本文发表于《大众科学》的前博客网络，反映了作者的观点，不一定反映《大众科学》的观点
鸣谢：WolframAlpha
如果您将当今最流行的四个热门词汇串在一起会发生什么？结果有意义吗？鉴于今天是4月1日（也是复活节星期日），我认为探索一下会很有趣。将其视为一个复活节彩蛋……从中可能会孵化出有趣的东西。并且要明确说明：虽然我只是在胡乱地将热门词汇串在一起，但我在这里要说的细节是完全真实的。
鸣谢：WolframAlpha
关于支持科学新闻报道
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道 订阅。通过购买订阅，您正在帮助确保未来能够继续报道关于塑造我们当今世界的发现和思想的有影响力的故事。
但在我们真正开始讨论整个热门词汇串之前，让我们先讨论一下每个热门词汇的一些背景知识。
“量子”
说某事物是“量子的”听起来非常现代。但实际上，量子力学已经有一个世纪的历史了。在过去的一个世纪中，它一直是理解和计算物理科学中许多事物的核心。但即使经过一个世纪，“真正的量子”技术仍未到来。是的，有一些东西，例如激光、MRI 和原子力显微镜，依赖于量子现象，并且需要量子力学才能被发明出来。但是，就工程实践而言，所做的一切基本上仍然是完全经典的，没有任何量子特性。
然而，今天，有很多关于量子计算的讨论，以及它可能如何改变一切。实际上，我在 20 世纪 80 年代早期就研究过量子计算（所以，是的，这不是一个最近的想法）。我不得不说，我一直有点怀疑它是否真的能起作用——或者人们可能获得的任何“量子收益”是否会被衡量正在发生的事情的低效率所抵消。
但无论如何，在过去的 20 年左右，在制定量子电路和量子计算的思想方面已经做了各种出色的理论工作。许多事情都是使用 Wolfram 语言完成的，包括我们正在进行的项目，旨在生成一种明确的符号方式来表示量子计算。但到目前为止，我们所能做的只是计算量子计算，因为 Wolfram 语言本身只是在普通的经典计算机上运行。
有些公司已经构建了他们所说的（小型）真正的量子计算机。实际上，我们一直希望将 Wolfram 语言连接到它们，以便我们可以实现 QuantumEvaluate 函数。但到目前为止，这还没有发生。所以我真的无法保证 QuantumEvaluate 将（或将不会）做什么。
但主要的想法基本上是这样的。在普通的经典物理学中，人们几乎可以说世界上会发生确定的事情。一个台球朝这个方向或那个方向移动。但在任何特定情况下，它都是一个确定的方向。然而，在量子力学中，其思想是电子，例如，本质上不是朝一个特定的、确定的方向移动。相反，它基本上朝所有可能的方向移动，每个方向都有特定的幅度。只有当您坚持测量它移动到哪里时，您才会得到一个确定的答案。如果您进行多次测量，您将只会看到它朝每个方向移动的概率。
嗯，量子计算试图做的是以某种方式利用“所有可能的方向”的思想，以便有效地并行完成大量计算。这是一项棘手的工作，只有少数几种问题的理论已经被研究出来——最著名的是整数分解。而且，是的，根据该理论，一台大型量子计算机应该能够快速分解一个大整数，从而使当今的密码基础设施崩溃。但到目前为止，任何人甚至声称已经沿着这些思路构建的只是一台微型量子计算机——它肯定还不能做任何非常有趣的事情。
但是，好的，量子力学的一个关键方面是，电子可以采取的不同路径之间可能存在干涉。这在数学上类似于光甚至水波中发生的干涉，只是在经典物理学中。然而，在量子力学中，干涉应该具有更内在的东西，导致纠缠现象，在这种现象中，人们基本上永远无法“看到正在干涉的波”——只能看到效果。
