模拟输出

AlphaGo在代表最高水平的智力游戏围棋与人类顶尖选手对决，但凡虚心一点的科学家都明白，这不过是个100万美金的超值广告。

而从媒体到普通民众，都担心某一天AI具备自我意识后，在高速进化中全面超越人类。

这根本是孤陋寡闻的恐慌。

哲学上有一个悬而未决的问题，意识和智能产生自大脑，但是意识和智能能够理解大脑本身吗?

索罗斯在他著名的通俗著作《金融炼金术》开篇提到了一个问题，所有能被人类主观意识影响的东西，都不具备“客观性”(这句话请读三遍想三遍)，因为“反身性”原理，所有有人类参与和影响的活动，从金融投机所属的经济学到预测社会发展的历史和人文类科学，都不具备真正的规律。某种程度上它们本质上都是伪科学。

这句论断让笔者印象尤其深刻。从量子力学主宰的微观世界被验证了无数次的“不确定性原理”，到索罗斯的“反身性”原理，背后揭示了一个深刻的规则：人不能跳出“人的视角”去验证人。

“不畏浮云遮望眼，只缘身在此山中”

人工智能大家都在追风谈deeplearning，也就是程序员设计算法，训练计算机群从海量数据中习得 “特征”，也是这次AlphaGo不同以往围棋软件的地方，它能够与顶尖高手的大量切磋练习中“自动学习”提高技术。但是AlphaGo习得的那点“人工智能”与人类所真正代表的强人工智能相比，还有两个巨大的门槛。

第一个问题，归根结底，人是不是一部自动反应的机器?

《生活大爆炸》里有一个男主角叫SheldonCooper，他很萌，但却是对情境感知能力较差，并伴随着严重强迫症。

社交困难、沟通困难、固执或狭窄兴趣。类似SheldonCooper的人，在幼年时，会经常遇到这样的尴尬：

–孩子没有交作业，老师很生气，便讽刺地说道：

–老师：“狗把你的作业吃掉了吗?”

–孩子：“老师的狗会吃掉纸?”

孩童是因为不能理解老师的提问而保持沉默，并会认为老师有养狗、而且狗会吃纸。但老师想要表达的其实是“你忘记交作业了”，而孩童本身没有办法了解这类的隐喻。

世界上真实存在着这样一群人。现代精神病学指出，这是一种温和的自闭症叫阿斯伯格综合症(Aspergersyndrome)，不同于一般自闭症， Aspergersyndrome保有社交的意愿却缺乏相关的能力，他们看起来像“机器人”，但大多心智正常。

Aspergersyndrome 从某种程度上反映了人类心智并不神圣，是有迹可循的。而认知心理学的发展，却越来越向人们揭示一个可能的结论，无论是自闭症患者、阿斯伯格综合症患者、还是普通人，实际上都是基本自动的机器。

神经科学家安东尼奥·R。达马西奥所著述《SelfComestoMind》(自我在大脑当中是怎么生成的)中认为，通常人们混淆了 emotion(直觉情绪)和feeling(感受)。“我觉得怎么样，我觉得受委屈了，我觉得被尊重了”，这种“我的feeling”是杜撰的、虚假的。

一个比较典型的例子，这也是原来心理学经常引用的故事，在加拿大做的实验。在一个石桥上和一个铁桥上招募一帮人去谈恋爱，随机抽取一对一对去谈。石桥因为很坚固，有风也不会晃。铁桥是铁索桥，是吊桥，有风就会晃。因为一晃就会紧张，紧张恐惧是一个 emotion，恐惧来的时候又带来什么呢，内部是肾上腺素分泌;外部的表现，比如瞳孔放大，面部会发红，鼻孔会扩张，有各种各样的表现。

但是很有意思是，紧张的外在表现和爱情出现的外在表现是一致的。理论上讲，环境不应该对你是不是对对方有好感能够产生影响，不管你是在石桥上跟人谈恋爱，还是在晃动的铁桥跟人谈恋爱，理论上讲，你爱上对方的几率是差不多的。但一个很有意思的现象是，在晃动的铁桥上爱上对方的几率大大超过在一个稳定的石桥上，因为刚才讲的 feeling部分，就是这个自我部分，它不知道emotion 出了什么事儿，它只是去读取。它读取的数据是，原来所有的征兆，所有的征兆符合谈恋爱的特征，我就一定爱上对方了，我既然爱上对方了，我就一定要真的去爱她，因为如果我觉得我是，而又没有真的去爱的时候，又会出现另一个，叫做认知失调。这样的话，他就以为自己是这样的，就那样去做了。这是真实研究的成果。

之前人们认为emotion就是 feeling，达马西奥研究发现不是，emotion不能改变，见到什么样的情况你就会产生怎样的反应，是下意识的，是不能控制的。而feeling是“我” 在作怪，受这个所谓的“我”来控制的，它首先读取emotion的数据，经过处理之后告诉“我”，我感受到了什么。

