顾一下，人工智能是对搜索算法的搜索，即元搜索。因此，考虑到其元搜索的本质，总是因为新想法的表现

不够突出而将其驳回，可能不是一个好主意。回想一下，我们在本书第五章中已经论述了，相较于表现这个启发式的方法，新

奇性搜索的表现显然更佳，我们就没有理由怀疑，同样的启发式方法，在更高层次上的运用（即指导整个人工智能领域的搜

索，而不仅仅是单个算法的搜索），就能够避免那些困扰目标驱动搜索的问题。在决定哪些算法应该推广至更大的科研领域

时，若“算法的表现”成了评判的经验法则，那么所有其他类型的踏脚石都会被驳回或忽略。当然，如果对“算法的表现”的批

评，仅仅是批评而不是驳回的标准或理由，那就是另一回事了。但由于“表现”已经被大多数人视为过滤新点子的工具，它也就

沦为一个典型的具有欺骗性的目标函数。

想象一下，有一种多年来人们用以训练机器人完成困难任务的最流行方式，其被称为“老靠谱”(Old Reliable)算法。然后有

一天，一群科学家发明了一种叫做“超自然”(Weird)的新算法。虽然“超自然”算法教给机器人的技能与“老靠谱”算法相似，但新

算法却非常新颖。然而，试图决定“超自然”算法是否应该被发表的期刊评审员，以前没有见过类似的东西。为了加大评审过程

的复杂性，让我们假设作者在提交研究论文中，描述了新算法“超自然”在标准基准（如教机器人如何行走）上的表现，比“老靠

谱”算法差5%。这类比较在人工智能领域很常见：也许“超自然”算法在学习如何行走方面需要多花费5%的时间，或者它学习的

行走步态不稳定性超出了5%。

因为它的表现更差，实验派启发式方法认为应该驳回“超自然”新算法的发表。毕竟，在人工智能领域，涉及新研究的论

文，通过大肆报道一个新算法的表现更差来宣传新观点，也是很罕见的操作。大多数作者甚至不屑于提交这种研究，因为他们

很清楚，实验派启发式方法，是人工智能研究领域的一个强大过滤器。因此，如果一个新的算法，在一个基准上的表现，比不

上它的竞争对手，新想法的发明者往往会试图改善它的性能，或找到一个更有利的基准进行比较。

但假设作者很固执，在提交的论文中，“超自然”算法的表现还是差了5%。审稿人可能因此直接拒稿，但以此为由驳回“超

自然”算法就真的合理吗？它是一个全新的研究方向，充满了新的想法。关键的问题是，如果驳回了“超自然”算法，那么就没有

人能知道它。更糟糕的是，将没有人去进一步探索“超自然”算法所开辟的踏脚石，以及其后续可能带来的踏脚石。因此，实验

派的启发式思维是短视的。它对“超自然”算法的评判标准，是基于其当前的价值，而不是它为人工智能研究开辟新未来和新道

路的价值。但因为它的后续潜力没有得到认可，“超自然”算法和所有后续可能会衍生出来的算法，都被扫进了学术垃圾箱，从

此无人问津。这类“一刀切”式的评判，也砍掉了很大一部分的“搜索空间”，即所有人工智能算法的未来空间。那些被砍掉的空

间，将永远不会被探索，因为它们只能从那些“表现”并不出色的算法中获得。

如果你认同我们在本书中所说的大部分内容，那么你可能会认为，考虑到“超自然”算法的创新性，无论它与“老靠谱”算法

相比的结果如何，都应该被接受。但这里有一个更大的问题：我们为什么要把“超自然”算法与“老靠谱”算法相比？这种比较只

会分散我们的注意力，使我们忽略“超自然”算法本身就是一个有趣想法的本质，而这可能是一个更好的关注点。然而，现实情

况下，为了通过实验派启发式评审员的筛选，研究人员必须进行这些导致焦点偏离的比较。

我们可以从一个略显滑稽的角度来理解这种比较。想象一下，一个发条玩具和一台人形机器人在赛跑，尽管人形机器人已

经竭尽全力地追赶，但发条玩具实在是跑得太快了，并以显著优势获胜。回过头看，这场赛跑对人形机器人的研究意义何在？

我们是否应该彻底抛弃对人形机器人的研究，直到它们能够在赛跑中击败发条玩具为止？当然，这个比赛结果其实根本没有任