然而，在计算中，我们尚未利用任何类型的干涉。因为（至少在现代），我们总是试图处理离散位——而典型的干涉现象（例如在光中）基本上涉及连续数字。我个人的猜测是，光学计算——它肯定会到来——将成功地提供一些惊人的加速。然而，它不会是真正的“量子”（尽管它可能会像那样进行营销）。（对于技术人员来说，计算理论结果如何应用于基于干涉的连续过程是一个复杂的问题。）
“神经”
十年前，计算机没有任何系统的方法来判断一张图片是关于大象还是茶杯。但在过去五年中，由于神经网络，这基本上变得容易了。（有趣的是，我们三年前制作的图像识别器基本上仍然是最先进的。）
那么，主要思想是什么？嗯，早在 20 世纪 40 年代，人们就开始认真思考大脑就像一台电机。这导致了“神经网络”的数学模型——事实证明，神经网络在计算能力上等同于数字计算机的数学模型。在随后的几年中，数十亿台实际的数字电子计算机被制造出来。在此过程中，人们（包括我）尝试了神经网络，但没有人能让它们做任何非常有趣的事情。（尽管多年来它们一直默默地用于光学字符识别等。）
但随后，从 2012 年开始，很多人突然变得非常兴奋，因为神经网络似乎终于能够做一些非常有趣的事情，最初尤其是在图像方面。
那么发生了什么？嗯，神经网络基本上对应于一个大型数学函数，它通过连接许多较小的函数而形成，每个函数都涉及一定数量的参数（“权重”）。一开始，大型函数基本上只是给出随机输出。但是，通过设置函数的方式，可以“训练神经网络”，方法是调整其内部的参数，以便该函数给出人们想要的输出。
这不像普通的编程，在普通的编程中，人们明确定义计算机应遵循的步骤。相反，其思想只是给出人们希望神经网络执行的操作示例，然后期望它在它们之间进行插值，以找出对于任何特定输入应执行的操作。在实践中，人们可能会展示一堆大象图像和一堆茶杯图像，然后对参数进行数百万次小更新，以使网络在输入大象时输出“大象”，而在输入茶杯时输出“茶杯”。
但这是关键思想：神经网络应该以某种方式从它所展示的具体示例中进行泛化——并且它应该说任何“像”大象示例的东西都是大象，即使它的特定像素非常不同。或者，换句话说，可能会输入到网络的许多图像都属于“大象”的“吸引盆地”，而不是“茶杯”的“吸引盆地”。在机械类比中，人们可能会说，水可能会落在景观上的许多地方，但仍然最终流向一个湖而不是另一个湖。
在某种程度上，原则上可以训练任何足够复杂的神经网络来完成任何事情。但已经变得清楚的是，对于许多实际任务（事实证明这些任务与我们的大脑似乎很容易做到的某些事情非常重叠），使用可行的 GPU 时间实际训练具有数百万个元素的神经网络来做有用的事情是现实的。而且，是的，在 Wolfram 语言中，我们现在有了一个相当复杂的符号框架，用于训练和使用神经网络——其中包含大量自动化（其自身使用神经网络）来处理所有事情。
“区块链”
“区块链”一词最初是在 2008 年比特币的发明中使用。但当然，区块链的思想有其先驱。在其最简单的形式中，区块链就像一个账本，其中连续的条目以依赖于所有先前条目的方式进行编码。
使这项工作成功的关键是哈希的概念。哈希一直是我最喜欢的实用计算思想之一（当我大约 13 岁，在 1973 年时，我甚至独立地提出了它）。哈希的作用是获取一些数据，例如文本字符串，并从中生成一个数字（例如在 1 到 100 万之间）。它通过使用一些复杂的函数“研磨数据”来实现这一点，该函数对于相同的输入始终给出相同的结果，但对于不同的输入几乎总是给出不同的结果。Wolfram 语言中有一个名为 Hash 的函数，例如，将其应用于上一段文本会得到 8643827914633641131。