“处理”的过程十分关键，它能否被模拟，与实现真正的人工智能息息相关，这是人工智能已有部分答案(比如deeplearning )的第一个重大问题。而所谓的“我”，自我意识甚至自由意志都是幻觉，是假的，不存在。我们实际上是个基本自动的机器，99.9% 自动处理的机器，只不过这个机器有一个特别特殊的软件，就监控这个机器本身的“我”。

身体是遍布传感器(耳鼻口舌目身体，听觉嗅觉味觉触觉视觉)的硬件，又运行着一个产生“自我”的软件，从某种程度上来说，我们确实只是机器人。

但“自我意识”是如何产生的，目前还没有彻底搞清楚，也是人工智能最重要的、且尚无头绪的问题。

第二个问题，100%的正确诞生不了真正的智能

所见与真实有很大的狭隘和偏差。

普通人的视力系统就是一种用于获取和分析可见光的信息接收系统，倘若缺少一类，或是性能不足，就会发生：盲人无法感知光线、色盲缺乏分辨色彩的能力、健全人的眼睛看不见紫外线、红外线，分辨不出偏振光……但真正的，健全人看待世界的方式其实与盲人摸象别无二致。

一个已知的事实是地球面向太阳的区域每平方厘米每秒会穿过大约650亿个来自太阳的中微子，然而由于缺乏感知能力，不仅人类自身无法察觉。比如我们所谓的 “错觉”，错觉是在已获取信息的基础上，进行额外加工所获得的认知，有一个非常著名的例子就是卡尼萨三角形错觉;错误则是计划之外发生的随机突变。一些特殊的神经性疾病将使得我们感知到与常人完全不同的世界，例如拥有断续影像视觉(Cinematographic vision，一种罕见的精神异常现象)体验的人，大概会认同芝诺关于飞矢不动的论断所言非虚。

我们所谓的存在皆由我们的观察而得，而我们的观察方式存在先天性的漏洞。但奇妙的是，从感知、观察、形成概念、到逻辑推理均存在缺陷的人类，实现了真正的智能。

图灵开创了现代意义上的计算机科学，几乎同时代，美妙而强大的人工智能其实早在50、60 年代就开始研究了，但一直没有大的进展。之前的研究重点是精确的数理统计与创新算法，直到人们把眼光从线性系统放到非线性系统，从逻辑编排到混沌系统，从机器到人。才取得了一些有限的进展。比如模仿大脑神经元多层链路循环递进处理信息的方式，诞生了时下火热的深度学习。

计算机的发展，核心是逻辑门的堆叠带来的超高效率和超高准确性。100% 正确却诞生不了智能。非线性系统、混沌理论指导下，即使目前流行的分布式计算、并行计算，还没有真正有 “容错”的能力。模拟错误的信息输入，输出错误的模型，能在下一次模型实践中发现模型本身的错误或局限，在没有程序员没有旁人主动干扰指出中习得 “错误”，并从中学习进化。这需要部分抛弃冰冷的逻辑和理性，一场真正的哲学革命。

生命体是各种不同细胞的堆叠，涌现了意识、智能、情感、道德、乃至今天人类的一切，以至于反作用于现实世界本身。计算机实现强人工智能的一天，必然也具备意识、情感、道德等表面上与 “智能”无关的东西，那时候恐怕就不是一种机器和工具，变成活生生的生命体，而我们成为了造物主，成为了上帝。

宇宙的图像和大脑神经元的图像何其相似，真正人工智能的问世，笔者深信，那就是另一种创世。

作者：青山

随着互联网的发展，越来越多的业务不仅仅由单一节点（或是单一语言）就可承载，而是趋向多语言分布式协同开发（如接入层由Node.js完成，逻辑（数据）层由C++/GO/Python实现）并由此组成大型异构系统。

我们（现SuperTeam）基于 Tars 体系研发出 Tars.js 以便用户在不改变异构系统整体架构的情况下快速搭建（迁移）Node.js服务，并可非常方便的将原来的单一服务拆分为多个（逻辑）子服务。

Tars.js在腾讯内部经过5年多的沉淀与迭代（Node.js@0.10版本即提供支持），广泛运用于腾讯QQ浏览器、腾讯桌面浏览器、腾讯地图、应用宝、腾讯手机管家、互联网+、腾讯医疗、腾讯觅影、保险、彩票等几十个重要业务中，日承担了上百亿流量。

