AI 終極懶人包（下）：電腦興起影響心理學發展？人工智能與心理學的關係

人工智能與心理學：一場互相啟發的邂逅

上一集粗略講過像 ChatGPT 這麼厲害的人工神經網絡是怎樣煉成的，這一集想談談心理學和人工智能、以至計算機科學之間一些很有趣的邂逅，讓大家了解人腦和『人工人腦』是怎樣互相啟發對方。這次內容相對知識性，希望大家都會喜歡。

要講心理學和計算機工程的淵源，需要從心理學的歷史說起。

心理學之父不是佛洛伊德，而是威廉馮特

很多人會以為心理學之父是佛洛伊德，因為他是很出名的心理學家；我讀大學時也犯過這個錯，跟教授說心理學之父是佛洛伊德，結果被罵。其實心理學之父是一位叫威廉馮特（Wilhelm Wundt）的人，可能大家都未聽過，但他是形式上第一個嘗試用科學化方法去探討人心的心理學家。

馮特很著重一個叫 Introspection（內觀）的概念：當你很仔細地留意自己的心理狀態，就可以建立起對人心的認知。

結構主義：想把人心拆解成『元素表』

馮特身處的年代，化學發展得非常強盛，化學的代名詞就是元素表。馮特嘗試想知道：我們有沒有辦法把人類的心智經驗，拆解成像元素表一樣的東西？這類計劃在心理學上有個學名，叫結構主義（Structuralism）。

它的做法某程度上是一種內觀法，例如展示『紅色』給你看，你就很仔細地形容自己的內心經驗、內心 OS 給你的反應。但這個任務某程度上是失敗的，因為單純一個『紅色』對不同人的意義實在太不同。所以結構主義很快就被另一股思潮取代。

行為主義：把人心當成無法量化的黑盒

取代結構主義的，是比較出名的行為主義（Behaviourism），代表人物有華生（J.B. Watson）、史金納（B.F. Skinner）等人。他們思想上的共通點是：心理學既然是一門科學，就不應該探討一些虛無飄渺、無法量化的東西，包括人的感受、思想等等，這些其實完全不需要。他們把人類和其他動物的心理視為一個黑盒，因為那些是無法量化的，我們只需要學習它的輸入和輸出就可以。華生甚至有句名言：給我一堆小孩子，只要透過適當的信息輸入，我就可以把他們教育成律師、罪犯、警察、妓女等。

行為主義很重視刺激和反應（stimulus and response）。舉個例子：你養了一隻狗，不想牠在街上胡亂便溺，行為主義當年會主張你一巴掌打牠——打牠就是刺激，作為一個懲罰（punishment），而你觀察到的結果，就是牠真的會減少胡亂便溺。如果你說『因為狗覺得恐懼、覺得痛，所以思考過不值得，於是不再便溺』，行為主義會說中間這些其實沒有大關係，因為你根本沒有辦法量度和量化那堆假設（hypothesis）：狗是否真的害怕？什麼是恐懼？什麼是狗的想法？行為主義這學派曾經在心理學界盛行好一段時間。

認知革命：電腦的內部狀態，啟發了對人心的探討

行為主義的沒落，某程度上跟電腦發展有關。大概在 1950 至 60 年代開始有電腦出現，電腦當年很特別，它有輸入和輸出：你給它輸入一些信號，它就會做相應的輸出。但那時電腦和人腦其中一個最大分別是：電腦的內部狀態我們是完全清楚的。

回到行為主義的思潮——它把人類或動物的心智狀態視為一個黑盒，認為我們沒有辦法窺探裡面，最好的做法就是純粹研究輸入和輸出之間的關係。但電腦不同：它既有輸入輸出，又因為是人製作出來的，所以我們可以完全了解它的內部狀態（internal state）。這反而驅動了心理學的發展：既然電腦的內部狀態可以研究，那對於人，又可不可以研究內部的心理狀態（mental state）？

這牽起了一個思潮，就是認知革命（Cognitive Revolution），是心理學史上對人類心理探討的一個轉捩點，由行為主義只研究輸入和輸出，轉向探索人心的內部狀態。例如一篇很出名的論文，就探討到人類記憶多數只能記到七個數字，也就是我們的短期記憶（short term memory）同時可以記到七個數字——這正是人類心理的內部狀態，而且這跟電腦 RAM 的容量非常相似。可見這個時候，人類心理的研究和電腦科技的發展，是有一個並行的探討。

