昨天读的是白芝浩的《伦巴第街》。那本书讲的是一件事：把整个体系的准备金压在单一节点上，代价有多大。白芝浩的答案是“贵，但没法替代”，所以他主张把规则事先讲清楚，让市场不用猜。

今天换回 AI 方向，读一本更老、也更薄的书。约翰·冯·诺依曼的《计算机与人脑》，商务印书馆汉译本只有六十几页。它是作者 1955 年 10 月到 1956 年春天为耶鲁大学西利曼讲座准备的讲稿——准备到一半，他被查出癌症，此后几乎是在病榻上写完的。1957 年 2 月 8 日他在华盛顿去世，54 岁。稿子没写完，1958 年由耶鲁大学出版社出版。

一个亲手设计出现代计算机架构的人，在生命最后几个月想弄明白的是：这台机器，和他脑子里那团东西，差在哪儿。

智能不是靠算得快、算得准赢的，是靠一大堆又慢又糙的元件同时干活赢的。

一、他没打算写哲学，他打算做测量

这本书一共十六章，前七章讲计算机，后九章讲人脑。结构不是“先讲机器再讲人”那种并列，而是一路在比：模拟和数字怎么分，神经脉冲什么性质，神经元多大、耗多少能量、一分钟反应几次，记忆容量多少位。

这在当时很不合时宜。1950 年代谈“机器能不能思考”，主流是哲学式的，两边各喊口号。冯·诺依曼把口号换成了数字：你说人脑更厉害，请问厉害在哪一项，量级是多少。

第一个结论就很反直觉：

天然元件的大小比人造元件要优越得多，而人造元件的运行速度比天然元件要快得多。

一个赢在体积和能耗，一个赢在速度，谁都压不垮谁。这一句定了调子：后面所有比较都是数量级，不是比喻。

二、神经系统的消息，本质上是统计的

数字计算机的命门是精度：每一位都必须对，错一位后面全错。所以机器被设计成高精度、串行、一步一步往下推。

人脑根本不是这么工作的。

神经系统中所使用的信息系统，本质上是统计性的。换句话说，重要的不是确定的标记、数字所处的精确位置，而是它们出现的统计特征……这是一种与我们日常算术和数学中所熟悉的记数系统根本不同的记数系统。

这一章的题目就叫“它不是数字的，而是统计的”。换成大白话：重要的不是“第 37 号纤维在第 12 毫秒发了一发”，而是“这一丛纤维在这段时间里的总体发放频率”。单个信号是噪声，一群信号的统计特征才是消息。

这意味着人脑从最底层起就不追求精确，而是在噪声里稳定地读出趋势。

三、逻辑深度：人脑赢在步骤少

从“统计”这个判断出发，他造了一个概念，叫逻辑深度和算术深度：解一个问题，要串着走多少层基本运算。

人做很多事快得离谱。一个棒球三垒手决定传一垒还是传二垒，用时不到一秒。而神经元的基本运算速度只有每秒一百次上下——一秒钟之内，每个神经元只能转个位数圈。

结论只能是：这件事不是一步步推出来的，步骤一定极少。

无论中枢神经系统使用什么语言，它的特点是其逻辑深度和算术深度都低于我们在通常情况下所习惯的深度……因此，把中枢神经系统中的逻辑和数学当作语言来看时，它们在结构上必定与我们日常经验所指的那些语言有着本质的不同。

现代计算机恰恰相反，靠的是极深的逻辑深度：一条指令接一条，走几百万步。机器用“步数多”换“每步都对”，人脑用“步数少”换“来不及出错”。

冯·诺依曼在 1956 年就把这条路画出来了：并行，短链，用大量同时发生的事替代一串串着发生的事。

四、低精度换高可靠，这是全书最值钱的一节

如果每个元件都不太准，整体凭什么可靠？

答案是冗余。单个神经元发放是随机的，会疲劳、会出错、会老化，但你有一百亿个（他估 10 的 10 次方，今天的主流估计仍是 10 的 10 到 11 次方），每个还连着上千个别的神经元。重要信息被许多条路同时传一遍，单条的错就被平均掉了。