好的，但这与区块链有什么关系呢？嗯，早在 20 世纪 80 年代，人们就发明了“密码哈希”（实际上，它们与我在计算不可约性方面所做的事情密切相关）。密码哈希具有以下特点：虽然很容易计算出特定数据的哈希值，但很难找到一个会生成给定哈希值的数据。
假设您想证明您在特定时间创建了特定文档。嗯，您可以计算该文档的哈希值，并将其发布在报纸上（我相信贝尔实验室实际上在 20 世纪 80 年代每周都会这样做）。然后，如果有人说“不，您在某个日期之前还没有该文档”，您可以直接说“但是看，它的哈希值已经出现在每份报纸上了！”。
区块链的思想是，人们拥有一系列区块，每个区块都包含某些内容以及哈希值。然后，重点是计算该哈希值的数据是区块内容和前一个区块的哈希值的组合。因此，这意味着区块链中的每个区块实际上都确认了之前的所有内容。
在像比特币这样的加密货币中，主要思想是能够验证交易，例如，能够仅通过查看区块链来保证没有人花费同一比特币两次。
人们如何知道区块是否被正确添加，所有哈希值是否都被计算出来等等？嗯，关键在于，世界各地有一个由数千台计算机组成的去中心化网络存储区块链，并且有很多人（嗯，实际上现在在实践中没有那么多）竞争成为添加每个新区块的人（并在其中包含人们提交的他们想要的交易）。
规则是（或多或少）第一个添加区块的人可以保留其中交易提供的费用。但是每个区块都由很多人“确认”，包括将此区块包含在他们的区块链副本中，然后在其中继续向区块链添加区块。
在最新版本的 Wolfram 语言中，BlockchainBlockData[-1, BlockchainBase->"Bitcoin"] 给出了我们看到的已添加到比特币区块链的最新区块的符号表示。当可能再添加 5 个区块时，我们可以非常肯定每个人都对该区块是正确的感到满意。（是的，这里与量子力学中的测量有一个类比，我很快就会谈到。）
传统上，当人们保存账本（例如交易账本）时，他们会有一个中心位置来维护主账本。但是，使用区块链，整个过程可以分布式的，因此您不必信任任何单个实体来保持账本的正确性。
这导致了比特币等加密货币可以在没有中央控制、政府或银行参与的情况下蓬勃发展的想法。在过去的几年中，人们通过投机加密货币赚取大量资金而产生了许多兴奋。
但货币不是人们可以使用区块链的唯一事物，以太坊率先提出了以下想法：除了交易之外，人们还可以在每个节点运行任意计算。目前，对于以太坊，每次计算的结果都会在网络中的每台计算机上运行以进行确认，这非常低效。但更大的重点只是计算可以在网络上自主运行。并且计算可以相互交互，定义“智能合约”，这些合约自主运行，并说明在不同情况下应该发生什么。
几乎任何重要的智能合约最终都需要了解世界上的一些事物（“今天下雨了吗？”、“包裹到了吗？”等等），而这必须来自区块链之外——来自“预言机”。碰巧的是（是的，这是几十年工作的结果），我们的Wolfram 知识库（为 Wolfram|Alpha 等提供支持）为当今构建此类预言机提供了唯一现实的基础。
“人工智能”
早在 20 世纪 50 年代，人们就认为，人类智能可以做的几乎任何事情，很快就有可能使人工智能（机器智能）做得更好。当然，事实证明这比人们预期的要困难得多。实际上，“创造人工智能”的整个概念几乎声名狼藉，几乎没有人愿意将他们的系统作为“做人工智能”来推销。
但大约五年前——特别是随着神经网络的意外成功——所有这一切都改变了，人工智能又回来了，而且比以往任何时候都更酷。
然而，人工智能应该是什么？嗯，从全局来看，我将其视为自动化人类以前必须自己做的事情的长期趋势的延续——特别是通过计算来实现自动化。但是，是什么使计算成为人工智能的示例，而不仅仅是，嗯，计算？