何意义，因为发条玩具和人形机器人之间的差异，不亚于苹果和橘子的差别。但这就是实验派启发式方法的最大问题：我们对

人形机器人感兴趣的原因，与它们同发条玩具的赛跑表现无关。同样，我们对“超自然”算法感兴趣的原因，可能与其同“老靠

谱”算法表现的比较结果无关。或许我们不愿意承认，但什么是好的踏脚石，实际上比我们想象的更难以预测，并且似乎不存

在什么简单的成功公式。一个基于目标的启发式方法，如通过一系列基准任务的表现来衡量一个新算法的潜力，可能会让人很

省心，因为它提供了一个明确的原则，使我们能够很轻松且不费脑地判断一个新算法是否值得传播。但基准并不能说明为什么

一个研究方向会比另一个研究方向更有趣，或更无趣。

过分依赖实验结果和比较的问题在于，它们可能具有高度欺骗性。“超自然”算法很可能是人工智能革命的新火种，但它却

因为5%的技术表现问题，而失去了被进一步探索的可能性。而发条玩具和人形机器人之间的竞赛无疑是愚蠢的，因为我们不

可能从二者的比较中学到任何东西，因为人形机器人本身是很有趣的，无论它们在竞赛中的表现与发条玩具相比有多么糟糕。

所有这些都表明，有时实验派启发式方法就像之前提到的“中国指铐”整蛊玩具：松开指铐的正确的做法，是把手指用力往里

推，然而目标欺骗性的表象总是诱导我们要用力往外拉，因为“往里推”这种正确的做法一开始在目标函数上的得分表现就比较

差。

问题的根源在于，实验派启发式方法，是由一个目标驱动的方法，而这个目标通常会阻碍进一步的探索。在这个案例中，

实验派方法背后暗含的目标，是“完美的表现”，所有的新算法都要根据这个目标来衡量。如果新算法在表现上还有改善的空

间，哪怕只是一点点，它们就会得到承认和发表。但是，如果它们不能在表现上取得进展，就会被驳回并被忽略。最终导致的

结果就是，人工智能领域也被卷入了一个典型的目标驱动型搜索中——其背后的驱动力是：假设目标驱动型搜索运作良好。但

实验派启发式方法由如此简单的目标驱动，以至于今天很少有人工智能研究人员，会真正采用基于这种天真的启发式方法的算

法。

虽然搜索的算法已经变得更加复杂，可以削减一定程度的欺骗性，但涉及人工智能研究人员本身作为一个群体在搜索中的

行为时，这些见解并没有得到应用。因此，即使简单的实验派启发式方法的欺骗性已经显而易见，人工智能领域的探索还是一

如既往地受其驱动。不知何故，人们仿佛忘了质疑其合理性。事实上，这种奇怪的脱节也表明，较为简单的目标驱动型方法是

多么有吸引力，即使是搜索理论的专家群体也依然甘心受其驱使。

还有另一种角度，可以帮助我们看穿实验派启发式方法存在的问题，即通过思考“搜索空间”。在这种情况下，“搜索空

间”就包含了所有可能的人工智能算法。因此，“老靠谱”算法和“超自然”算法都是这个大空间中的一个点。回想一下我们在本书

第一章中提到的，包含所有可能事物的大房间的概念。在人工智能领域的这个大房间充满了各种算法，从这面墙到对面墙，从

地面到天花板，层出不穷。请记住，这个由算法组成的大房间的布局，包含了一定的逻辑。沿着一面墙，你可能会发现一个简

单的算法，以递增的顺序对数字列表进行排序；而紧挨着它，你可能会发现同一算法的轻微变体，以递减的顺序对列表进行排

序。

因为这个房间包含所有的算法，在这个广阔空间中的某个地方，有我们熟悉的“老靠谱”算法，它周围存在着类似的算法。

而在远处另一个角落的是新来者，即“超自然”算法。这个场景想要展示的是，实验派启发式方法经常要求我们在一个巨大的“搜

索空间”中比较两个遥远的点之间的性能和表现，这就像人形机器人和发条玩具之间的赛跑。而在大多数搜索中，以这种奇怪

的比较方式为指导是没有意义的——它不能帮助我们决定，在大房间里应该朝着哪个方位去搜寻。只因为梵高画出了《星空》

这幅传世佳作，我们就不去欣赏米开朗基罗的《大卫》吗？只因为有了火车，我们就应该停止发明更好的自行车吗？橙子的存

在，并不是停止培育苹果的理由，即使你个人更喜欢橙子。当然，有些人会继续培育更好的苹果，也有些人会培育更好的橙