Tars.js包含下述特性：

l 100%由JavaScript编写，不包含任何C/C++代码。

l 多进程负载均衡与管理。

l 代码异常监控与重启。

l 服务日志搜集与处理。

l HTTP(s)服务监控与用量自动上报，并支持用户自定义维度上报（PP监控）。

l 符合 Tars(IDL)规范的编解码模块。

l 支持 TarsRPC调用与染色（模调自动上报）。

l 支持在线发送管理命令、拉取服务配置。

l 独创 LongStackTrace™异常跟踪机制。

l …… 更多特性可访问 @tars/node-agent 了解

设计理念：

»A．高自由度：

l 兼容所有（≥0.10）官方Node.js版本。

l 对 Node.js源码无侵入无修改。

l 底层对上层完全透明，支持各种上层框架，无需变更。

也就是说：

您可以使用任何您熟悉的框架（如 Express.js/Koa.js等，包括但不仅限于Web框架），也无需对框架进行任何修改（无需引入任何中间件）。即可通过Tars.js运行，享受平台提供的各种监控与管理特性。

与此同时，Tars.js所提供的模块，也可以根据您的需求引入（如未使用到则可不引入）。

»B．高性能：

Tars.js为高性能与大并发量而设计，使用了大量的前端（V8）优化技巧（如FlattenString/FastProperties等）尽量降低所提供的能力对于业务性能的影响。

经过我们测试（WebServer），默认的旁路上报与监控对服务性能的影响≤5%，常用模块（RPC、日志等）性能位于业界前列。

»C．差异化：

Tars.js根据不同的业务类型提供差异化运营方案：

l 高流量业务：尽力降低框架对业务性能的影响。

l 低流量业务：充分利用硬件资源提升开发体验。

HelloWorld

我们来看Node.js官网的 例子 (如下)，无需任何变更，直接通过Tars.js进行部署，它会拥有哪些特性？

✓ 进程管理

默认基于 cluster 模块进行负载均衡，进程数可以配置为1~max（CPU核心数）、还可配置为auto（物理核心数相同）以减小内存压力提升“性价比”。

与此同时，进程僵死检测也会同时启动，实时监控业务进程。

»案例说明

某服务在论坛UBB代码转HTML时，使用未优化的正则表达式进行XSS攻击过滤，但由于用户发帖时图片采用BASE64编码，导致正则表达式计算时间过长，CPU使用率飙涨到100%：

开启僵死检测后，Tars.js监控到业务进程僵死时，自动重启业务进程，从而缩短了业务无响应时间：

Tars.js虽然无法解决业务代码的问题（BUG），但会尽最大努力保证业务的可用性。

✓ 服务监控

以服务名、接口名（URL-PATH节）为纬度，统计总流量、平均耗时、超时率、异常率：

其中返回码大于400（可配置）作为异常进行上报。

»监控说明

Web服务一般由静态与动态资源（接口）组成，由于静态资源（本地文件）的请求耗时远低于动态资源（业务逻辑），请求量往往又很高，拉低了服务整体耗时。

基于此，Tars.js将请求URL中的PATH节作为接口，每个接口均可查看其总流量、平均耗时、异常率，便于用户全面了解服务性能。

✓ 特性监控

无论您服务的类型是什么，总是会上报下述特性，便于回溯问题与评估性能：

l memUsage：内存用量，将会上报rss、heapUsed、heapTotal这三个用量（单位为字节）

l cpuUsage：CPU用量，将会上报CPU使用率，数据汇总为逻辑单核（单位为百分比）

l eventloopLag：（任务）队列延迟，每隔2秒采样（单位为毫秒）

l libuv：I/O用量，将会上报activeHandles、activeRequests这两个用量

各策略以平均值（Avg）、最大值（Max）、最小值（Min）分节点进行统计：

✓ 日志输出

所有通过Console模块（如console.log）输出的日志，都会输出到服务本地文件内。并附加相关信息（如下），方便定位问题。

日志格式：日期时间|进程PID|日志级别|输出文件名与行号|日志内容

2018-07-0112:00:00|332|DEBUG|app.js:13|Serverrunningathttp://127.0.0.1:3000/

✓ LongStackTrace™

由于Node.js采用异步机制，在发生异常时堆栈不完整，导致定位问题复杂。

鉴于此，我们提供了长链路跟踪技术在产生异常时自动附加前序调用堆栈，同时还支持在异常堆栈中过滤出用户代码部分。

由于开启此特性时会造成性能损耗，故默认关闭，管理平台等性能不敏感业务可直接通过配置开启。

»案例说明

执行上述代码会抛出下述异常：

ReferenceError:ThisMayThrowErrorisnotdefined

atTimeout.setTimeoutas_onTimeout

at_disibledevent="http://superzheng.com/">@SuperZheng 创立于2017年。团队成员均为全栈架构师（Super寓意Superman——无所不能），熟知Web(3D)、终端、后端与大数据计算，并由传统前端向互联网从业者方向发展。欢迎前端牛人加入，共创前端美好未来。