我围绕我称之为计算等价原理的东西构建了一个完整的科学和哲学结构，该原理基本上说，可能的计算宇宙——即使是由简单系统完成的——也充满了尽可能复杂的计算，当然也像我们的大脑可以做的那样。
然而，在工程和构建程序中，存在一种巨大的趋势，即试图阻止任何过于复杂的事情发生——并设置事物，以便我们构建的系统恰好遵循我们可以预见的步骤。但是计算远不止于此，事实上，我一生中的大部分时间都在构建利用这一点的系统。
Wolfram|Alpha 就是一个很好的例子。它的目标是获取尽可能多的关于世界的知识，并使其可计算，然后能够尽可能专业地回答关于世界的问题。从经验上看，它“感觉像人工智能”，因为您可以像人类一样用自然语言向它提问，然后它计算出的答案通常具有出乎意料的复杂性。
Wolfram|Alpha 内部的大部分内容的工作方式与大脑可能的工作方式完全不同，这至少是因为它利用了我们文明在过去几百年中开发的形式主义，这使我们能够比大脑自然而然地更系统。
现代神经网络所做的一些事情（例如，我们 Wolfram 语言中的机器学习系统所做的事情）可能更像大脑的工作方式。但在实践中，真正使事物“看起来像人工智能”的原因仅仅是它们基于我们无法轻易理解其行为的复杂计算而运行。
现在，我看到的观点是，在计算宇宙中，存在着惊人的计算能力。问题只是要能够利用它来实现有益的人类目的。是的，“人工智能”可以自行进行各种与我们大脑一样复杂的计算。但问题是：我们能否将它所做的事情与我们关心的事情对齐？
而且，是的，我一生中的大部分时间都在构建 Wolfram 语言，其目的是提供一种计算通信语言，人类可以用适合计算的形式表达他们想要的东西。计算宇宙中存在大量“人工智能力量”；我们的挑战是以对我们有用的方式利用它。
哦，我们希望有一些计算智能合约来定义我们希望人工智能如何表现（例如，“对人类友好”）。而且，是的，我认为 Wolfram 语言将是表达这些事物并构建我们想要的“人工智能宪法”的正确方法。
共同主题
一开始，似乎“量子”、“神经”、“区块链”和“人工智能”都是非常不同的概念，没有太多共同点。但实际上，事实证明它们有一些惊人的共同主题。
最强烈的共同主题之一与复杂性生成有关。事实上，在它们不同的方式中，我们正在谈论的所有事物都依赖于复杂性生成。
我所说的复杂性生成是什么意思？有一天我将不必解释这一点。但现在我可能仍然需要这样做。而且不知何故，我发现自己总是展示同一张图片——我一直以来最喜欢的科学发现，规则 30 元胞自动机。这是它
鸣谢：WolframAlpha
这里的重点是，即使规则（或程序）非常简单，系统的行为也会自发地生成复杂性和明显的随机性。而且发生的事情足够复杂，以至于它显示了我称之为“计算不可约性”的东西，因此您无法减少查看其行为所需的计算工作：您基本上只需要遵循每个步骤即可找出将要发生的事情。
存在各种各样的重要现象，这些现象围绕着复杂性生成和计算不可约性展开。最明显的就是很容易获得复杂的计算——这在某种意义上使人工智能成为可能。
但是，好的，这与区块链有什么关系呢？嗯，复杂性生成是使密码哈希成为可能的原因。正是它允许简单的算法产生足够的明显随机性，从而成功地用作密码哈希。
在像比特币这样的东西的情况下，还有另一个联系：协议需要人们进行一些投资才能向区块链添加区块，而实现这一目标的方式（奇怪的是）是通过迫使他们进行不可约计算，这些计算实际上会花费计算机时间。
神经网络呢？嗯，最简单的神经网络根本不涉及太多复杂性。如果人们绘制出它们对于不同输入的“吸引盆地”，它们将只是简单的多边形。但在有用的神经网络中，吸引盆地要复杂得多。