子，两个方向的探索都符合所有人的利益。

反过来说，我们也并不是建议大家都不应该去研究“老靠谱”算法是否比“超自然”算法更优秀。二者比较的结果可能仍然会

给某些人带来启示——尽管它在指导算法的搜索时，可能会造成欺骗性。要了解背后的原因，就要考虑到人工智能行业研究人

员和实践者之间的区别。研究人员着眼于开辟未来的创新道路，而行业实践者则希望当下就解决现实世界的实际问题。行业实

践者不会试图编写新算法，而是审视当前可用的算法，然后选用其中的一些来解决当前的问题。前者就像发明新的实验性汽车

类型，后者就好比是从经销商处选购一台已上市的汽车。行业实践者更像是一位人工智能用户，而不是人工智能的研发人员。

二者之间重要的区别是，行业实践者不参与寻找新的算法。对他们来说，手里有现成的问题解决方案就万事大吉，即确保现有

的最佳算法能应付当下的需求就足够了。因此，你可以看到“老靠谱”算法和“超自然”算法之间的比较，可能会帮助行业实践者

在当下做出明智的选择。如果在实践者待处理的某一问题上，对两种算法进行基准测试，若“老靠谱”算法的性能比“超自然”算

法高出5%，那么他们就应该使用“老靠谱”算法而不是“超自然”算法。但是我们不应该让这种区别混淆视线，因为对行业实践者

而言最好的东西，不一定是研究人员的心头好，就好比一位汽车研究人员，不应该因为发现悬浮喷气式汽车原型机比福特金牛

座更耗油就放弃继续研究。

需要再次强调的是，我们的目标是了解研究人员如何判断新算法是否值得探索，更重要的是，我们想了解这些判断，如何

决定探索哪些踏脚石，以创造更新的算法。因此，一位只求“利在当代”的行业实践者，他感兴趣的东西对于一位立志“功在千

秋”的创新者来说，并不是正确的指南针。也许这两种角色（行业实践者和研究者）之间的混淆，帮助我们理解了实验派启发

式方法是如何主导人工智能的研究方向的（以及类似的经验法则，如何主导了许多其他领域的研究）。对行业实践者来

说，“性能表现”的确是一项比较适用的评判标准，但对研究者来说，这个标准就不可靠了，因为它充满了欺骗性。

但正如前文所示，实验派启发式方法并不是唯一发挥作用的因素。寻找人工智能算法的另一个主要经验法则，是定理派启

发式方法，其核心思想是，具备更可靠的理论验证的算法就是最具未来探索潜力的算法。事实上，一些研究人员认为，定理派

启发式方法是比实验派启发式方法更好的选择，因为它提供了不容置疑的保证。实验派启发式方法并没有证明“老靠谱”算法何

时会优于“超自然”算法，或者二者比较的结果，在多大程度上取决于特定的设置——它只是表明，在某些情况下“老靠谱”算法

更好。理论结果（依赖于数学证明的结果）的优势在于，它们总是包含了理论成立的各种条件。因此，只要这些条件得到满

足，那么在某种程度上，我们就能知道算法有望得到怎样的结果。但是，即使“理论验证”看起来像是一个坚实的基础，事实证

明，定理派启发式方法也是有缺陷的。也许更令人惊讶的是，当它被用来指导人工智能算法的搜索时，它存在的缺陷与实验派

启发式方法并无不同。

但在我们指出这个缺陷之前，还需要再解释一下“定理派启发式方法”，这个短语本身就有些奇怪，“定理派”和“启发式”这两

个词似乎是矛盾的。正如人工智能领域的研究人员都知道，启发式方法是经验法则，那么，“得到理论验证的经验法则”有什么

意义？虽然启发式方法可能在大多数时候能够发挥作用，但它们往往不能保证进步。但反过来看，数学定理确实提供了保证，

所以它们不能以同样的方式受到质疑。就好像人们可能会质疑一个特定的启发式方法在某个问题上是否真的有效，但质疑一个

特定的定理是否仍然是真理并没有意义。因为一个定理被证明为正确之后，它将永远是正确的。定理的这种可靠性，也是它对

人工智能领域如此具有吸引力的一个原因。如果我们能证明一个特定的算法，在某些条件下会成立，那么由此产生的保障性，

