📝📝：為何 AI 能解微積分卻學不會綁鞋帶？從演化視角預判人類工作的自動化未來

本文參考自 Epoch AI 的文章《Moravec's paradox and its implications》作者為 Ege Erdil。

自從 20 世紀人工智慧領域誕生以來，研究人員就觀察到一個令人費解且違反直覺的現象：

對人類而言困難的任務，對 AI 來說往往很容易；反之，人類覺得輕而易舉的事，對 AI 卻難如登天。

舉個最直觀的例子，人類很難在腦中快速心算十位數的乘法，但要在一張照片中精準地圈出每一隻貓，對我們來說卻是反射動作般的簡單。然而，AI 的發展歷程卻恰恰相反：

早在 1950 年代，電腦就能輕鬆完成複雜運算，但直到 2010 年代，影像分割演算法才勉強達到人類在「辨識貓咪」這類感知任務上的水準。

這種「形式推理簡單，感知運動困難」的現象，被稱為莫拉維克悖論（Moravec’s paradox）。

Epoch AI 的 Ege Erdil 結合大腦運作原理與演化心理學，並試圖構建一個理性的預測模型：在這個 AI 飛速發展的時代，究竟哪些類型的工作會率先被自動化？又有哪些技能是人類最後的堡壘？

「簡單」的事其實很難？

卡內基梅隆大學移動機器人實驗室主任莫拉維克（Hans Moravec）本人對此悖論提出了一個基於演化的解釋：

存在時間越長的認知技能，AI 越難複製。

原因在於「演化優化壓力」。

人類的感知能力（如視覺、聽覺）和運動技能（如行走、抓握）是經過數億年演化精雕細琢的結果。在這漫長的歲月裡，天擇對這些技能施加了巨大的優化壓力：看不清楚捕食者或跑不快，基因就無法傳遞。因此，這些古老的技能在我們的大腦中已經被優化到了極致，變成了高效、無意識的本能。

相對地，抽象邏輯推理、數學計算、下棋等技能，在演化歷史上出現的時間極短（僅數千年甚至更短）。演化還來不及對這些技能進行深度優化。因此，我們在做這些事時會感到吃力，需要有意識地思考。

這個解釋雖然抓住了重點，但仍不夠全面。例如，「基礎溝通」是一項非常古老的技能，但在純粹的資訊傳輸頻寬上，電腦之間的溝通效率遠超人類。因此，我們需要更進一步，從大腦的運作機制與資訊瓶頸來剖析這個問題。

天然智慧 vs. 人工智慧

要預測 AI 的極限，我們首先得理解人類大腦這個「生物神經網路」是如何運作的。

大腦的硬體規格

從抽象層面看，大腦是一個擁有約 1000 億個神經元和 100 兆個突觸的神經網路。

算力估算：如果我們假設每個突觸的運作複雜度類似於一次「乘積累加運算」，（fused multiply-add）且每個突觸平均每秒觸發 1 到 100 次，那麼大腦的運算能力大約相當於 1e14 到 1e16 FLOPs（每秒浮點運算次數）。這在原始算力上，大約相當於一張現代的 H100 GPU。

參數規模：若將大腦視為一個擁有 100 兆參數的模型，即便以 8-bit 精度儲存，其資訊量也高達 100 TB。在模型容量（參數儲存的資訊量）上，頂尖 AI 目前約為 2 ~ 4 TB，也就是說，人腦的資訊密度大約還是目前最強 AI 的 25 到 50 倍。
​

基因組的資訊瓶頸

這裡出現了一個關鍵的矛盾：人類基因組只有約 30 億個鹼基對，總資訊量約 400 MB（甚至壓縮後僅需 4 MB）。 這意味著，基因組根本沒有足夠的空間來編碼大腦這 100 兆個參數的具體「權重」。

因此，我們必須修正對演化的理解：演化並不是在訓練大腦神經網路的權重，而是在優化「大腦的架構」和「學習演算法」。 基因提供的是一張藍圖和學習機制，而大腦的具體連結（權重），是透過後天的「終身學習」來獲得的。
​

為何 AI 還沒全面超越人類？

當我們比較最前沿的 AI 模型與人腦時，會發現：

算力與數據：現代頂級 AI 在訓練和推理階段使用的算力，以及看過的數據量，都已經超過了人類大腦。

演算法差距：如果大腦的演算法效率僅僅與現有 AI 持平，憑藉著硬體優勢，我們現在應該已經擁有超人類的 AI 了。但事實並非如此。這暗示了人腦在某些演算法上仍具有關鍵優勢（例如稀疏性運算、極高效率的樣本學習能力）。​

解讀悖論的新視角

既然大腦在某些「古老技能」上有著演算法優勢，我們該如何具體判斷哪些工作即將被 AI 取代？這裡提出一個基於莫拉維克悖論的推論指標：

人類表現的變異數（Variance）

莫拉維克悖論之所以違反直覺，是因為我們習慣用「頂尖高手與普通人的差距」來判斷任務的難度。

低變異數（古老技能）

像是「行走」或「視覺辨識」。演化對此施加了極高的壓力，做不好就得死。因此，幾乎所有健康人類的表現都非常接近，且都處於極高水平。我們覺得簡單，是因為每個人都是這方面的專家，差異很小。

高變異數（新技能）

像是「高等數學」、「程式設計」或「企業管理」。這些技能演化時間短，沒有直接的生存壓力。因此，個體差異巨大。頂尖數學家的產出可能是普通人的十倍甚至百倍。我們覺得難，是因為看到了巨大的能力鴻溝。

Erdil 認為，人類表現變異數越大的領域（高變異數），意味著演化優化程度越低，這正是 AI 最容易切入並超越人類的領域。

人類最後的堡壘

根據此理論，最難被自動化的，反而是那些我們認為「藍領」或「技術性」的工作，特別是那些對感知和精細運動技能（Sensorimotor Skills）有極高要求的工作。

這並不僅僅是指「需要面對面」的工作。

• 易被自動化/輔助

藥師、教師。這些工作雖然需要人際互動，但其核心技能並不依賴複雜的物理操作，AI 可以提供強大的知識輔助。

• 難以被自動化

水電工、汽車維修員、外科醫生。這些工作需要極高的手眼協調、對物理環境的即時反應以及在非結構化環境中解決問題的能力。這些正是演化花費數億年賦予人類的「超能力」，目前的機器人技術離這個水準還非常遙遠。