当人们接触到循环神经网络时，这一点最明显，但它发生在任何神经网络的训练过程中：存在一个计算过程，该过程有效地生成复杂性，以此来近似世界中做出的区分（“大象”与“茶杯”）之类的事情。
好吧，那么量子力学呢？嗯，量子力学在某种程度上充满了随机性。传统量子力学数学形式主义的基本公理是，人们只能计算概率，并且无法“看到随机性之下的东西”。
我个人认为，这很可能只是一个近似值，如果人们可以“深入了解”空间和时间之类的东西，我们将看到随机性实际上是如何产生的。
但即使在标准的量子力学形式主义中，也存在一个互补的位置，在这个位置上，随机性和复杂性生成很重要，它是在有点神秘的测量过程中。
让我们从讨论物理学中的另一种现象开始：热力学第二定律，或熵增定律。该定律指出，如果您从例如一堆气体分子在一个非常有序的配置（例如全部在一个盒子的角落里）开始，那么它们很可能会很快随机化（例如，随机散布在整个盒子中）。而且，是的，这种趋向随机性的趋势是我们一直看到的。
但奇怪的部分是：如果我们查看例如单个气体分子的运动定律，它们是完全可逆的——因此，正如它们所说分子可以使自身随机化一样，它们也说它们应该能够使自身去随机化。
但为什么我们从没见过这种情况发生？这一直有点神秘，但我认为有一个明确的答案，它与复杂性生成和计算不可约性有关。关键是，当气体分子使自身随机化时，它们实际上是在加密给定的初始条件。
将气体分子放置成它们会去随机化而不是随机化并非不可能；只是为了有效地解决如何做到这一点，需要破解加密——或者本质上做一些非常类似于比特币挖矿中所涉及的事情。
好的，那么这与量子力学有什么关系呢？嗯，量子力学本身从根本上是基于概率幅和可能发生的各种事物之间的干涉。但我们对世界的体验是，确定的事情会发生。从量子力学到这一点的桥梁涉及量子测量的相当“外加”的思想。
这个概念是，一些小的量子效应（“电子最终具有自旋向上，而不是向下”）需要被放大到人们真正可以确定发生了什么事的程度。换句话说，人们的测量设备必须确保与一个电子相关的微小量子效应级联，从而使其扩散到许多许多电子和其他事物上。
这是棘手的部分：如果人们希望避免可能的干涉（以便我们可以真正感知到“确定的”事情已经发生），那么人们需要有足够的随机性，以至于事物不能以某种方式同样地向后移动——就像在热力学中一样。
因此，即使人们想象的用于实用量子计算机的纯量子电路通常具有足够简单的数学结构，以至于它们（大概）本质上不会生成复杂性，但测量它们所做的事情的过程不可避免地必须生成复杂性。（而且，是的，这是一个合理的问题，即这是否在某种意义上是人们看到的随机性“真正”来自的地方……但那是另一个故事。）
可逆性、不可逆性等等
可逆性和不可逆性是一个非常常见的共同主题，至少在“量子”、“神经”和“区块链”之间是这样。如果忽略测量，量子力学的一个基本特征是它是可逆的。这意味着，如果人们取一个量子系统，并让它随时间演化，那么无论输出什么，人们总是至少在原则上能够将其倒转运行，以精确地重现人们开始时的状态。
典型的计算不是那样的可逆的。考虑一个OR 门，它可能是计算机中的基本组件。在 p OR q 中，如果 p 或 q 为真，则结果为真。 但仅知道结果为“真”，您就无法弄清楚 p 和 q 中的哪一个（或两者）为真。换句话说，OR 运算是不可逆的：它没有保留足够的信息供您反转它。
在量子电路中，人们使用门，例如，它们接受两个输入（例如 p 和 q），并给出两个输出（例如 p' 和 q'）。并且从这两个输出中，人们总是可以唯一地重现两个输入。
