题图：Cheva用bing dall E3生成
顺着昨天的话题接着聊。虽然微观粒子在人类看来是处于一种无法确定的叠加态，但是如果从它的数学形式来看的话，一个粒子的状态实际上是确定的，它就是一个在一个高维空间——数学上叫做希尔伯特空间——中的向量。在这个高维空间中粒子的状态并没有任何不确定性。
在人类观察之后，粒子从不确定的状态转变为确定的状态，如果用数学的角度来看，所谓的观察就是用一个矩阵去乘这个向量，对这个向量进行变换，变换后的向量会和其中一个代表某个属性的坐标轴重合，这个坐标轴就是我们观察到的结果。这个过程和一个东西非常相似，就是我们现在非常热门的人工智能深度学习。
我们讲到深度学习的原理的时候，总是说它是从生物或者说人类的神经网络受到的启发，用数学算法模拟了神经元的工作，但是从数学角度看，这个过程实际上就是在不停的用矩阵去操作向量，拿现在最火热的大语言模型来说，其实它的底层运行机制非常的简单，首先我们把我们的提示词或者说指令，也就是一句话，这可以看成是一个由文字组成的序列，我们以词为单位将这句话转化成数字序列，也就是我们前面所说的向量，然后把它丢给语言模型，语言模型所谓的参数就是一大堆的矩阵，这些矩阵把我们的提示词转化成的向量不停的变换，最后的结果将会得出另一个向量，然后再把它像解开密码本一样，把向量还原成人类能够读懂的语句就得到了结果。
这说明了什么呢?如果你仔细想的话会发现这是一个细思极恐的问题。现在的大语言模型，比如高级的GPT-4几乎可以回答出一个普通人所提出的所有问题，由于大语言模型训练好之后，参数就是固定的，所以在解答问题的过程当中，它并没有去和外界进行任何的信息交换，所接受的唯一输入就是用户提出的问题，那么这不就是在说所有问题的答案都已经包含在了问题当中吗？人工智能语言模型所做的不过是把问题，这个向量在高维空间中放大、缩小、旋转、搬弄来搬弄去而已。而机器所学习的东西无非就是怎么处理向量的方式。
对应到我们人类的学习过程也是如此，所有的答案都已经包含在了问题本身当中，而我们学习的就是如何从这些问题中提取出答案，也就是所谓的发现自然规律。说到所有的问题已经包含了答案，似乎与一种思维方式非常相似，那就是以欧几里得几何为代表的数理逻辑推理，从少数几个公理出发，不需要任何的试验、经验就能够推出一套完整的理论体系，并且能够和现实世界吻合得非常好。
这也体现在奥派经济学和主流经济学的分歧当中，奥派经济学认为只要从“人的行为是有目的”的一条公理出发，就可以推演出整个经济学的体系。而主流经济学却认为需要从大量的实际数据和案例中总结出规律。
所以说人类的学习认知过程和量子力学中的观察效应，实际上都是从问题或者观察对象当中提取信息的方式，而哥本哈根学派诠释的观察导致波函数坍缩是因为意识的原因，而意识又是科学界非常有争议的一个概念，那么通过这些类比和分析，似乎可以发现意识和提取信息的方式有非常密切的关系。
