具有生態意識的人工智慧如何幫助我們拯救地球？

具有生態意識的人工智慧如何幫助我們拯救地球？ 

Lea Skapetze 

 

荷蘭阿姆斯特丹自由大學 

 

 

摘要 

 

本文探討了人工智慧（AI）在推動地球可持續未來方面的潛力。文章認為，通過生態敏感的開發和適當的工具，AI可以顯著促進解決我們的環境挑戰。討論通過將AI的基本組成部分與自然和培育（其啟發式算法和數據）進行比較，強調它們在AI複雜決策過程中的重要性。引入了生態意識啟發式算法的概念，倡導應用先進的AI模型，如模糊邏輯和量子邏輯門，以更準確地反映生態問題的複雜性。此外，本文強調了多樣化和目標驅動數據在裝備AI以制定基於可持續結果的解決方案中的作用。最終，本文認為，儘管僅憑AI無法拯救我們的星球，但它作為集體努力中的關鍵盟友，在培育一個更健康的地球方面發揮著重要作用。 

 

**關鍵詞**：人工智慧、生態學、環境、計算機科學 

 

引言 

 

100年後的地球會是什麼樣子？在2124年，人類是否已經為我們的孫輩鋪平了通向可持續地球的道路？我們這一代，即所謂的“Z世代”，或許是第一個在面臨這些存在性問題的同時，還要做出人生定義性決策的一代，例如是否要有孩子。很可能我們的直接後代，或者至少是他們的孩子，將經歷由氣候變化引起的日常生活中斷。在世界的其他地方，特別是那些氣候條件不如歐洲幸運的國家，這已經是現實。每年，氣候變化的直接影響變得越來越明顯。淹沒的城市、燃燒的森林、饑餓的孩子和瀕危的物種或許在歐洲國家尚未觀察到，但它們正在此刻發生。 

 

毫無疑問，我們——目前居住在地球上的所有人——必須行動起來，減緩氣候變化。過去十年間，氣候活動家的日益關注和越來越多的人致力於保護我們的星球，表明這一問題的緊迫性。正如查爾斯·達爾文所說，我們唯一可以確定的就是變化。儘管有很多不同的方式可以引發變化，我們應選擇對地球上所有生物造成最少傷害且最有效減緩氣候變化影響的道路。這必須是一個現實的方法，能夠成功應對超過80億具有80億不同歷史、需求、思想和生活的個體。 

 

進化塑造了人類對抗變化，因為我們在長期習慣的熟悉中尋求舒適和安全。這讓我們生存至今，為什麼我們應該停止做我們一直在做的事情，並開始以不同的方式去做？讓80億人不吃肉、禁止所有汽車和飛機、百分之百地監管工業生產、切斷所有環境有害的能源，這根本不現實。我們需要利用使我們與其他物種區別開來的特質：智慧。如果有什麼能拯救我們和地球，那就是我們自己，即我們集體使用我們天生的人類智慧和人工創造的智能系統。但我們如何有意地利用這些生物和機械的智能算法和網絡？我們能否創造出能夠拯救我們環境並防止人類在地球上滅絕的環保意識智能系統？ 

 

要回答這些問題並探索潛在的技術解決方案，我們需要儘可能多的人腦力量來思考、協作、創造和引發變化。試圖將智人最強大的能力在非生物硬件中複製，是計算機科學家和工程師幾十年來一直在努力的挑戰。人工智慧的進步是指數級的，讓人們有理由相信它可能是幫助我們生存並為我們這一代的孩子及其後代確保未來的關鍵。我們需要探索和討論生物和機械算法，研究它們是什麼，了解如何利用它們為善，減輕痛苦，保護讓我們得以存在的高度脆弱的生態系統。 

 

什麼是AI人工智慧？ 

 

人工智慧（AI）是一個多方面的計算機科學領域，主要由兩個因素定義：啟發式算法和數據。啟發式算法是AI決策過程的基礎，構成了計算各種事件概率的數學函數。這些函數指導AI在尋找正確答案、選擇正確路徑或執行所需行動時提供方向。可以將啟發式算法看作是AI的“自然”層面，為它配備了一套內在工具，以應對複雜問題和不確定性。 

 