是永远都无法被否认的。所以在“定理派启发式方法”这个短语中，启发式的不确定性，似乎与定理的绝对确定性产生了冲突。

但这个短语在本案例中的确适用，因为这两个词分别作用于人工智能算法的元搜索的两个不同层面。“定理派”这个词，适

用于单个算法，旨在确定特定算法是否具备良好的保证。相较之下，“启发式”这个词适用于通过人工智能算法开展的搜索，即

经过大量可靠验证的算法，往往会成为很好的踏脚石。然而，我们需要再次意识到，涉及“元”概念的东西都很难把握，但其内

在逻辑其实很简单。人们只是将定理（理论部分）当成评判什么是好算法的经验法则（启发式方法的部分）而已。然而重要的

是，研究人员不应该只关注人工智能算法的特定定理，甚至最好不要特别关注特定的人工智能算法本身。事实上，整个人工智

能研究领域，整体应该专注于探索所有人工智能算法的空间，并发掘出有潜力的踏脚石。因此，我们真正应该探讨的，是如何

运用定理来指导人工智能算法空间的探索。一个算法的良好理论结果的数量，应该成为人工智能领域进行的更高层次的算法搜

索中的启发式方法。在其他条件相同的情况下，人工智能领域通常更倾向于选择具有更多理论保证的算法。

例如，假设某位理论家证明了一个关于“老靠谱”算法的新定理。这个新定理保证了“老靠谱”算法将能够合理地、快速地生

成一个可接受的结果，那么此定理就是人工智能理论家研究的目标，因为它向行业实践者承诺，算法一定能够生成一个合理的

结果。因此，行业实践者选择一个有许多定理支持的算法，而不选择一个没有定理支持的算法，是符合逻辑的做法。但是，仅

靠一种特定算法的定理，并不保证研究人员在搜索算法空间时能发现涉及后来算法的东西。换句话说，虽然这个新定理是关

于“老靠谱”算法的，但它并不能保证“老靠谱”算法在未来会衍生出一系列新的“踏脚石”算法。该定理既不保证后来的算法会具备

同样的可靠保障性，也不保证其一定会比原版“老靠谱”算法更好，即使它们被证明的确更可靠。

虽然理论家可能会辩驳说，该定理的优点是：任何后来的算法，只要遵守相同的假设，就会继承原版算法的可靠性。但这

对于鼓励探索新的想法来说，未必是好事。它意味着整个人工智能研究，变得只限于那些遵守相同的、不断增长的假设集的算

法，导致元搜索对每一条打破该假设的前进道路视而不见。最后的结果是，探索的范围缩小了，目标的悖论再一次成为主导。

问题是，理论专家提出的前述定理，并不能解答“人工智能领域接下来应该做什么”这一问题，它只是关于某个特定算法的

定理。这个算法，不过是所有可能存在的算法构成的巨大“搜索空间”中的一个点。所有人或许都已经知道，对一个没有证明能

够提供良好表现的算法进行微调，就可能创造出一个比“老靠谱”算法表现得更好的算法。一个算法的可靠性，并不能说明未来

可能衍生出的其他算法也同样可靠。因此，由于“老靠谱”算法得到了定理的论证，就将其认定是一个有前景的“踏脚石”算法这

一结论，只有在这个特定的定理包含了可以证明该算法能带来其他更有潜力的算法的内容时，才能够成立。无论何时，不管你

选择依赖于哪种经验法则，都不要忘了你在很大程度上，依然依靠着直觉做判断。无论你倾向于相信“表现”，或者“理论保

证”，它们其实就是两种直觉，用于判断哪些算法是有潜力的踏脚石。定理派启发式方法的主要问题是，特定定理只适用于特

定算法。因此，一个算法的定理数量，不过是判断它能否作为新算法踏脚石的一项经验法则。最终，我们也将无法说服自己，

确信定理派启发式方法会比实验派启发式方法更可靠。

另一个问题是，定理派启发式方法，会假设算法的“搜索空间”存在一种特定的结构。这个假设是，一个算法具备的有潜力

的定理越多，它就越接近人工智能研究的终极目标。但这种信念也只是一种假设，因为在人工智能研究人员正在探索的巨

大“搜索空间”内，没有人能够确定，关于算法的定理会向我们指明，人工智能的最崇高目标就在触手可及的地方。即使“老靠

谱”算法在“表现”方面有定理的保证，而“超自然”算法没有，这并不意味着“超自然”算法不重要。即便“表现”平平且缺乏保证，它

