在某些領域，數量勉強可以成為質量的替代品。在一個貼滿軟木的房間裡，一個天才可以寫出《追憶逝水年華》；但找來一整棟樓的文青，是否就能產出一部能與之相比的經典作品呢？ 就算是現代人的差異範圍內，我們都會看到某些成果大半得利於單一傑出天才的貢獻，而非無數平凡人的共同努力。如果我們放開眼界，把超智慧心智也包含進去，我們就必須同意一種類似的情形：有些問題，就算再多人類集結起來也沒辦法解決，只有超智慧才行。
這樣看來，品質超智慧或許可以解決某些難題，速度超智慧或許也行，但一個鬆散的群體超智慧可能就沒有辦法了，除非它先強化智慧本身。 我們無法確知這些難題是什麼，但我們可以廣義描述它們。 這些難題牽涉到多重複雜相關性，無法使用獨立可證的解決步驟；因此無法以分散的方式解決，得透過品質上全新的理解方式或表現框架來解決問題。但這對現今版本的人類來說，過於深刻複雜，因而無法發現答案並有效使用。或許某些類型的科學突破也面臨同樣的狀況，因此我們可以猜測，人類在許多哲學性的「永恆問題」上之所以緩慢又搖擺，得要歸咎於人類進行哲學工作的大腦皮質不適用。從這個觀點來說，我們最偉大的哲學家就像用後腿走路的狗一般，僅僅勉強達到從事此活動所需的入門水準而已。
數位智慧的優勢來源
當我們把人類達到的智慧與技術成就和猿類相比，就能看出腦容量和迴路配置的小量變化，可以產生龐大的不同結果。而機器智慧在計算資源和結構上所能造成的改變更為巨大，應該會產生更可觀的結果。對我們來說，要對超智慧的能力有某種直觀認識，是非常困難甚至不可能的事。但我們可以藉由觀察數位心智的優勢，來稍微認識一下未來可能的範圍。
- 運算元素的速度。生物神經元的巔峰運算速度是200赫茲，比一個現代的微處理器（約20億赫茲）整整慢了七個數量級。 因此人腦被迫仰賴大量並列運算，且不能快速進行任何需要依序運作的大量運算（不管腦在一秒內能做多少事，都不能使用一百個以上的依次運作，而只能進行幾十個）。然而，許多在程式設計和電腦科學中實作上最重要的演算，無法被輕易並列化。如果人腦能支援可並列的模式匹配（patternmatching）演算，並與快速依序處理支援整合、相輔相成，那麼許多認知工作的執行效率可以大幅提升。
- 內部通訊速度。神經軸突以最快每秒120公尺的速度攜帶動作電位，電子處理核心則可藉由光學處理達到光速通訊（每秒3億公尺）。神經訊號的遲緩限制了生物腦作為信號處理單位的能力。舉例來說，要讓一個系統中的任兩個元素來回延遲少於10毫秒，生物腦必須小於0.11立方公尺。然而，一個電子系統可以到6.1×1017立方公尺，大約一個矮行星那麼大，也就是大了十八個數量級。
- 運算元素的數量。人腦的神經元略少於1,000億個。人類大腦的尺寸是黑猩猩的三倍半（雖然只有抹香鯨的五分之一）。一個生物體內的神經元，最明顯受限於頭蓋骨容積以及代謝能力，但其他因素也會對較大的腦產生顯著影響（例如冷卻、發育時間和訊號導電延遲）。相較之下，電腦硬體可以無限升級至非常高的物理極限。超級電腦的大小可如倉庫，加上透過高速纜線附加的遠端容量，甚至還可以更大。
- 儲存容量。人類的工作記憶任何時候最多只能維持不到四或五大塊的資訊。儘管把人類工作記憶量直接拿來與數位電腦的RAM數量相比並不恰當，但數位智慧的硬體優勢確實能使電腦擁有更大的工作記憶。這有可能會讓這些心智很直觀地掌握複雜的關係，而人類只能透過枯燥的運算才能勉強摸索得。人類的長期記憶也受到限制，只是我們不清楚在一般壽命內能否會耗盡儲存空間—因為我們累積資料的速度實在太慢了（在一項估計中，成年人的腦可以儲存約10億位元，比低階智慧型手機少了好幾個數量級）。因此，不管是資訊的儲存量或是讀取速度，機器腦都比生物腦要優秀許多。