好的，但现在让我们谈谈神经网络。通常构思的神经网络从根本上是不可逆的。原因如下。想象一下（再次）您制作一个神经网络来区分大象和茶杯。为了使它起作用，大量不同的可能输入图像都必须映射到例如“大象”。这就像 OR 门，但更像是。仅知道结果是“大象”，就没有唯一的方法来反转计算。而这正是重点：人们希望任何足够像人们展示的大象图片的图像仍然输出为“大象”；换句话说，不可逆性至少对于这种类型的神经网络的整个操作至关重要。
那么，好的，那么人们怎么可能制造量子神经网络呢？也许根本不可能。但如果是这样，那么大脑是怎么回事？因为大脑的工作方式似乎非常像神经网络。然而，大脑是物理系统，据推测它们遵循量子力学。那么大脑是如何可能的呢？
在某种程度上，答案与大脑散热有关。嗯，热量是什么？从微观上看，热量是分子等物质的随机运动。陈述热力学第二定律（或熵增定律）的一种方式是，在正常情况下，这些随机运动永远不会自发地组织成任何类型的系统运动。原则上，所有这些分子都可以开始以恰好转动飞轮的方式移动。但在实践中，什么都不会发生。热量只是保持为热量，而不会自发地转化为宏观机械运动。
好的，但假设涉及例如分子碰撞的微观过程是精确可逆的——事实上，根据量子力学，它们是可逆的。那么关键是，当涉及大量分子时，它们的运动会变得非常“加密”，以至于它们看起来是随机的。如果人们可以查看所有细节，仍然会有足够的信息来反转一切。但在实践中，人们无法做到这一点，因此系统内发生的任何事情似乎都“变成了热量”。
那么，产生“神经网络行为”呢？嗯，关键是，当系统的一部分例如系统地“决定说是大象”时，返回到初始状态所需的详细信息正在被随机化，并转化为热量。
公平地说，但这掩盖了很多内容。实际上，我认为没有人知道人们实际上如何设置以这种方式表现的量子系统（例如量子电路）。这样做会非常有趣，因为它可能会告诉我们很多关于量子测量过程的信息。
为了解释人们如何从量子力学（其中一切都只是一个幅度）转变为我们对世界的体验（其中确定的事情似乎会发生），人们有时最终会试图诉诸意识的神秘特征。但关于量子神经网络的关键是，它是量子力学的，但它“得出了明确的结论”（例如，大象与茶杯）。
是否有这种事物的好玩具模型？我怀疑人们可以从显示相变行为的元胞自动机的量子版本中创建一个——实际上与真实量子磁性材料的详细力学非常相似。必要的将是系统具有足够的组件（例如自旋），以至于补偿其明显不可逆行为所需的“热量”将远离观察到不可逆行为的部分。
让我做一个可能有点令人困惑的旁注。当人们谈论“量子计算机”时，他们通常谈论的是在量子位（二进制位的量子模拟）上运行的量子电路。但有时他们实际上指的是不同的东西：他们指的是量子退火设备。
想象一下你有一堆多米诺骨牌，并且你试图在平面上排列它们，以便与它们上面的标记相关的某种匹配条件始终得到满足。事实证明，这可能是一个非常困难的问题。它与计算不可约性有关（或许还与整数分解之类的问题有关）。但最终，为了找出，比如说，在各处都能最好地满足匹配条件的配置，人们可能实际上不得不尝试所有可能的配置，看看哪个效果最好。
好吧，假设多米诺骨牌实际上是分子，并且匹配条件对应于排列分子以最小化能量。那么，找到最佳整体配置的问题就类似于找到分子的最小能量配置的问题，这在物理上应该对应于可以由分子形成的最稳定的固体结构。
而且，好吧，计算这个可能很困难。但是实际的物理系统呢？当人们冷却它时，其中的分子实际上会做什么？如果分子很容易达到最低能量配置，它们就会这样做，并且人们会得到一个漂亮的晶体固体。
人们有时会假设“物理学会总是解决问题”，即使问题在计算上很困难，分子也总是会找到最优解。但我认为这实际上并非如此——而且我认为实际上会发生的是，材料会变得糊状，不太像液体也不太像固体，至少在很长一段时间内是这样。