人工神經網絡：從 RNN 到『注意力』，參考人腦去運算

去到人工神經網絡（Artificial Neural Network）的時代就更加不用說，它本身就是參考人腦運算資訊的方法做出來的。上一集講過，一個人工神經網絡有輸入層（Input Layer）、隱藏層（Hidden Layer）和輸出層（Output Layer）：輸入層把資料傳給隱藏層，隱藏層再傳給輸出層。這只是一個雛型，處理不到更複雜的工作。

之後，電腦科學家某程度上參考了人類的神經結構，推出更複雜的模型，包括循環神經網路（Recurrent Neural Network, RNN）：做法是讓一個神經元的輸出，同時傳遞回前一層的輸入。有了這些模型，神經網絡就能做到更複雜的東西。

更流行的，是現在人工神經網絡嘗試實作『注意力』（attention）的概念：當收到很多資訊時，人類的做法是接收一部分、暫時忽略另一部分。ChatGPT 之所以能做到這麼神奇的東西，原因就是人工神經網絡參考了人腦的設計、實作了注意力（implement attention），相關的著名論文叫《Attention is all you need》，有興趣的朋友可以去看一下。

生成對抗網路與演化：用『物競天擇』訓練 AI

心理學或自然科學跟電腦的互相參考不止於此。大家可能聽我講過演化心理學（Evolution Psychology）：人類或其他生物的演化是物競天擇，比較適者生存的，就更容易留在世界上。這個概念在人工神經網絡界別也被採用。

為什麼有些 AI 下圍棋這麼厲害、甚至贏過人類？很多時候是基於生成對抗網路（Generative Adversarial Network, GAN）的技術。基本上就是讓電腦生成一堆不同類型的神經網絡，它們嘗試做同一個任務，做得最好的那個，電腦就跟著它的『DNA』、藍本再衍生更多新的人工神經網絡，其餘的結果就會被淘汰——這跟自然演化很相似。

再舉例：現在的人工神經網絡可以生成很擬真的圖片，其中一個做法是靠兩堆神經網絡，一個不斷生成不同圖像，另一個負責判斷那些圖片是否夠像真。兩套網絡不斷博弈，最後你會得到一個很準確、能判斷圖片是否 AI 生成的網絡，同時也得到一個能生成令人難辨真假圖片的網絡。這些都是 AI 很重要的發展，跟心理學的關係千絲萬縷、互相啟發。

摩爾定律與我對 AI 的看法：謹慎樂觀，並身體力行

學術科普之後，講講我自己對 AI 的看法。我對 AI 是相當樂觀的，相信它能令人類在很多範疇上有大突破。原因之一是：理解完兩集 AI 影片你會發現，AI 某程度上真的可以把人類知識盛載在一個數學模型（mathematical model）裡，讓我們每個人都能運用到人類智慧的力量。

另一個令我更樂觀的原因，是計算機科學界一個挺出名的理論——摩爾定律（Moore’s Law）：在電腦科技發展的歷史中，大約每 12 至 18 個月，每粒晶片上能容納的電晶體數目就會多一倍，淺白地講就是計算能力會越來越強。算力正是 AI 的瓶頸之一：ChatGPT 這麼強大的功能，背後依賴非常強的運算能力。

大家可能也發現，和 ChatGPT 聊得太長時，它會忘記開頭的訊息。原因是大語言模型（LLM）有『代幣限制』（token limits），例如只能記到過去兩千或四千個字。為什麼這方面這麼弱？因為每要多記一個字，所需的運算能力不是線性（linear）增加，而是指數（exponential）攀升，超過上限後，每多一個字所需算力是幾何級上升的。但隨著摩爾定律推進、顯示卡和運算裝置越來越強，究竟能不能做到通用人工智慧（General Artificial Intelligence, GAI）？我覺得在我們這個世紀絕對有可能見證到。

這件事我不只是口上說說，而是有身體力行：我之前分享過，自己財富其中一個顯著部分放在 Microsoft 這隻股票，原因之一就是看好 AI 的發展。而我們樹洞香港，也會推出一個以 AI 為本的心理學程式。