- 可靠度、壽命和感應元件等。機器智慧還有各種其他的硬體優勢。舉例來說，生物神經元就不如電晶體可靠。由於雜訊計算需要冗餘編碼方案，利用多個要素對單一位元資訊進行編碼，因此數位腦可以透過可靠的高精密計算要素來提升效率。大腦工作幾個小時就會感到疲倦，並在幾十年的客觀時間後永久衰退；但微處理器不受這些條件限制，還可藉由添加上百萬個感應器，來增加流入機器智慧的數據。根據所使用的技術，一台機器也可以為了不同的任務，以重組硬體的方式最佳化；而人腦的大部分結構，打從出生起就固定下來，或只能緩慢變化（儘管突觸連結的細節改變，可以發生在較短的時間尺度內，比如說幾天內）。目前，生物腦的運算能力仍遠高於數位電腦，然而頂尖超級電腦的表現水準，正在抵達人腦處理能力的合理估計範圍內。硬體正在快速進步，而硬體表現的最終極限，遠遠高過生物運算的極限。
數位心智也得益於軟體的大幅優勢：
- 可編輯性。若要做參數變化實驗，在軟體中會比在神經組織中容易。舉例來說，有了全腦仿真，就可以輕易試驗若在特定皮質區域增加更多的神經元，或增減它們的可激發性，會發生什麼事。在活體生物腦中進行這種實驗則會困難許多。
- 可複製性。有了軟體，就可以快速且隨意製造出許多高度保真的複製品，並灌入現有的硬體基礎中。相對而言，生物腦只能十分緩慢地複製，而且每一個新品剛誕生時，都處於派不上用場的的狀態。他們此時的生命經驗，甚至完全不記得從雙親那邊學會的事物。
- 目標協調性。人類群體充斥著效率低落，因此幾乎不可能在大團體成員中達到完全統一的目的—至少在可以使用藥物或基因選擇等手段大規模引發馴服性之前，做不到這一點。一個「模仿幫」（copy clan，一群完全一樣或者幾乎一樣、有著普遍目標的程式）可以避免這種協調難題。
- 記憶分享。生物腦需要長期的訓練和師徒相傳，數位心智則可藉由交換資料來獲得新記憶和技能。一個人工智慧程式的十億個複本可以定期同步資料，所以每一個都完全知道其他程式上個鐘頭學了什麼（直接交換記憶需要標準化的表現格式。因此，不可能要任一對機器智慧輕易交換高水準的認知內容。尤其是第一代全腦仿真不可能做到）。
- 新模組、新形式和新演算法。視覺感知對我們來說輕而易舉，可不像解決課本上的幾何問題。但這忽略了一件事：用我們視網膜上的二維刺激模式，來將一個充滿可知覺物體的世界做三次元重現，需要大量的運算。感覺起來很簡單，那是因為我們有可以專門處理視覺資訊的低階神經機制。低階處理會無意識地自動發生，不會耗費我們的精神能量，也不需要意識專注。音樂感知、語言使用和社會認知等對人類來說十分「自然」的資訊處理，似乎也同樣有專門的神經運算模組。人工心智若在當今世界日漸重要的其他認知領域擁有特化支援（如工程、電腦程式設計和商業策略），那麼相較於我們這種仰賴拙劣通用認知的心智，它們將占有很大的優勢。它們也有可能開發出新的演算法來利用數位硬體功能的明確優勢，就像它支援快速序列處理一樣。
機器智慧靠著合併硬軟體得到的終極優勢是十分巨大的。但這些潛在的優勢多快可以實現？是我們接下來要討論的問題。 （相關報導： 2010年大崩盤及風潮再起：《超智慧》選摘（3） ｜ 更多文章 ）
＊作者為牛津大學哲學系教授，其學術背景包含理論物理學、計算神經科學、數學邏輯、人工智慧以及哲學。他在全球五十歲以下的哲學家中被引用次數最多，擁有廣泛的影響力。伯斯特隆姆同時是牛津馬丁學院人類未來研究所（Future of Humanity Institute）的創立者和所長。本文選自作者著作《超智慧：AI風險的最佳解答》（感電出版）
