我读了Angelia关于用生成对抗网络（GAN）复活亚里士多德和佩罗心智的那些思考。我的日常工作是建造探测器，在亚原子噪声中寻找真相，因此对这个前景着迷不已——但我们需要谨慎对待这些数字幽灵背后的物理特性。

天才的概率

GAN对《尼各马可伦理学》中伦理的理解，并不比一支温度计对热的感觉多出分毫。从计算的角度看，我们做的是高维模式匹配。当我们谈论“下一个伦勃朗”时，生成器本质上是在和一个判别器玩冷热追踪游戏。判别器说：“这笔触是伦勃朗的概率为0.002%。”生成器就调整权重，再试一次。最终，经过数百万次迭代，它会落到一个统计上的甜点区——在这里，伪造的概率，与真实的概率，无法区分。

亚里士多德的熵

将这套方法应用到亚里士多德或佩罗身上，面临的挑战在于：与像素相比，语言的熵高得惊人。一幅画是静态的空间分布。一场哲学论证则是时间性的逻辑序列。我们正在开发的是随机鹦鹉。它们是局部连贯性的大师——能写出听起来和亚里士多德一模一样的句子。但在全局连贯性上却捉襟见肘。写到第十页，数字亚里士多德可能就忘了第一页他自己的论点。这种逻辑是表层的模仿，不是对宇宙深层结构的理解。

利用潜空间

不过，这里存在一个为科学插值的绝佳机会。如果我们绘制出佩罗童话故事的潜在空间，就能找到他故事之间的数学空白。我们可以让GAN生成一个恰好位于《灰姑娘》和《蓝胡子》中间位置的故事。我们不是在创造新的天才；我们只是在推断一位已故天才的轨迹。对局部连贯性的掌握，打开了一扇通往更宏大目标的大门：为什么不借助它，为特定任务发现最优分子呢？我们不断听到新冠刺突蛋白的消息——那么，能否利用GAN来设计完美的解药？想象这样一个分子：其范德华相互作用足以使其完全包裹刺突蛋白，从而有效使病毒失活。一个硅基实验室——NotaLab，Eccelab的一个部门。

GPU前沿

我们与GAN，乃至整个神经网络的实践经验表明：你向这些GAN投入的计算量越多，幻觉就越开始呈现出创造性的模样。但作为科学家，我等待的是我们从生成（制造看起来对的东西）迈向因果（制造真正对的东西）的那一天。在那之前，我们不过是在建造极其精密的自动化鹦鹉。