# 人、社会与神经网络

LLMS 索引： [llms.txt](/llms.txt)

---

> 神经网络受人脑启发而出现，因此人类社会的运作机制与神经网络训练也有着各种相似和关联。

这一年，涉猎了不少别的学科。大多浅尝辄止，但还是收获巨大。每挖一个新坑，我就会习惯性地找到新学科与旧学科之间的关联。特别的，我更偏好于使用本专业的视角去看待这些知识。例如，人类社会的运作机制与训练神经网络之间的关联。

每一个人，都可以被想象成一台计算机：

他有着作为中央处理器与存储器的大脑；有着作为外围处理机的小脑；跳动的心脏则是整个机器的动力来源——电源；他有着各种输入器件：作为摄像头的眼睛、作为麦克风的耳朵、作为气相成分分析仪的鼻子、作为固液相成分分析仪的舌头、作为压力温度传感器的皮肤。 他有着各种输出器件：作为运动部件的肌肉、作为音频信号输出的声带(哦，其实这也应该是肌肉控制的)。肌肉控制的姿势，表情作为人的显示器。而声带则作为扬声器。

输入输出，运算存储控制器，以及其他设配都齐备了，作为一个人，他的硬件已经准备好了。然而，仅仅有作为硬件的肉体，是不够称之为一个完整的人的。软件——才是人的灵魂。我们所有的行为模式，本质上都可以抽象为 “接受刺激——做出反应”这样的模型。软件，就是这样一种具体的处理机制：它将特定的输入与输出相匹配，完成传感器信号到执行器动作的转化与映射。

从呱呱坠地的娃娃开始，人就开始不断的学习——亦即建立这种映射关系的过程。首先，我们学会一种语言，建立了一种最最基本的有限状态自动机模型，建立了基本的规则：用于思考。进一步，在这种语言的基础上，我们接受社会文化的熏陶——这便是安装操作系统了。所谓文化——不妨将其理解为一组特定的行为模式，它为生活在同一个社会的人，所有的行为模式，制定了通用的规范，提供了标准的接口。接受文化的影响，便是遵从这样的一种交流规范，使用同一种标准去运行。当然，文化所提供的，只是一种建议标准(RFC)。这种标准我们称之为道德，价值观。提供了运行所需要遵从的强制标准的，是法律Law。

有了硬件和基本的操作系统，接下来计算机就可以运行了。但是，正如神经网络需要训练才可以使用一样，人也如此。一个小孩子，其行为往往表现的非常不稳定：两次近似的输入，可能得到巨大的结果差异。但是经过训练与学习，这种不稳定性会逐渐消失：经过了一二十年的训练，人会变得成熟而稳重。如果将感情状态纳入输入因子考量，那么相同的输入，却表现出巨大的差异这种情况，应该是很难在正常的成年人身上看到的。这便是进入了稳定的工作状态。

然而，在安装完操作系统之后，真正的任务总是由应用程序来完成的。计算机的价值体现在它能进行的工作上，而能进行的工作由其所软件决定。接受教育的过程，就是安装这些软件的过程。就是建立一个用于实现新功能的神经网络，并对其进行训练的过程。

对于一些基础的应用程序：比如画图，录音机，记事本，写字板，播放器。这些最基本的软件，我们在家庭中，小学里习得。再进一步的Word语文，Excel数学，PPT常识，则留到大学前的教育体系中完成。而对于更高级的专业软件：杀毒软件（医科），Matlab（工科），Latex（理科），Acrobat（文科），电源管理（农科），网络应用（商科）这些软件，我们在大学里获得。不过正如大学的水平也是各有高低一样，软件公司的产品也是良莠不齐。这就是属于训练不佳，设计不当的神经网络模式。

有的计算机，安装完这些软件，大学毕业了，就可以正式投入计算工作之中了。但是，还有一部分人，进一步掌握了更高级的软件：创造软件的知识。编写新的软件，创造新的知识。这便是读博，走上学术道路。创造一种设计神经网络的神经网络，建立一个自指的系统。

对于每台计算机，他们所选择安装软件的策略是不同的。有的计算机安装了许许多多各式各样的软件，每样都只是使用一些简单的功能，但是将这些软件相互组合，妙用无穷。这就是广度偏好型学习，是为学者。有的计算机只装那一样专业软件，但是高度定制化，各种强悍功能用起来得心应手，深度偏好型学习，是为专家。这恰好是MBIT第四维度J与P的区别。个人而言我认为专家型更优，但实际执行时倾向于组合使用两种策略：本科使用学者型，研究生以后使用专家型。因为每一门学科的学习曲线几乎都呈对数或对数-s型T函数规律，按照边际收益递减的规律，在学习初期的效率是显著的。各个软件都有共通之处，同时学习亦能减少学习成本。同时更有可能层展涌现出无比强大的组合：比如Resharp与VS，Everything与TC等等。当然更有效的解决方案是：减少每天停机维护的时间，以同时兼顾深度与广度。

无论是科研还是工作，有一点是确定的，技能的熟练度会随着时间而逐渐增加，经验会随着劳动而逐渐积累。这便是一个参数最优化的过程。有的人学的快但不扎实，就是神经网络的学习速度α值高，有的人学的慢，但是扎实稳定，这就是α值低。有的人学的又快又好，这就是收敛算法好，学习能力强，智商高。

人的学习速度也会随着时间的推移而不断减小，这是一种老化的过程，一种趋于稳定的过程。老教授的α值很低，他们的知识已经收敛到一个特定的点上，能高效地适应稳定而细微的环境变化，对于输入迅速给出高置信度的输出。年轻人的α值高，输出不稳定，但是很有可能就闯到了一个新的领域之中。

人类与机器相比，还有一个特殊之处在于人有感情。感情是什么？感情应当是对于外界刺激一种心理反应。其实可以视为波动因素，扰乱因子。然而，感情不可能这么简单的类BUG存在。在我看来，感情是一种非常非常复杂而高级的反应模式与规则，它是在大自然亿万年优胜劣汰过程中所筛选出来的生存策略，无数残酷竞争所训练出的成熟的神经网络。它在我们面临紧急危险情况来不及进行分析决策时，提供了一种高速高效的异常处理机制。亦即是一种快速近似算法。只不过这种方法往往都被人们所滥用了。

我唯一感到不太舒服的一点，是这种把人本身当作机器的想法，当然这里就不再展开了。