另一方面，數據代表了AI的“培育”層面，類似於積累的經驗，這些經驗塑造了一個人對世界的看法。對於AI來說，數據是從其與環境的互動中收集的，包括它接收到的輸入和來自其行動的反饋。這些信息的集合是AI用來感知世界的關鍵，對於學習和適應至關重要。數據允許AI精煉其啟發式算法，改進其預測，並隨著時間的推移做出更準確的決策。 

 

啟發式算法和數據之間的相互作用，使得AI系統能夠執行通常需要人類智慧的任務。啟發式算法提供了初始的“直覺”或“本能”——處理信息並做出初步判斷的內在能力。相反，數據提供了經驗證據和經驗學習，使AI能夠超越其初始編程，成長和進化。兩者共同構成了AI系統能夠理解、學習並最終自主運行的基礎，模仿人類認知。 

 

本質上，AI是機器，尤其是計算機系統，模仿人類智慧過程的技術。這些過程包括學習（獲取信息和使用信息的規則）、推理（使用規則來達成近似或確定結論）和自我修正。通過利用啟發式算法和數據，AI有潛力改變行業，增強我們的決策能力，並推動技術可能性的邊界。 

 

狀態空間環境State-Space Environments 

狀態空間環境是一個概念性的景觀，AI在其中將遇到的每個問題轉化為一系列它可以存在的潛在狀態。這個環境包括問題手頭上所有可想像的條件或配置，每個狀態代表一個獨特的配置。在AI中，創建狀態空間環境是解決問題的第一步，因為它劃定了AI必須運作的邊界，並定義了從一個狀態到另一個狀態的轉變規則，有效地將問題映射為一個結構化、可導航的形式。 

 

智能代理Intelligent Agent 

智能代理是一個自主實體，使用傳感器感知其環境並使用效應器來操控它。代理在狀態空間環境中運作，致力於實現特定目標。通過傳感器感知環境，代理獲取有價值的信息，這些信息指導其決策過程。效應器允許代理執行操作以改變環境的狀態，從而更接近實現其目標。智能代理被編程為根據來自傳感器的輸入及其對環境的了解來最大化其性能指標。 

 

搜索算法 

AI中的搜索算法是專門的啟發式算法，決定智能代理的決策路徑。這些算法在狀態空間環境中導航，找到通向目標狀態的行動序列或路徑。它們在解決問題中至關重要，因為它們決定了代理如何高效地尋找解決方案。常見的搜索算法包括廣度優先搜索（BFS）、深度優先搜索（DFS）、A*（A星）、爬山等。每個算法都有自己探索狀態空間的策略，無論是像BFS那樣逐層展開節點，還是像DFS那樣深入路徑，使用啟發式算法預測到目標狀態的成本，或是像爬山那樣逐步改善當前狀態。 

 

AI問題解決的核心思想是將智能代理需要解決的任何問題轉化為數學函數。通過數學結構化問題，AI可以應用搜索算法和啟發式算法系統地導航狀態空間環境。這一轉變是關鍵，因為它將現實世界的問題轉化為AI可以理解和操作的語言，從而使得應用算法邏輯來找到解決方案成為可能。 

 

機器學習 

機器學習（ML）是人工智慧的一個子領域，涉及訓練神經網絡來處理和分析大量數據。這些神經網絡配備了某些功能和能力，例如那些源自搜索算法或決策策略的數學轉換。機器學習的本質在於向這些網絡提供數據，有效地為它們提供學習的經驗。學習過程可以是監督式或非監督式。在監督學習中，神經網絡通過標記數據進行訓練。“標籤”為網絡提供了清晰的輸入-輸出映射示例，它需要學習。網絡將這些標記數據整合到其知識庫中，精煉其功能以準確預測或分類新數據點。監督學習的常見應用包括將數據分類為組的分類任務、涉及預測數值的回歸任務、對實體進行排序的排名任務以及推薦系統中的協同過濾。 

 

非監督學習則涉及用沒有預先分配標籤的數據訓練神經網絡。網絡必須自行找到數據中的模式和結構。經典的非監督學習任務是聚類，在這裡，網絡根據相似性將數據點分組，無需事先知道這些組應該是什麼。在監督學習和非監督學習中，最終目標是開發出一個模型，能夠從其訓練中進行概括，並在暴露於新的、未見過的數據時做出準確的預測或決策。 

 