尽管如此，仍然存在这样一种想法，即如果人们从量子力学的角度来设定这个能量最小化问题，那么物理系统将成功地找到最低能量状态。而且，是的，在量子力学中，可能更难陷入局部最小值，因为存在隧道效应等等。
但这里令人困惑的部分是：当人们训练神经网络时，最终不得不有效地解决像我描述的那样的最小化问题（“哪些权重值使网络将其输出相对于人们想要的结果的误差最小化？”）。因此，人们最终有时会谈论“量子神经网络”，意思是类似于多米诺骨牌阵列的结构，其设置是为了具有在数学上等同于神经网络的能量最小化问题。
（另一个联系是，卷积神经网络——例如用于图像识别的那种——其结构非常像元胞自动机，或者像动态自旋系统。但在训练神经网络来处理图像中的多尺度特征时，人们似乎最终会得到类似于在自旋系统或其量子对应物的临界点看到的那种尺度不变性，正如重整化群方法所分析的那样。）
好吧，让我们回到我们整个流行语串。区块链呢？嗯，关于区块链的一个重点是在某种意义上要尽可能不可逆。一旦某些东西被添加到区块链中，人们就希望它是不可想象的，它应该永远不会被撤销。
这是如何实现的？嗯，这与热力学或量子测量中的工作方式出奇地相似。想象一下有人向他们的区块链副本添加了一个区块。嗯，那么这个想法是，世界各地的许多其他人都会在他们自己的区块链节点上制作该区块的副本，然后从那里继续独立地添加更多区块。
如果许多维护区块链节点的人决定串通不添加区块，或修改区块等等，那将会发生糟糕的事情。但这有点像气体分子（或量子测量中的自由度）。当一切都分散在足够多的不同组件中时，极不可能所有这些组件会再次集中在一起以产生某种系统性影响。
当然，人可能不太像气体分子（尽管，坦率地说，他们观察到的总体行为，例如在人群中推搡，通常非常相似）。但世界上各种各样的事情似乎都依赖于随机性的假设。实际上，这可能对于维持市场中交易发生时的稳定性和鲁棒性是必要的。
好吧，所以当区块链试图确保存在“确定的历史”时，它所做的事情与量子测量必须做的事情非常相似。但为了更进一步地闭环，让我们问一下量子区块链会是什么样子。
是的，人们可以想象使用量子计算来以某种方式打破标准区块链中的密码学。但在我看来，更令人感兴趣（也更现实）的可能性是使区块链的实际操作本身成为量子力学的。
在典型的区块链中，区块如何添加，以及谁来添加，在某种程度上是任意的。在“工作量证明”方案（如比特币和当前以太坊中使用的）中，为了找出如何添加新区块，人们会搜索“nonce”——一个要投入的数字，以使哈希以某种方式输出。总是有许多可能的nonce（尽管每个nonce都很难找到），典型的策略是随机搜索它们，依次测试每个候选nonce。
但是人们可以想象一个量子版本，其中人们实际上是在并行搜索所有可能的nonce，并因此产生许多可能的区块链，每个区块链都具有一定的量子幅度。为了完善这个概念，想象一下——例如在以太坊的情况下——在区块链上完成的所有计算都是可逆量子计算（例如，使用量子版本的以太坊虚拟机来实现）。
但是人们会用这样的区块链做什么呢？是的，这将是一个有趣的量子系统，具有各种各样的动力学。但是为了真正将其与世界连接起来，人们必须将数据输入和输出区块链——或者，换句话说，人们必须进行测量。而测量的行为实际上会迫使区块链选择一个确定的历史。
好吧，那么“神经区块链”呢？至少在今天，到目前为止，使用神经网络最常见的策略是首先训练它们，然后让它们工作。（人们可以通过仅向它们提供一组固定的示例来“被动地”训练它们，或者人们可以通过让它们实际上“询问”它们想要的示例来“主动地”训练它们。）但是，通过与人类的类比，神经网络也可以具有“终身学习”，在其中它们会根据它们正在经历的“经验”不断更新。