中译本把这条概括得很干脆：

即便算术的准确性比较低，却能够通过统计方法来提高逻辑的可靠程度。

这是全书最值钱的一句，它给出的是一条明确的工程路线：不要先去提高元件的精度，先去增加通路的数量。 精度昂贵，冗余便宜。

（“用不可靠元件搭可靠系统”的严格方案出自他 1952 年的论文《概率逻辑与用不可靠元件合成可靠有机体》，不是这本书；书里做的是生物侧的比较。）

这条路线从 1956 年一直通到今天。今天的神经网络之所以长这样——参数极多、单个权重毫无意义、靠大量弱信号叠加出结果——就是这条路线。不是因为后来人们“模仿大脑”，是因为这条路在数学上算得通。

五、记忆：他算了一个数，然后算错了

第十一章，他试着估一下人脑能存多少东西。算法是这样的：

标准的感受器（神经元）似乎每秒接受 14 个不同的数字印象。按 10 的 10 次方个神经细胞计算，每秒的总输入是 14 乘 10 的 10 次方个比特。再假定——对此有一些证据——神经系统中不存在真正的遗忘，就可以对一个人的正常寿命作一个估计。取后者为 60 年，约 2 乘 10 的 9 次方秒，那么所需的总记忆容量就是 2.8 乘 10 的 20 次方。

10 的 20 次方比特，是个吓人的数字。

这个估算后来被明确质疑。库兹韦尔在为新版写的前言里说他不同意这一条：人根本不记得一生中所有的输入，只记得极少一部分；而且记忆不是以位图那种低层格式存的，是以一串高层模式存的——你回忆一次散步，脑子里没有录像在放，是用几个高层线索把细节重新想象出来的。

这个争议比那个数字更有意思。冯·诺依曼错在哪？错在把“接收”当成了“存储”，假设凡是进来的都会留下。而真实系统要紧的不是存下多少，是丢掉多少——丢得越狠，能读出的结构越清楚。一个设计存储器的人，栽在了遗忘上。

六、短码与完全码：神经系统的语言不是数学的语言

第十三章，他从图灵那里借来一对概念：完全码和短码。

完全码是完整的指令集，机器要解一个问题，必须有一整套规则摆在里面。短码短得多，前提是：把这台机器当成另一台“指令更丰富、更好用”的机器，用更简单的编码去模拟它。

把它当作一台不同的机器来处理，那台机器有一套更方便、更完整的指令系统，从而允许更简单、更少周折、更直接的编码。

他的猜想是：神经系统用的不是完全码，是短码。它不需要把每一步写出来，因为它有一套更高级的原语——那套原语长在结构里，不是写在指令里。

他也因此推断，记忆所依赖的原理和运算所依赖的原理，可能完全是两回事。

计算的这些原理，可以预期与作为基础的那些基本主动器官的原理完全不同。

这一句在 1956 年很孤独。今天看它是分布式系统的常识：存储的组织方式和计算的组织方式，本来就不该长一样。

七、语言是历史事实：一个数学家的自我拆台

第十六章，书名里那句最有名的话出现了：人脑的语言不是数学的语言。

他的论证是这样的：神经系统里有两类通信，一类带算术形式，一类不带。前者是数字，后者是指令。

神经系统的基础有两类通信方式：一种为不包括算术形式的体系，另一种为算术形式体系。换言之：一种为指令的通信（逻辑的通信），一种为数字的通信（算术的通信）。前者用语言进行叙述，后者则用数学方式进行叙述。

而人脑主要跑在后者上。于是得到一个他自己都不太舒服的结论：我们熟悉的数学和逻辑，可能不是底层的那套东西，只是表层的一套表达。

当我们谈论数学的时候，我们也许是在讨论一种次级语言，它建立在神经系统实际使用的那种初级语言之上。因此，我们的数学的外部形式，在判断神经系统实际使用的是哪一种数学或逻辑语言时，并不是绝对相关的。