也可能是非常新颖的，而且引发了一些有趣的新问题。如果“超自然”算法确实有潜力，那么为什么要忽视它呢？过分相信定理

派启发式方法，只会推迟（或阻碍）人们去探索隐藏在“超自然”算法背后的新理念。

但是有些人可能会说，我们应该坐等“超自然”算法的“表现”验证定理出现，这样我们就不会把时间浪费在未经验证的算法

上。不过我们为此可能要等上好几年，因为要验证一项宏大的理论结果并非易事，而且哪些保障最终可以被证明有效，我们永

远也无法确定。因此，如果“超自然”算法可能衍生出一种新的算法，其趣味性的来源与“超自然”算法的“理论保障”无关，那么等

待的代价不过是我们浪费了几年时间才最终找到了超“超自然”算法，人工智能领域的发展，也因此而被稍稍拖了几年后腿。当

然，人工智能的行业实践者可能会欣赏“超自然”算法提供的保证，但需要再次强调的是，这些行业实践者并没有参与到人工智

能的探索中。因此，尽管定理很有趣，但我们无法确定性能表现保障（或任何其他保证）是不是指导搜索的正确信息，特别是

在探索所有人工智能算法构成的“大房间”这种广阔而复杂的空间时。

最终，我们不得不面对这样一个令人不安的事实（尽管读到此处，我们已经对其非常熟悉了），即我们无法确定任何经验

法则能否成为追求实现人工智能目标的可靠指南。当然，这并不意味着所有的实验或定理都毫无价值。同样，它们只是众多可

能线索构成的汪洋大海中的一颗小水滴。虽然更好的“表现”或更惊奇的新定理，可能是令人印象深刻的成就，但“令人印象深

刻”也不是实现搜索中特定目标的可靠指南。发条玩具与双足机器人相比，奔跑速度之快令人印象深刻，但它不可能最终成为

通往机器人技术革命的桥梁。

定理派启发式方法的核心逻辑，是这样一种理念：确保一个算法在理论上“有保障”，就一定能够带来更多、更好的保障，

并在此基础上，通过人工智能算法的空间确定了一个目标梯度。如果我们相信这个目标梯度，如果它真的有效并且不会有欺骗

性，那么它最终将产生强有力的保障，从而实现人工智能的终极目标。但是，一组越来越有“保障”的踏脚石，就可以为我们铺

设一条通往人类智力水平相当的人工智能的道路，这个假定真的成立吗？事实上，有些真理是无法证明的。就我们所知，即使

是最强大的人工智能算法，也无法提供任何“保障”。

毕竟，自然进化确实孕育出了人类智慧，但在其整个史诗般的运行过程中，它从未证明过任何一个定理。即使没有提供任

何定理，进化也收集了一块又一块踏脚石，最终架起了一座通往人类智能的桥梁。当然，这个故事并不能证明定理派启发式方

法是一种糟糕的梯度，但它确实表明，我们不需要定理也同样可以不断地扩展探索的深度。至少发人深省的是，推动了人类智

力产生的这一有史以来最强大搜索，在一路上没有使用任何定理。更深层次的问题是，定理派启发式方法在人工智能算法的空

间中，创造了一种目标驱动型搜索，而历史经验已经告诉我们，这些类型的搜索在复杂的空间中通常有糟糕的表现。

实验派启发式方法和定理派启发式方法不只是经验法则。它们不仅仅是科学家们在黑夜中独自摸索时使用的工具，还是人

工智能领域的把关人手中挥舞的铁尺。把关人设定的衡量标准，决定了哪些想法足够优秀且值得分享。无论你是否喜欢这

些“铁尺”，无论你是否想使用它们，无论人工智能是否真的沿着它们设定的路径发展，如果你提出的想法不能在某种程度上满

足它们的规定，那么想要公开发布和分享个人想法，便可能是一场艰苦卓绝的战斗。如果你的算法表现得比现有的算法差，那

么向他人论证你的算法存在的合理性将是一个备受煎熬的过程。如果你没有将自己的方法与其他人进行比较，那么大多数评审

员都会把它当作未经证实的方法而直接否定它。如果你没有定理来支持自己的新想法，便很难说服人工智能理论家，让他们相

信你的新想法值得所有人关注。这样做的后果很严重，这把“铁尺”迫使整个人工智能研究领域的人，只能通过这些启发式方法

规定的狭隘踏脚石往前探索，并将所有不符合的可能性通通扼杀。

