【译】我们什么时候才能拥有超有机体？

构建超有机体

Hyperganic。

有机世界，也就是大自然，通过添加微小粒子、生长物体，以累加和算法的方式构建物体。如果我们人类有意识地、有目的地做到这一点呢？我们能否超越自然，制造出超有机、超有机的机器？

要构建出复杂程度接近有机物体的物体，需要哪些条件？

现有的计算机辅助绘图 (CAD) 系统和几何内核都不是为了这个而设计的。它们是为简单的、人工绘制的物体而设计的，用于辅助绘制蓝图。 这些系统是纸笔的后裔。CAD 是一种视觉化的、人工驱动的过程，由于工程师必须投入大量精力来绘制所有细节，因此最终生成的物体复杂度受到限制。

在算法驱动设计的时代，CAD 显得力不从心。因此，我和 Michael 着手开发了一个面向计算工程的几何内核，专注于增材制造。这个内核使我们能够设计 3D 打印机可以输出的任何物体，并能精确定位构成零件、结构乃至整台机器的每一个粒子。它采用体素（三维像素）的概念来表示几何形状。物体的复杂性和精细程度不再受限于所使用的几何表示方法。

如果你曾经好奇约瑟芬是如何创造出你从未见过的事物的，那是因为她实际上是通过算法将物质绘制到空间中，而不必担心几何形状对于 CAD 系统底层的数学模型来说是否过于复杂。

计算工程的出现

我们展示的第一个主要公开项目是标志性的 Hyperorganic 火箭发动机 ，您在很多出版物中都见过它。它也是我 2018 年 TEDx 演讲的核心内容，那次演讲介绍了算法驱动的计算工程的概念。

快进到 2023 年，你可以看到计算工程迄今为止最壮观的成果——Josefine 的 Aerospike， 它被誉为 3D 打印领域的一个历史性里程碑 。

那么，计算工程是如何运作的？它与传统工程方法有何不同？

在计算工程中，你需要设计现实世界对象的算法模型。你不会像在计算机工程中那样，直接将脑海中已有的设备形象绘制出来。相反，你需要从概念层面入手，将功能分解成逻辑模块、信息流和数据接口。

面向对象编程语言非常适合这种工作方式。传统工程师的工作方式纯粹是图形化的，基于对事物应有外观的视觉认知。相比之下，计算机工程师则从功能对象的逻辑构成以及所需制造工艺的能力和局限性入手。

只有这样，工程师才能提出实际设计方案，并修改代码块以获得所需的几何形状。通过代入物理公式并构建基于仿真或实际测试的反馈回路，算法可以探索大量的变体。即使是简单的代码也能产生复杂的结果，例如增加换热器的表面积。

最终的成品是看起来像外星生物，像是来自另一个世界，是有机的，但又带有人类的意图，换句话说，就是超有机体。

所以，现在是2023年。利用计算方法和正确的几何表示（体素），你可以设计出世界上最复杂的机器。

摩尔定律下的工程

现在，您可以按照摩尔定律推进工程设计。在这种模式下，您的解决方案将始终使用最佳的计算模型。重新设计只需几秒或几分钟，而关于如何创建物理对象的知识可以以抽象算法的形式传播。它不再局限于少数工程师的头脑中。

任何一家持续应用计算工程的公司，都将远远超越那些仍然试图手工绘制图形的公司。

人类不可能胜过计算机。就像使用机械计算器的人永远无法战胜使用 Excel 的人一样。更重要的是，运用计算方法的工程师能够设计出他们以前想都不敢想的东西。

我们将借鉴和改进之前的解决方案，而不是总是重新发明轮子。

这种“站在巨人肩膀上”的理念正是摩尔定律得以奏效的原因。在过去几十年计算机革命中，我们都见证了这一点。但这种趋势或许由来已久。

工程与生成式人工智能

那么，我们接下来该何去何从？虽然计算机执行的算法显然会超越人类，但编写所有代码仍然需要耗费大量精力。最近，生成式人工智能及其深度学习模型引起了广泛关注，许多人开始预测，工程师这一职业可能很快就会终结，因为我们只需告诉人工智能设计一台喷气式发动机，它就会神奇地生成一份蓝图。