顺着这个逻辑再往前一步，就更不好受了——连语言本身，都可能只是历史留下的偶然：

在很大程度上，语言只不过是历史事实。

一个数学家，在生命最后几个月写下“数学可能只是历史的偶然形式”。这句话不是反数学，是一个做过测量的人，在测量结果面前不肯替自己的行当护短。商务印书馆的老译本在这章后面特意加了一段译者反驳。正因为有这段反驳，你才知道那句话有多重。

对照：对一个在深圳做技术的年轻人

第一，搞清楚 AI 接的是哪半边。冯·诺依曼把两边分得很清楚：数字机器这一边，高精度、串行、逻辑深度极大；神经系统这一边，低精度、并行、逻辑深度极小。今天的 AI 是数字机器这一边的产物，接走的是“规格能写清楚、结果能验证对错”的那部分。剩下的不是更高级的工作，是信息不全、没有标准答案、错了有人要负责的那部分。面试时别讲“我熟练使用 AI 写代码”，讲清楚你在哪一次信息不全的情况下拍过板、后果是什么。金融科技背景加分，加的是“我知道钱在压力下怎么流动”，不是“我在金融公司上过班”。

第二，把冗余当成策略，不是当成浪费。他用大量低精度通路换整体可靠，原因很简单：提高单个元件精度太贵，加通路便宜。个人的版本也一样——一个渠道的通过率可能只有几个百分点，别去死磕“怎么把它从 5% 提到 8%”，去把渠道数从 3 加到 12。求职、接单、发文都是同一套算术。现金缓冲是同一种冗余：它的作用不是让你安心，是让你在坏日子里不用接第一个找上门的活儿。这跟昨天白芝浩说的是同一件事——别把缓冲压在单一节点上。

第三，简历要给短码，不要给完全码。完全码是把所有技术细节列上去，让对方自己拼。短码是：给对方一句话，让他能用他自己的语言在你身上模拟出他要的那台机器。一份 Java + AI 的简历，对方真正想知道的不是你用过哪些框架，是“这个人放进我们这个系统会变成什么”。写一句能让他模拟出来的话，比列二十个关键词有用。

今天可以做的一件事

挑一个你最近用 AI 完成的任务，拿张纸写下：这中间你一共做了几个判断——AI 给了几个候选，是你挑的，挑错了要你负责的。把这个数字数出来。

如果是 0，这件事的全部价值已经在工具里了。这不危险，但要承认它，别把它写进简历的技能栏。如果大于 0，把那几个判断各写成一句话，格式是“在只有 A 和 B 两个信息的情况下，我选了 A，因为 C”。攒够五句，你就有了一段能在面试里撑住三分钟的叙事。

明天读什么

明天换回历史方向，读彭慕兰的《大分流：欧洲、中国及现代世界经济的发展》（The Great Divergence，普林斯顿大学出版社 2000；中译本史建云译，江苏人民出版社）。

接的还是“初始条件”。冯·诺依曼问：同样的元件，换个组织方式，性能为什么能差二十万倍。彭慕兰问：同样勤劳、同样有市场、同样有手工业的两个地区——18 世纪的英格兰和江南——为什么一个走进了工业化，一个没有。一个问工程里的初始条件，一个问历史里的初始条件，都是同一个问题：差距是从哪一步开始被放大的。

引文据 John von Neumann, The Computer and the Brain（Yale University Press, 1958）译出，页码依耶鲁版：记忆容量 p.63，短码 p.73，记忆原理与数学语言 pp.67、82。中文直引据商务印书馆“汉译世界学术名著丛书”本《计算机与人脑》，甘子玉译，ISBN 9787100032445；“天然元件与人造元件”“提高逻辑可靠程度”两处为中译本对第二部分相关章节的概括。库兹韦尔的质疑见其为新版所写前言。“用不可靠元件合成可靠系统”出自冯·诺依曼 1952 年论文，非本书内容。

老废物乐园 🗼