正如我们所看到的那样，这些启发式方法实际上阻碍了发现和进步，因为它们只有在目标的欺骗性四处泛滥的情况下，才

能发挥积极作用。为此，我们将一如既往地遭遇同一个问题：是否存在一个有潜力的、非目标的替代方案，可以取代当下在人

工智能领域大行其道的目标驱动型搜索？是否有一种更类似于寻宝者的非目标驱动型方法，可以指导人工智能研究，即一种尊

重踏脚石的内在特性，而不是欺骗性、机械性的启发式方法？

要回答这个问题，我们需要从头开始，重新思考我们首先应该寻求的是什么。什么才是真正“好的”人工智能算法？人工智

能研究领域如此专注于算法的性能表现，甚至到了“一叶障目，不见泰山”的程度。一个好的算法，并不在于其出色的性能表

现，而是要能引导我们去思考其他算法。人工智能的终极目标位于迷雾笼罩的湖面的彼岸，而它离我们依旧十分遥远，所以我

们不应该如此专注于把“性能表现”当作衡量标准。目前的算法智能化水平与人类相差甚远，我们目前的探索行为好比本书第四

章中提到的思维实验，即给细菌做智商测试，以期发展出接近人类的智力水平。我们不应该关心“超自然”算法是否比“老靠

谱”算法好。相反，我们应该问“超自然”算法是否带来了新的超“超自然”算法，且后者可以沿着任何有趣的维度（不仅仅是性

能）继续扩展衍生新的“超自然”算法。例如，超“超自然”可能会创造出比“超自然”算法看上去更像现实世界大脑的类脑结构，即

使它的性能表现更差。我们应该仅仅因为其性能表现比较差，而放弃这个新的想法吗？人工智能研究领域的本质，毕竟是在进

行搜索，而搜索的功能，则是发现新事物。实验派和定理派启发式方法，能找到的东西比较有限，因为它们筛掉了许多有趣的

算法。

这就是为什么人工智能的期刊上，随处可见关于性能改进的内容，而每位参加会议的人工智能研究者汇报的内容差不多都

是：自己如何通过各种复杂的技巧，将算法的性能表现提升了2%。或许一个解决方案是让会议评委驳回更多的论文，因为2%

的性能改进实在是太微不足道了，不值得放到大会上来宣扬。但真正的问题是，没有人会持续地关注这些算法，因为通过细枝

末节的调整，挤出最后一丝性能提升空间的做法，并不会带来令人振奋的洞见。另外，这些纯靠挤压性能提升空间来撑场面的

算法，本身并不能算是“优良”的踏脚石。就像人类历史上所有的伟大发明那样，所有被历史记住的算法，必然是为未来的开拓

者奠定基础的算法。它们将推动新算法的诞生，甚至帮助我们开辟全新的领域。到那时，谁还会在乎这些新算法在刚开始出现

时，与“老靠谱”算法比较时的表现如何呢？

痴迷于性能表现的提高，可能还会产生另一个负面影响，即“同行就是冤家”，它会致使研究人员之间产生狭隘竞争。然而

科学研究并不是一场田径赛，这种狭隘的竞争思维，往往会导致人们分散对人工智能领域真正目标的注意力。相较于竞争，研

究人员更需要的是携手合作，共同探索人工智能算法的无限空间。但目前经常发生的现实情况是，一位研究人员致力于证明自

己的算法比业内当前的“头号算法”表现得更好，之后就会有另一位研究人员，绞尽脑汁地继续争夺新一任的“天下第一”。例

如，假设在一个得到广泛认可的基准测试中，“超自然”算法比前任王者“老靠谱”算法表现得更好，那么一位个人英雄主义爆棚

的研究者就会横空出世并试图力挽狂澜。这位“大英雄”会证明，实际上有另一种名为“转移(Diversion)”的算法，在不同的基准测

试中击败了“超自然”算法，于是后者便从云端一下子跌落到了尘埃里，因为它已经不能被称为最好的算法。尽管这位英雄澄清

事实的举动出于善意，但这种围绕基准的激烈竞争分散了我们的注意力，导致我们只专注于性能表现的比拼。如果“超自然”算

法是真正的突破，是通往新领域的踏脚石，那么它与“转移”算法之间的争斗，不过是一场不值一提的小打小闹，因为真正的大

手笔，应该是对“超自然”算法的后续探索，即它衍生出的超“超自然”算法。同样，在人工智能研究领域，踏脚石才是真正万众