可惜，事情并没有那么简单。

如今的神经网络基于海量数据集进行训练，因此能够生成令人信服的新输出。其中一些结果确实令人惊叹。ChatGPT 或许能出色地重写这段文字（我何必费这个劲呢！），而像 Midjourney 这样的工具生成的许多结果也令人叹为观止。

但“旅程中”项目提供的图像仅仅是图像而已。它们并非三维物体，更谈不上是机器。而且，目前也根本没有足够大的数据集供人工智能工程师进行训练。我们拥有大量的图片和文本，但除此之外，其他数据就非常有限了。

如果你已经拥有足够的照片，难道照片还不够吗？

即使一百万未经训练的狩猎采集者观看十亿张机器图片，他们也无法理解其中蕴含的基本工程原理。他们或许能画出一些类似的草图。但设计一架飞机和绘制一架飞机的图画是截然不同的两件事。

举例来说，Midjourney 查看了数十亿张图片，但它生成的东西却毫无逻辑可言。

我请 Midjourney 给我一块 20 世纪 80 年代的电子表（这玩意儿曾经很酷……）。

乍一看，这些物体确实令人信服。

看起来很棒，从这里到功能完善的工程设计能有多难呢？实际上，相当难。

仅需仔细观察这些图像，即可发现开发者完全不理解所展示功能的意图。例如，数字显示屏就完全不知所云。尽管市面上所有电子表都采用相同的显示方式（4 或 6 位数字，两两一组分别显示小时、分钟和秒，7 个可独立寻址的段码分别显示 0 到 9 的数字），但 Midjourney 却彻底失败，因为它根本不理解该设备如何显示时间。请不要误会我的意思——随着时间的推移，生成式人工智能将能够创建出逼真且无瑕疵的图像，甚至可以通过摄影测量等工具创建 3D 模型。

但建造一个真正有效的机制则完全是另一回事。

这并非一个小问题。它关系到我们试图解决的挑战：通过生成式人工智能创造功能完善的机器。

构建用于工程的生成式人工智能

在创建用于工程的生成式人工智能之前，我们首先需要找到一个数据集供神经网络进行训练。

它根本不存在。

神经网络应该用什么进行训练？

实际的蓝图？它们描绘了物体应该如何制造——但并未说明它的功能。专利申请文件？即使是拥有丰富专业知识的工程师，也很难理解它们。但如果与其他数据结合使用，它们或许会成为有趣的信息来源。

机器的 3D 模型？这类模型并不多见，而且即便有，它们也无法让我们深入了解机器的设计初衷和工作原理。哪些部件会动，哪些不会动？哪些力作用在哪些部位？这方面没有统一的标准。

目前唯一真正体现逻辑——信息流、意图、几何结构以及无限变化——的领域是计算工程。我们拥有描述输入、输出以及事物在不同情况下呈现不同外观原因的代码。所有这些都以描述计算模型的源代码的形式存在。

像 ChatGPT 这样的语言模型已经能够编写计算机代码。目前，其中一些代码的功能非常有限，甚至有些滑稽，但这只是时间问题，只要这些语言模型在足够多的 GitHub 代码库上进行训练，它们就能真正胜任这项工作。

如果我们专门针对工程代码训练一个类似 ChatGPT 的语言模型，并将其迁移到工程对话模型，会怎么样？

这并不能让我们摆脱将工程知识抽象化编码的需要，即针对不同的工程领域编写一次、两次甚至多次代码。但我们或许可以过渡到这样一种系统：工程师解释问题，人工智能便开始编写实现解决方案的代码。起初，这种方式类似于许多其他领域（例如文本编辑）中的“副驾驶”工作方式。有趣的是，如果人工智能编写代码，人类也可以阅读和理解这些代码，并进行纠正、改进和讨论。这与许多生成模型截然不同，在生成模型中，我们只能得到一个输出结果，却无法了解机器得出该结果的原因。

接下来去哪儿？

显然，探索如何利用人工智能编写复杂工程解决方案的代码，是我非常感兴趣的领域。我将继续沿着这条道路前进，努力一步步接近我最初对工程未来的愿景：

制造像大自然一样复杂的机器。