那么神经网络如何记录这些经验呢？嗯，通过改变各种内部权重。在某些方面，发生的事情就像区块链发生的事情一样。
科幻小说有时会谈论大脑到大脑的直接记忆转移。在神经网络的背景下，这可能意味着只是从一个神经网络中取出一大块权重并将其放入另一个神经网络中。而且，是的，将一个网络中的特定层转移到另一个网络中（例如，转移关于图像中哪些特征值得挑选出来的信息）可以很好地工作。但是，如果你试图在网络深处插入“记忆”，那情况就不同了。因为记忆在网络中的表示方式将取决于网络的整个历史。
这就像在区块链中：你不能只是替换一个区块并期望其他一切都能正常工作。整个事物已被编织到随着时间推移发生的事情的序列中。神经网络中的记忆也是如此：一旦记忆以某种方式形成，随后的记忆将建立在这个记忆之上。
汇集在一起
一开始，人们可能会认为“量子”、“神经”和“区块链”（更不用说“AI”）没有太多共同之处（除了它们是当前的流行语）——而且实际上它们在某种意义上可能是不相容的。但我们已经看到，实际上它们之间存在各种各样的联系，并且基于它们的系统之间共享各种各样的基本现象。
那么“量子神经区块链AI”（“QNBAI”）会是什么样子呢？
让我们再次看看这些组成部分。单个区块链节点有点像单个大脑，具有确定的记忆。但在某种意义上，整个区块链网络通过不同区块链节点之间的所有交互而变得健壮。这有点像人类社会和人类知识的发展方式。
假设我们有一个“原始AI”，它可以进行各种各样的计算。嗯，最大的问题是我们是否可以找到一种方法来使它可以做的事情与我们人类认为我们想做的事情保持一致。为了实现这种一致性，我们基本上必须在抽象层面上与AI进行交流，这种抽象层面超越了其工作方式的细节：实际上，我们必须拥有某种我们都理解的符号语言，例如，AI 可以将其转换为其操作方式的细节。
在 AI 内部，它最终可能会使用各种“概念”（例如，区分一类图像与另一类图像）。但问题是，这些概念是否是我们在某种意义上“文化上理解”的概念。换句话说，这些概念（以及，例如，它们的词语）是否是关于它们有一个广泛理解的故事的概念？
在某种意义上，我们人类发现有用的用于交流的概念是那些已用于不同人类之间各种互动中的概念。这些概念通过被“编织到”许多相互作用的大脑的思维模式中而变得稳健，这有点像放置在区块链上的数据通过区块链节点之间的交互而成为“集体区块链记忆”的稳健部分。
好吧，这里有些奇怪。起初，似乎 QNBAI 必须是完全奇异和不熟悉的（也许是不可能的）。但不知何故，当我们回顾它们的特征时，它们开始看起来非常熟悉——而且实际上非常像我们自己。
是的，根据物理学，我们知道我们是“量子”的。神经网络捕捉了我们大脑似乎如何工作的许多核心特征。区块链——至少作为一个通用概念——在某种程度上与个人和社会记忆有关。而 AI，嗯，AI 实际上试图捕捉在计算宇宙中与人类目标和智能对齐的东西——这也是我们正在做的事情。
好吧，那么我们所知道的最接近 QNBAI 的东西是什么？嗯，可能就是我们所有人！
也许这听起来很疯狂。我的意思是，为什么 2018 年的一串流行语会这样联系起来呢？嗯，在某种程度上，也许有一个显而易见的答案：我们倾向于创造和研究与我们相关的事物，并在某种程度上围绕着我们。而且，更重要的是，今天的流行语是我们现在可以使用我们当前开发的概念来思考的范围内的东西——并且通过这些概念以某种方式联系在一起。
我必须说，当我选择这些流行语时，我不知道它们会以任何方式联系起来。但是，当我尝试在写作过程中理清思路时，我发现的联系是多么的显着。而且，是的，在一个恰如其分的奇异旅程的奇异结尾中，今天的流行语宇宙中摘取的一串流行语似乎确实非常接近家。也许最终——至少在某种意义上——我们就是我们的流行语！