瞩目的巨星。

***

从这个人工智能的案例研究中，我们已经了解到目标的启发式方法如何限制了科学领域的探索。但是，即便我们接受了这

些缺陷，在没有任何指南针的情况下，一个学科领域如何能够繁荣发展？在人工智能领域，我们是否能够就人工智能算法进行

某种“新奇性搜索”？没错，这的确是一个可能的路径，但需要彻底地改革人工智能领域的研究，才有可能付诸实践。

回想一下本书第五章提到的图片孵化器网站的案例，在这个“社区”里，没有设定任何规则；没有邀请专家小组来评判某位

用户的照片是否真的值得分享；没有发布任何严格的目标性标准来决定哪张照片是“最好的”；没有任何制度来规定，每张发布

的图片，必须与竞争对手的图片进行比较，以求分出个好坏优劣，或者让作者必须在“社区”内证明自己图片的价值。在图片孵

化器网站上，不存在前述任何形式的审查或权衡。即便如此，图片孵化器“社区”还是能找到前人没有找到的新东西：复杂的数

学表达式（这就是图片孵化器网站的“DNA”），它们描述了非常有意义的图片，即枯草堆里的那根针，所有那些指向可能图片

的东西。没有人能够独自在图片孵化器网站上培育出骷髅头图片，这需要举全“社区”之力，而它必须是一个不存在目标驱动

型“把关人”的“社区”。

你可能会觉得，这是一个“错误的类比”。毕竟，选择有趣的图片，并不像人工智能研究那样，要求一定的专业知识和经

验。在人工智能领域，我们不可能盲目地允许任何有着疯狂想法的人，直接向整个业界公布他们的算法（前提是他们拿出来的

东西称得上是算法）。实验派和定理派启发式方法，可以保护我们免受这种疯狂但毫无意义的想法的冲击。要求想法的创意者

提供某种程度的性能表现证明，至少能确保他们的算法不是一个骗人的“绣花枕头”。

尽管这种说法听起来很合理，但它忽略了一个关于人工智能研究人员（以及所有其他正常人）的关键事实，即我们都是有

脑子的人，所以“我们必须通过遵循严格的目标规则，以保护自己不受潜在疯子的影响”，这句话说得不是很奇怪吗？如果没有

目标驱动的启发式方法，我们再看到胡编乱造的创意时就无法识别，这真的是事实而不是狡辩吗？当然，专业知识在科学领域

研究中的确非常重要，就像你希望乘坐的越洋飞机是由工程专业的专家设计出来的那样。然而专家（而不是什么随机选择的

人）在做决定时应该考虑“其他专家可能希望看到的内容”。但是，将这些决策权留给目标驱动的启发式方法，并没有尊重专家

的作用，而是否认了专家的作用。对于专家而言，这甚至是一种侮辱，因为此举无疑是在暗讽专家们都是很容易上当受骗的

人。此举同时还等于承认了，整个研究领域，只能通过这些启发式的方法的筛选，才能避免被疯狂且不切实际的想法淹没。换

言之，如果启发式方法是必要的，那么我们就默认专家们不存在任何理性判断的能力。那么，这样的“专家”，是否真的能够被

称为专家呢？

当然，这并不是说专家们不值得信任。真正的问题在于，实验派和定理派启发式方法就像社会上许多目标驱动的措施一

样，成了我们懒得动脑子进行理性判断的借口，哪怕是专家们也不能幸免。如果评审员不喜欢的算法表现得比他们喜欢的算法

差，那么他们就可以无脑地否定前者，而如果前者表现得更好，评审员就可以简单粗暴地要求发明人把自己的算法多与其他算

法进行比较，否则就不给过审。当专家们拒绝使用理性的判断时，关于新想法的讨论就从“什么使算法变得有趣”这一实质性问

题上转移开了。关注的重点被转移到“搜索空间”中一个简单的目标标准，类似一场双足机器人与最新版发条玩具之间永无止境

的赛跑。以简单的经验法则为标准，评估新想法恰好是一个更方便的方法，而深入地研究想法，并考虑它们在未来可能带来的

东西，是一项艰巨的脑力劳动，尤其是对于大多数人都不熟悉的新颖想法而言。

因此，让我们在这里进行本书最后一个思维实验。假设在人工智能研究领域，有一本不同寻常的期刊，题为《人工智能发

现期刊》（简称JAID）。但与人工智能领域的其他期刊不同，该期刊的审稿人在其评论中不得提及任何与实验结果有关的内

