数字技术

数字技术

全世界有数十亿人随身携带智能手机，是连接到全球网络（互联网）的强大计算机。我们经常每天花很多时间在这些设备上，无论是玩游戏还是工作。然而，尽管数字技术越来越普遍，人们往往发现很难理解到底是何以使其如此强大。有些人甚至嘲笑数字技术，指着Twitter等服务，认为与疫苗的发明相比，它们是无足轻重的。

然而，越难以忽视数字技术的颠覆性。例如，当许多以前历史悠久的企业正在挣扎，包括报纸和零售商，数字技术公司，如Facebook，苹果，亚马逊，Netflix和谷歌，现在是世界上最有价值的公司之一（"上市公司名单，"2020）。

数字技术原来拥有两个独特的特点，解释了为什么它极大地扩展了人类的 "可能空间"，远远超过了以前的任何可能。这就是零边际成本和计算的普遍性。

零边际成本

一旦某条信息存在于互联网上，就可以从网络上的任何地方访问它，而不需要额外的费用。随着世界各地越来越多的人连接到互联网，"网络上的任何地方 "越来越意味着 "世界上的任何地方"。服务器已经在运行，网络连接和终端用户设备也在运行。因此，为信息制作一个额外的数字拷贝并通过网络传递，不需要任何成本。用经济学的语言来说，一份数字拷贝的 "边际成本 "是零。这并不意味着人们不会试图向你收取这些信息的费用--在许多情况下，他们会。但这是一个价格问题，而不是成本问题。

零边际成本与之前模拟世界中的任何东西都完全不同，它使一些相当不可思议的事情成为可能。为了说明这一点，想象一下，你拥有一家披萨店。你为你的商店和设备支付租金，你为你的员工和你自己支付工资。这些都是所谓的'固定成本'，它们不会随着你烤的披萨的数量而改变。另一方面，"可变成本 "则取决于你制作的披萨的数量。对于一个披萨店来说，这些成本将包括水、面粉、你使用的任何其他成分、你需要雇用的任何额外工人，以及你需要加热烤箱的能源。如果你做更多的披萨，你的可变成本就会上升，而如果你做更少的披萨，你的可变成本就会下降。

那么，什么是边际成本？好吧，假设你每天做100个披萨：边际成本是多做一个披萨的额外成本。假设烤箱已经很热了，里面还有空间，而且你的员工也没有被完全占用，那就是原料的成本，这可能相对较低。如果烤箱已经冷却了，那么额外的披萨的边际成本将包括重新加热烤箱所需的能源成本，而且可能相当高。

从商业角度来看，只要你能以高于边际成本的价格出售，你就会想多做一个披萨。如果你已经支付了之前的披萨的固定成本，那么额外披萨的每一分钱都是利润。从社会角度来看，边际成本也很重要。只要顾客愿意为披萨支付高于边际成本的费用，每个人都有可能得到好处--你得到了对你的固定成本或利润的额外贡献，而你的顾客可以吃到他们想要的披萨（重要提示：我说 "有可能得到好处 "是有原因的，因为人们有时想要的东西实际上可能对他们没有好处，例如患有肥胖症的人想要吃一个披萨）。

现在让我们考虑当边际成本从高位下降时会发生什么。想象一下，你的关键原料是一种极其昂贵的松露，这意味着你每块披萨的边际成本是1000美元。你显然不会卖出很多披萨，所以你可能会决定改用更便宜的原料，并将你的边际成本降低到更多的顾客愿意支付高于你的边际成本的程度，因此你的销售额增加了。当你通过额外的工艺和产品改进进一步降低边际成本时，你将开始销售更多的披萨。

现在想象一下，通过一项神奇的新发明，你可以以接近零的边际成本（比如每个额外的披萨1美分）制造更多美味的披萨，并将它们即时运送到世界上任何地方。这样，你就能卖出大量的披萨。如果你对每个披萨只收两分钱，那么你每多卖出一个披萨就能赚取一分钱的利润。在如此低的边际成本下，你可能会很快获得全球披萨市场的垄断地位（后面会有更多的介绍）。世界上任何一个饥饿的人，只要能负担得起至少1分钱，都可能买你的披萨。从社会的角度来看，你的披萨的最佳价格将是1美分（你的边际成本）：饥饿的人将得到食物，而你将支付你的边际成本。但作为一个垄断者，你不可能这么做。相反，你可能会从事各种旨在增加利润的有问题的行为，如收取超过边际成本的费用，试图阻止竞争对手进入市场，甚至希望让人们对披萨上瘾，以便他们消费更多。

