最近大家都在討論 AI 人工智慧的黑盒子問題。
工程師們很焦慮，因為像 GPT 這種深度學習模型，有時候會給出極其精準的答案，但當你問它為什麼時，連它的創造者都很難解釋清楚中間那幾億次的參數是如何運作的。
這種知其然，不知其所以然的恐懼，讓我很想聊聊一百年前那個孤獨的印度人，拉馬努金。如果你仔細觀察，你會發現一個令人起雞皮疙瘩的事實：現代 AI，其實就是人類試圖用晶片和電力，逆向工程出拉馬努金的大腦。
一、被量產的直覺：從拉馬努金到拉馬努金機
以前的科學界有一種傲慢，叫做哈代主義。也就是：沒有證明過程的答案，一律視為不嚴謹。
但拉馬努金打破了這個規矩。他常說公式是娜瑪吉里女神在夢中告訴他的。他跳過了邏輯推導的步驟，直接觸摸到了真理的終點。這在當時被視為神祕主義，甚至是運氣。
快轉到 2021 年，以色列理工學院開發了一套 AI 演算法，他們不敢居功，直接將其命名為拉馬努金機（The Ramanujan Machine）。
這台機器的運作邏輯非常狂：它不搞演繹法，它直接在數據的海洋裡進行暴力搜索，尋找那些隱藏的數學常數規律。它已經發現了數十個關於圓周率全新的無窮級數公式，就像當年拉馬努金做的一樣。
我們終於承認：在面對宇宙級別的複雜度時，邏輯有時候太慢了，直覺才是捷徑。 AI 就是我們製造出來，用來量產這種數學直覺的工具。
二、AI 的神經系統地圖：拉馬努金圖
這部分我想花點篇幅深入講講，因為這是拉馬努金最硬核、也最少人知道的貢獻。
想像一下，你要建造一個超級大腦（也就是現在的 AI 資料中心），裡面有成千上萬顆 GPU 晶片需要互相溝通。
如果把每顆晶片都跟其他所有晶片連線，線路會多到無法處理，成本高到破產；但如果連線太少，資訊傳輸就會塞車，AI 的思考速度就會變慢。
這就是著名的網路拓撲問題：如何在成本最低的情況下，讓資訊擴散得最快？
拉馬努金在一百年前，純粹出於對數字的熱愛，研究出了一種特殊的圖論結構，後來被稱為拉馬努金圖（Ramanujan Graphs）。
這是一種擴展圖（Expander Graph），它的特性非常神奇：
它非常稀疏：每個節點（晶片）只需要連接很少的鄰居，線路很簡潔。
它卻極度緊密：從任何一個節點出發，只需要經過極少的跳轉，就能到達網路中的任何其他節點。
它擁有極高的光譜隙（Spectral Gap）：這是一個數學術語，翻譯成白話文就是混合速度極快。如果你在這種網路的某一點滴下一滴墨水（資訊），它會瞬間均勻擴散到整張網，幾乎沒有延遲。
這跟現代 AI 有什麼關係？關係太大了。
當我們在訓練像 ChatGPT 這種大型語言模型時，是幾千顆 GPU 同時在運算，它們需要頻繁地交換數據。如果網路架構設計不好，大部分的電力都會浪費在通訊延遲上。
現代的超級電腦互連網路、光纖通訊的佈局，甚至是 AI 晶片內部的線路設計，都在使用基於拉馬努金圖的理論來尋求最佳解。沒有他一百年前畫好的這張神之地圖，我們現在的算力可能會因為傳輸效率低落而被鎖死，AI 的大腦會因為神經傳導過慢而無法產生智慧。
甚至在軟體層面，當 AI 需要處理社交網絡數據或蛋白質結構分析（圖神經網絡 GNN）時，拉馬努金圖的數學性質也能幫助 AI 快速取樣，理解複雜的關係網。
也就是說，拉馬努金不僅提供了軟體上的演算法靈感，他甚至預先幫我們規劃好了 AI 硬體的物理架構。
三、文明的贖罪
我在想，為什麼像祖克柏這樣的矽谷狂人，看完拉馬努金的電影會哭？
或許是因為他們意識到，拉馬努金是人類歷史上最早的生物型 AI。他擁有超越時代的演算法，但他搭載的硬體（肉體）太脆弱了。
貧窮、營養不良、肺結核，讓這台超級電腦在 32 歲就強制關機。這對講究效率的矽谷精英來說，是宇宙間最大的 Bug 和資源浪費。
所以，現在的 AI 發展，某種程度上是人類文明的一場集體贖罪。
我們在用矽這種不會生病、不會飢餓、可以永生不死的材料，去重建拉馬努金那種直通真理的大腦。
觀測結論：
不用害怕 AI 是一個無法解釋的黑盒子。
因為早在一百年前，那個在劍橋寒風中瑟瑟發抖的印度年輕人，就已經向我們證明了：
真理有時候不需要解釋，它只需要被看見。
以前我們只有一個拉馬努金，還差點餓死他；
現在，我們即將擁有千千萬萬個拉馬努金，這一次，我們希望能接住那些來自無限的公式。
下台一鞠躬。