容。向《人工智能发现期刊》提交研究报告的作者们，可以像往常一样在文章里写上定理派和实验派启发式方法的结果，但审

稿人不能像以往一样，以这些结果为基础进行评审。因此，审稿人不得以一个新算法的性能表现比另一个算法差为理由而做出

单方面的批贬。审稿人也不能要求作者提供更多的比较数据和基准测试数据（因为这些结果对《人工智能发现期刊》来说并不

重要），更不能抱怨作者没有提供理论上的保证，还不能批评说新想法在理论层面的结果不够出彩。但在这些规则之外，审稿

人可以随心所欲地争论这个想法是否应该发表。更重要的是，这些评审员并不是随机选择的，而是从人工智能研究人员的精英

中挑选出来的。

现在，我们要回答的问题是，在《人工智能发现期刊》上发表的文章，比在该领域最著名的期刊上发表的文章差吗，还是

说它们要好得多？如果你是一名人工智能研究人员，知道《人工智能发现期刊》的审稿人不能从性能表现或理论保障角度对作

者提出任何褒贬，你会读《人工智能发现期刊》的文章吗？

《人工智能发现期刊》所做的，是挑战并要求其审稿人专注于文章的主旨内容。审稿人将从人工智能的实验派和定理派启

发式方法中解脱出来，这意味着他们只能去思考文章的核心思想，并判断它是否足够有趣。如果文章主旨是有趣的，那么它可

能会是一块好的踏脚石。这些审稿人拥有人工智能研究领域最聪明的头脑，他们深入思考的重点应该是文章里的观点是否能改

变人工智能领域的未来。因此，他们的大脑必须去消化理解作者想法背后的真实意图，而不是简单地依赖传统的启发式方法进

行评判。没有任何明确的规则，可以让人快速地否定或接受作者们提交来的新想法，对它的评判，需要经历真正的、一而再再

而三的考虑和斟酌。

与其猜测《人工智能发现期刊》对人工智能领域的影响有多大，不如探讨一下其中产生的一个有趣悖论。如果《人工智能

发现期刊》被证明比最顶尖的传统期刊更差，那么这对身为评审员的“专家”来说意味着什么？但如果《人工智能发现期刊》被

证明是更优秀的刊物，那么对于指导该领域的启发式方法又意味着什么？无论是哪种情况，都会有一方存在问题。如果我们只

能在目标驱动的模式下思考，那么我们根本就没怎么思考。使用理性思考能力是无可替代的，因为科学无法提供一种一成不变

的方法来发掘下一个伟大的想法。最伟大的想法，总是与之前的想法不同。每一块踏脚石的发现，都是一个独特的故事，而每

一位发现它的人也都是一个传奇。

任何领域的真正专家都能以开放的心态思考问题，不需要通过僵化的启发式方法来做决定。全盘考虑一个全新的想法的所

有细节是很困难的，这需要专注地付出精力和时间，但仍可能有很多微妙的地方容易被忽视，毕竟新的理念或想法可能难以完

全被理解和消化。与根据简单的经验法则快速判断结果相比，对某个想法做出公平的评价会更难——这反过来可能也有助于维

持现状。如果一个新的想法看起来很奇怪，你可以简单地要求作者提供更多的保证或更好的性能结果，而不是费力地去理解

它。提出这样的要求看起来很合理，因为你只是在保护整个人工智能研究领域不受那些不合格的算法的影响。

但是，正如米勒早在1846年就意识到的那样，“假设踏脚石会与它们最终通往的地方表现得一样，这就是一个错误。”良好

的性能表现并不是通往革命性性能表现的踏脚石，“理论保证”也不是通往“伟大启示”的踏脚石。如果很难想到除了争论性能或

保证之外的其他选择，那么事实上还有许多其他重要的线索可供我们考虑：灵感、优雅、激发进一步创造力的潜力、发人深省

的构造、对现状的挑战、新颖性、与自然的类比、美感、简捷性和创造力。所有这些对于一个新的算法或任何其他类型的新想

法而言，都是可能的线索或判断标准，虽然它们可能缺乏目标性，但其说不定正是进一步解放人工智能领域以及许多其他领域

的关键要素。任何人都可以说性能应该提高，但谁有勇气看到某一想法背后的美妙之处，而放下对其性能的关注？这样充满勇

气的专家，必然是多多益善的。