这正是我们目前在数字技术方面的情况。我们可以用信息 "喂养世界"：额外的YouTube视频浏览、额外的维基百科访问或Waze的额外交通报告都是零边际成本。就像假设的零边际成本披萨一样，我们看到了数字垄断的出现，以及由此带来的所有问题（见第四部分 "信息自由 "的拟议补救措施）。
我们不习惯零边际成本：我们现有的大部分经济学都依赖于边际成本大于零的假设。你可以把零边际成本看作是一个经济奇点，类似于数学中的除以0--当你接近它时，奇怪的事情开始发生。除了数字近乎垄断，我们已经观察到收入和财富的幂律分布（见第三部分），其中微小的变化导致了巨大的不同结果。此外，在许多其他主要基于信息的行业，包括金融和教育，我们现在正迅速接近这个零边际成本的奇点。总而言之，数字技术的第一个特点是零边际成本，它极大地扩展了可能的空间。这可能导致数字垄断，但也有可能让全人类获得世界的知识。

计算的普及性

零边际成本只是数字技术的一个属性，它极大地扩展了可能的空间；第二个属性在某些方面甚至更令人惊讶。

计算机是通用机器。我在精确的意义上使用这个术语：只要有足够的内存和时间，宇宙中任何可以计算的东西原则上都可以由我们已经拥有的那种机器计算出来。自从阿兰-图灵在上个世纪中叶对计算的开创性工作以来，我们就知道这一点。他发明了一台抽象版的计算机，我们现在称之为图灵机，然后提出了一个证明，表明这个简单的机器可以计算任何东西(Mullins, 2012; "Church-Turing thesis," 2020)。

我所说的 "计算"，是指任何接受信息输入，执行一系列处理步骤，并产生信息输出的过程。无论好坏，这也是人脑所做的大部分工作：它通过神经接收输入，进行一些内部处理并产生输出。原则上，数字机器可以完成人脑所能完成的所有计算。这些大脑计算包括像识别某人的脸一样简单和日常的东西（输入：图像，输出：名字）到像诊断疾病一样复杂的东西（输入：症状和测试结果，输出：鉴别诊断）。

只有当量子效应对大脑的运作很重要时，这种 "原则上 "的限制才会变得重要，这意味着需要量子现象的影响，如纠缠和状态的叠加。这是一个争论激烈的话题（Jedlicka，2017）。量子效应并没有改变原则上可以计算的东西，因为即使是图灵机在理论上也可以模拟量子效应--但这需要不切实际的漫长时间，可能是数百万年才能做到（Timpson, 2004）。如果量子效应在大脑中很重要，我们可能需要在量子计算方面取得进一步的进展来复制大脑的一些计算能力。然而，我相信量子效应不太可能对人脑进行的大部分计算产生影响，也就是说，如果它们真的有影响的话。当然，我们也许有一天会发现一些关于物理现实的新东西，从而改变我们对什么是可计算的看法，但到目前为止这还没有发生。

在很长一段时间里，普遍性这一属性并不重要，因为与人类相比，计算机是相当愚蠢的。这让计算机科学家们很沮丧，他们自图灵以来就相信应该有可能造出一台智能机器，但几十年来却无法让它发挥作用。即使是人类认为非常简单的事情，如识别人脸，也让计算机陷入了困境。然而现在，我们有了能够识别人脸的计算机，而且它们在这方面的性能正在迅速提高。

这里的一个类比是人类对重于空气的飞行的发现。我们很早就知道这一定是可能的--毕竟鸟类比空气重，而且它们可以飞行--但直到1903年莱特兄弟制造出第一架成功的飞机，我们才知道如何做到这一点（"莱特兄弟"，2020）。一旦他们和其他几个人想通了，进展就很快了--我们在55年内从不知道如何飞行到乘坐喷气式客机穿越大西洋：英国海外航空公司的第一次跨大西洋喷气式客机飞行是在1958年（"英国海外航空公司"，2020年）。如果你在图表上绘制这个，你会看到一个完美的非线性例子。我们并没有在飞行方面逐渐变得更好--我们根本无法做到这一点，然后突然我们可以做得很好。

flight-distance

数字技术也是如此。一系列的突破使我们从基本上没有机器智能，到现在机器在许多不同的任务上可以胜过人类，包括阅读笔迹和识别人脸（Neuroscience News, 2018; Phillips et al., 2018）。机器在学习如何驾驶汽车方面的进展速度是改进的非线性的另一个好例子。国防高级研究计划局（DARPA）在2004年举行了第一次所谓的自动驾驶汽车的 "大挑战"。当时，他们在莫哈韦沙漠挑选了一条150英里长的封闭赛道，没有一辆车能走超过7英里（不到赛道的5％）就被卡住。到2012年，不到十年之后，谷歌的自动驾驶汽车已经在公共道路上行驶了30多万英里，而且还出现了交通事故（Urmson, 2012）。

