史蒂芬·沃爾夫勒姆：從粒子物理到「運算思維」與 AI 世代的來臨

這段訪談由史蒂芬·沃爾夫勒姆（Stephen Wolfram）主講，回顧他的科學生涯並說明他對 AI、運算思維（computational thinking）與未來社會的觀點。主要重點如下：

• 個人背景與早期啟蒙：沃爾夫勒姆自少年時期投身粒子物理，早年即接觸大型電子計算機（1970s），多年來致力於用計算工具解決科學問題與整理知識（創立 Wolfram Research、開發 Mathematica 與 Wolfram|Alpha）。
• AI 的歷史與突破：他指出「神經網路」的概念早在 1943 年就已提出，但直到近年隨著運算能力與資料規模爆發，才出現關鍵性突破（例如影像辨識在 2011/2012 年的躍進，以及 ChatGPT 在 2022 年引發的語言模型熱潮）。許多技術其實是老觀念加上足夠計算力與資料後成功的例子。
• 神經網路與大語言模型運作原理（簡述）：模型以大量文本「預測下一個字/詞」為訓練目標；內部由大量參數（weights）組成，經過反覆調整以提高預測能力。雖然起初只是統計式的下一詞預測，但訓練後可展現出類似人類的語言與推論能力——這種「類人式外顯」是個出乎意料的現象。
• 運算思維與 Wolfram Language 的定位：沃爾夫勒姆強調人類歷史上建立的形式化工具（邏輯、數學）如何推動科學，而如今「把事物以可運算、結構化的方式表示」是 21 世紀的新範式。他致力於建立一套通用的運算語言（Wolfram Language），把世界的知識與程序化描述連結，讓電腦能「精確計算」而非僅生成語言上的表述。
• AI 與運算系統的互補：他認為大語言模型可作為自然語言介面，而精確的運算語言與知識庫（例如 Wolfram 系統）可作為工具，二者結合能把語言輸入轉為可驗證與可計算的答案，實務應用上相當互補。
• 計算普遍性、不可縮減性與意識問題：沃爾夫勒姆提出「計算等價性原則」，認為自然界、腦、人工系統在達到某等級後會表現出相似的計算複雜度；因此許多系統具有「計算不可縮減性」（computational irreducibility），即要知道系統結果往往必須模擬運算過程，無法簡單預先推斷。對於 AI 是否具備意識或代理性，他主張兩者之間的差距比以往想像的要小——若系統達到相當計算層級，人們會逐漸把它們視作「有心智」的系統，但這和我們對其他自然現象的理解一樣，屬於運算層面的現象。
• 對工作、經濟與風險的看法：AI 是自動化的一步，會取代重複性與可標準化的工作，但歷史上自動化也創造了新的工作與機會。重點在於人類要學會選擇「要計算、要追求什麼」——運算工具讓無限可能變得可達，但我們必須決定方向。他也警告：若為了可預測性強行限制 AI，會犧牲其能力，使其太「笨」。同時承認技術會被濫用或造成新的問題，但整體上他持樂觀態度。
• 實務建議（結語）：他建議所有人學習「運算思維」，把問題以可計算的方式表達，這將是 21 世紀的重要能力；並推薦 Wolfram Language 與其著作（如 A New Kind of Science 與《Elementary Introduction to Wolfram Language》）作為入門資源。

總結：沃爾夫勒姆把 AI 視為人類將世界更多部分「運算化」的延續，強調結合語言模型介面與精確的運算語言，能把模糊的語言輸入轉為可計算、可驗證的結果。同時以計算普遍性與不可縮減性的觀點提醒我們：新技術既帶來強大能力，也改變可預測與控制的界限，學習運算思維是面對未來最直接且具備長期價值的準備。