大型語言模型 

作為機器學習和人工智慧的應用，大型語言模型最近因OpenAI推出其生成預訓練變換器3.5（GPT-3.5）模型，即Chat-GPT，而受到公眾關注。大型語言模型是更先進的AI系統，它們經過大量文本數據的訓練，通過可能擁有數十億參數（機器等同於突觸）的神經網絡處理這些信息。通過這些模型識別文本中的模式和關係，並學習理解和生成人類語言。 

 

語言是迄今為止人類顯性交流的主要媒介，是構建語義記憶和交換從中獲取的信息的最重要方式。正是通過語言，我們才能表達思想，將我們的思考編碼成其他人能夠解碼並理解我們意思的方式。跨世代和文化傳播知識是通過利用語言實現的。此外，語言塑造了我們的思維過程，影響我們如何感知和與周圍世界互動。正是語言在人類進化中的重要性，使得人工智慧大型語言模型成為強大的工具。 

 

如何實現環保意識AI？ 

 

要構建環保意識AI，我們首先必須考慮什麼是環保啟發式算法。這些啟發式算法應該能夠在解決環境問題時考慮一系列潛在影響和結果，而不是二元的好或壞方法。目標是創建能夠在複雜的生態問題中導航的AI系統，評估各種細微差別，達到最可持續的結果。但我們如何實施這些細微的啟發式算法，計算機科學提供了哪些工具來應對現實的複雜性呢？ 

 

傳統的啟發式算法和分類策略，如k-近鄰（kNN）以及歐幾里德距離和海明距離等度量，通常用於機器學習中根據相似性和接近性進行分類和預測。然而，這些方法似乎不足以代表複雜環境問題的細微差別。這些基本算法假設特徵空間中的接近性等同於類別或結果的相似性，但當應用於任何決策的多方面性時，這種假設往往不成立。 

 

例如，考慮一個看似簡單的問題：判斷兩個人是否彼此喜歡，這取決於他們在物理距離上的接近程度以及他們的性格差異（Nahemow & Lawton，1975）。雖然物理距離可以使用歐幾里德距離有效量化，但評估他們性格或價值觀的相似性——他們的“性格距離”——需要一個更複雜的模型來處理和評估抽象的人類品質。 

 

經過仔細檢查，挑戰似乎在於缺乏明確的定義，而不是方法問題。在有明確的對錯定義時，訓練AI模型做出決策相對容易。然而，當我們面臨沒有共識的對錯定義的決策時，情況就變得模糊。比如，個人之間性格相似的概念最多是模糊的。人類的直覺或“直覺感”——這些難以量化的品質——常常指導這些評估。 

 

解決這一難題的一種可能方法是向AI模型輸入EEG掃描或其他人類認知過程的表示，從而讓它們從我們的神經模式中“學習”。理論上，這可以使AI近似人類直覺並將其應用於複雜問題。然而，這種方法的可行性並不保證。人類認知本身極其複雜，並且在個人和文化之間存在差異。這樣的“訓練數據”將非常有偏見。 

 

因此，我們暫且將其視為一個方法論問題，因為這可以在一篇十頁的意見文章中解決，而定義任何影響人類和環境福祉的決策對錯可能超出了範圍。正如上面所解釋的，任何AI系統的兩個基石是啟發式算法（“自然”）和數據（“培育”）。兩者都可以設計成表示複雜問題並權衡意識形態想法以及現實影響。 

 

環保意識啟發式算法 

環保意識AI的核心是一個設計用於理解和優先考慮環境可持續性的系統。要體現環保意識，AI的啟發式算法必須足夠複雜，以捕捉生態系統的複雜性和人類活動對環境的多種影響。 

 

模糊邏輯 

更先進的啟發式算法可以包括模糊邏輯概念，它允許反映現實情況模糊性的推理。與傳統的二元邏輯將輸入分類為嚴格的真或假類別（“清晰集”）不同，模糊邏輯引入了真理的程度（“模糊集”）。這類似於人類處理信息的方式；我們的推理很少是絕對的。我們在梯度和細微差別中運作，而模糊集試圖捕捉這些。在環境應用中，這可以允許更細微的決策，能夠更好地表示環境健康的光譜，而不是簡單的健康/不健康二分法。模糊性還可以使AI系統權衡個人利益與社會和環境的利益。 

 

量子邏輯門 

量子邏輯門提供了增強啟發式算法的另一條途徑。這些門構成了量子計算的基礎，利用量子力學原理以傳統計算機無法實現的方式處理信息。量子邏輯門可以處理複雜的狀態疊加，能夠同時處理大量的潛在結果。這在建模生態現象中特別有用，因為這些現象通常涉及複雜的交互和概率事件。 