有些人可能会反对说，阅读笔迹、识别人脸或驾驶汽车并不是我们所说的 "智能"，但这只是指出我们对它没有一个好的定义。毕竟，如果你有一只宠物狗能完成这些任务中的任何一项，更不用说这三项了，你会称它为 "智能 "狗。

其他人指出，人类也有创造力，即使我们赋予它们某种形式的智能，这些机器也不会有创造力。然而，这相当于争辩说，创造力是计算以外的东西。这个词意味着 "无中生有 "和没有输入的输出，但这并不是人类创造力的本质。毕竟，音乐家在听到大量的音乐之后创造出新的音乐，工程师在看到现有的机器之后创造出新的机器，等等。

现在有证据表明，至少某些类型的创造力可以简单地通过计算来重新创造。2016年，谷歌在机器智能方面取得了突破性进展，他们的AlphaGo程序以四局一胜的成绩击败了韩国围棋大师李世石（Borowiec, 2017）。在这之前，对弈软件的进展相对缓慢，最好的程序都无法击败强大的俱乐部选手，更不用说大师了。围棋中可能的棋步数量非常多，远远超过国际象棋。这意味着在围棋中不能使用从当前位置搜索可能的棋步和反手棋，这是国际象棋计算机历来使用的方法，相反，需要猜测候选棋步。换句话说，下围棋需要创造性。

AlphaGo程序所使用的方法是在人类之前下过的棋局上训练一个神经网络。一旦网络足够好，它就会通过与自己对弈来进一步改进。这些技术和相关技术的应用已经取得了进展，这些技术通常被称为 "生成对抗网络"（GANs），用于音乐创作和设计创作。更令人惊讶的是，事实证明，机器不仅可以通过研究先前的人类游戏或设计，而且可以根据规则创造自己的游戏或设计，从而学习到创造性。

AlphaGo的两个继任者，AlphaGo Zero和AlphaZero，一开始都只知道规则，并从与自己对弈中学习（"AlphaZero"，2020）。这种方法将允许机器在人类之前进展有限或没有进展的领域发挥创造性。
虽然大脑所做的大部分工作都是计算，包括许多我们认为是创造性的任务，但大脑的一个功能可能永远不会被数字机器所利用：拥有 "质"。这是一个来自哲学的术语，指的是我们的主观体验，比如说冷（或热）的 "感觉"，触摸一个物体的感觉，压力或惊奇的感觉。例如，当数字恒温器显示室温时，我们不会认为其内部状态与我们自己的主观感觉有任何相似之处。在这个例子中，缺乏质感是显而易见的，但我们假设它延伸到更复杂的情况，比如一辆自动驾驶汽车在蜿蜒的高速公路上进行一系列的转弯。我们希望人类司机能体验到刺激或兴奋的感觉，但汽车不会。机器中缺乏质感这一点目前看来似乎是个题外话，但在知识时代，它将成为人类可能将注意力引向何处的一个重要组成部分。

零边际成本下的普及性

尽管零边际成本和普及性本身令人印象深刻，但它们结合在一起确实是神奇的。举个例子，我们在开发一个计算机程序方面正在取得良好的进展，该程序将能够通过一系列的步骤从病人的症状中诊断出疾病，包括订购测试并解释其结果（Parkin，2020）。尽管根据普及性原则，我们可能已经预计到这一点会在某个时候发生，但我们正在取得切实的进展，如果不是更早，也应该在几十年内完成。到那时，由于边际成本为零，我们将能够向世界上的任何人提供低成本的诊断。让这句话慢慢沉淀下来：所有人类的免费医疗诊断将很快进入可能的空间。

以零边际成本进行计算的普及性与我们以前的技术不同。能够让全人类获得世界上所有的信息和知识在以前是不可能的，智能机器也是不可能的。现在我们两者都有了。这至少代表了人类 "可能空间 "的戏剧性和非线性增长，就像以前的农业和工业一样，而这些发展都迎来了一个完全不同的时代。如果我们首先建立一些基础，我们将能够更好地思考这对当前的过渡和下一个时代意味着什么。