 

在環保意識AI領域，其他考慮因素可能包括模擬自然選擇過程以達到最佳解決方案的遺傳算法，以及能夠模擬自主代理行動和交互以評估其對整個系統影響的代理建模。 

 

環保意識數據 

目標導向編程，一個可以用來設計環保意識AI系統的基本AI工程思想是將期望狀態作為訓練數據輸入。首先定義最終目標，系統再反向推導出實現該目標所需的步驟。這可以與強化學習配對，AI通過反復試驗學習做出某些決策。這樣的結果是一個AI系統，能夠精確知道在何時何地必須做什麼，以在全球和個人層面減輕氣候變化的影響。 

 

多樣性 

在訓練數據方面，多樣性對於開發全面和健壯的AI系統至關重要。通過利用互聯網上可用的廣泛數據，AI可以接觸到盡可能廣泛的場景、變量和結果。這個綜合數據集將包括來自不同地理位置、社會經濟背景和生態系統的信息，確保AI的決策以全面的環境數據為基礎。這種多樣性有助於減少偏見和過度擬合，從而開發出更具適應性和普遍性的模型，能夠在更多樣的情況下做出更準確的預測和決策。 

 

一個環保意識AI系統的成功取決於其所依賴的數學函數以及它通過數據獲取的經驗來做出最佳決策。最好的訓練數據集若沒有足夠的認知基礎設施作為支撐也無濟於事，而最佳的啟發式算法若在錯誤數據上進行訓練也永遠無法得出正確的決策。 

 

人類和機器智慧之間的深淵 

 

儘管人工智慧（AI）非常卓越，但它並不是超人類的實體。它與人類大腦共享某些限制，處理無窮這一概念就是其中之一。AI擅長計算概率和導航遍歷大量但有限的可能性。這就是為什麼它在玩任何紙牌遊戲、閱讀（和寫作）任何文本、聆聽和製作我們稱之為音樂的任何聲波模式時，總能勝過人類——因為它在分析有限數量的潛在狀態並選擇最適合所給任務的那一個方面速度更快。 

 

但無窮呢？AI會嘗試遍歷無窮數量的可能狀態，但它永遠無法返回結果。程序員在談論他們的代碼陷入無窮循環時，指的是某種版本的條件語句“當xyz為真時”，而xyz總是真實的。因此，機器算法與生物（神經元）算法的區別不在於輸入和輸出、啟發式算法和數據，而是在於遍歷有限可能性的速度。 

 

考慮一個假設情景：我們要求某人考慮此刻地球的每一個可想像狀態，考慮所有歷史事件、人類存在的變異和每一個曾經做出的決策，以識別一個人類做出了正確選擇解決氣候危機的地球版本。這一任務意味著思考無窮數量的“平行宇宙”。在數學中，這一概念與遍歷理論相關，該理論認為，對於任何系統在非常長的時間跨度內，系統在具有相同能量的微狀態中所花費的時間與該區域的體積成正比，這意味著在這個長時間內，該系統的所有可能（“可訪問”）微狀態都是同等可能的（Walters, 1982）。無論我們讓誰去遍歷所有這些地球可能的微狀態，他們都無法解決這一無法克服的挑戰。但機器智慧呢？AI的計算能力繼續呈指數增長，在信息處理速度方面超過了我們所知的其他任何智慧系統。我們很可能會創建一個人工智慧系統，通過遍歷地球所有可能的狀態來識別那些人類做出了正確環保選擇和物種生存的情景。 

 

因此，有必要超越AI的當前表現形式，這些主要圍繞著通過智能算法改進商業、ChatGPT改進我們的學術寫作，或支持自駕車。雖然這些應用令人印象深刻，但它們僅僅觸及了AI潛力的表面。真正的力量在於將類人智能外化到機器中，並利用這種人工智慧不僅僅作為便利工具，而是作為科學研究的合作夥伴、全球衝突的調解人、可持續發展的關鍵角色，引導人類做出正確選擇。AI的未來不僅僅是創造更智能的工具，而是構建更智能的社會，使機器智慧和人類智慧協同工作，共同創造一個對所有人都更美好的世界。 

 

 

利益衝突  

作者聲明不存在利益衝突。 

 

致謝  

生成式人工智慧已用於完善本文中呈現的部分文字。