《为什么伟大不能被计划》第六章：没设定统一目标时，探索反而最可能大放异彩

本文节选自《为什么伟大不能被计划：对创意、创新和创造的自由探索》，上一篇链接：

《为什么伟大不能被计划》第五章：与其寻求某个最终目标，不如寻求新奇的事物

《为什么伟大不能被计划：对创意、创新和创造的自由探索》，作者是肯尼斯·斯坦利（Kenneth Stanley）和乔尔·雷曼（Joel Lehman），他们是目前享誉全球的创业公司OpenAI科学家。两位作者持续多年扎根人工智能前沿领域，这本书是他们在科学研究的过程中蹦出的意外火花。他们在学校、TED、科研论坛等场合公开演讲，让这一新思维方式影响并激励了许多人。他们自身也凭借写入本书的“寻宝者思维”“踏脚石模型”“新奇性探索”等具体思维方法，在人工智能研发领域取得了飞跃式的突破和进展，产生了一系列惠及人类的伟大创造。

近期我将会在网易号平台将这本书的各个章节分享给大家，感兴趣的网友可以去买一本实体书。

第六章：寻宝者万岁

我没有去看，而是去寻找。

——巴勃罗·毕加索(Pablo Picasso)

尽管人们常说，“一切皆有可能”，但事实并非如此。比如说，我们不能真的一蹦三米高；虽然许多孩子都梦想着长大之后成为一名宇航员，但只有极少数人最终能够真正登上宇宙飞船。我们的主流文化总是宣称，只要你敢梦想、敢拼搏，你就能够成为想要成为的人、做到任何想要做到的事情。因此，“不可能”并不是一个常见的或主流的话题。在本章中，我们将直面鲜有人谈论的“不可能性”，但并不会以牺牲乐观主义为代价。相反，我们希望从中发展乐观主义，拥抱未来的不确定性，而不是借此否定未来或心生畏惧。这段旅程将从思考和探索新奇事物的力量和局限性开始。

基于本书前一章的内容，新奇性搜索带来的经验看起来是在不刻意寻找目标的时候，找到“目标”反而更容易。换句话说，当你不担心如何解决问题，而是真正采取行动时，反而能够解决更多问题。因此，从这个角度来看，新奇性搜索仿佛成了一种“新工具”，可以添加到实现目标的现有“工具箱”中。此外，一些关于新奇性搜索的计算机实验确实产生了此类结果。在迷宫里探索的机器人，在没有尝试走出迷宫的情况下，反而学会了走出迷宫的方法；双足机器人在不试图学会行走的情况下，反而走得最远。

然而，我们需要谨慎解读这些实验结果，如果仅从其表面解释，可能导致误解。尤其当科学成果引入了一些奇怪的新事物时，我们更应谨慎。正如汽车不是新品种的“快马”一样，新奇性搜索也不仅仅是一种实现目标的新方法。尽管很多证据都清楚地表明，我们有时的确可以在没有设置目标的情况下做得很好，但更深层次的问题是，新奇性搜索并不总是能够帮助我们找到想要的东西。我们可以找出一些问题，在所有可能的答案中漫无目的地搜索，但最终却找不到解决办法。生活中这种情况很常见。

例如，我们想象一下，让新奇性搜索在一个一望无垠的迷宫中漫游，而这个迷宫朝着各个方向延伸。假设你在这个无边无际的迷宫中选定了一个地点，那么通过新奇性搜索发现通往这个特定地点的可能性到底有多大？（实验表明，在这种情况下，机器人可能会永久地迷失。）这种可能的失败说明，我们不能对新奇性搜索抱有过高的期望。尽管其有效性有时可能高于追求特定目标的搜索法，但它并不是解决所有问题的“万金油”。

上述对新奇性搜索比较现实的看法能够被人们接受。但是即便目标驱动型搜索在实现特定目标的过程中表现得比新奇性搜索更逊色，前者依然拥有很大的余威。在许多简单的问题中，朝着一个遥远的目标前进并不是一个好主意，它们显然比没有特定目标的搜索更糟糕。但人们还是很难彻底抛弃目标有用论。为此，人们可能会试图提出一个对目标更有利的折中观点。其中一个可能的论点是，目标依然必要且重要，新奇性搜索不过是强调避免“将所有鸡蛋都放在一个篮子里”。换句话说，在寻求目标实现的时候，我们需要保持多样化的思维。再换言之，因为一心一意地追求某个特定目标太有欺骗性，所以我们应该尽可能保留不同选择的可能性，以防一开始看起来最靠谱的路径，到后来反而行不通。

要理解这种“保持多样性思维”的方式，可以将其想象为在赛马场上赌马。即使是最优秀的马，也无法赢得每一场比赛，所以最好的下注方法，就是同时下注几匹马，而非单押一匹“常胜将军”（这就确保了多种可能获胜的途径）。如果以同样的逻辑思考新奇性搜索——将其作为一种保持更多选择的方式——那就没有必要彻底放弃设定目标的思路。因此，在积极地追求实现某个特定目标时，我们要做的就是尽可能保留多块备选的踏脚石，以确保实现目标的成功率。

这种观点对目标论相当友好，如果你相信它，就意味着你本质上认为：尽管目标可能并不完美，但整体而言，目标的指导性依然非常有用。我们可以将目标比喻为英语中的拼写规则，例如“字母i通常位于字母e之前，但接在字母c后面的情况除外”，也就是说，大部分英文单词遵循这个拼写规则，但在极少数特殊情况下，这个规则会产生误导。基于这个逻辑，我们或许可以对基于目标的探索“缝缝补补”后继续使用，而不是彻底抛弃它。本着这种精神，人们提出了一个折中的想法：将以目标为导向的探索和新奇性搜索相结合，说不定会更有效。在这种情况下，目标可以帮助我们朝着正确的方向前进，而新奇性搜索则可以抵御目标带来的欺骗性。没错，我们的确不应该纯粹依赖目标带来的驱动力，但也不应该彻底放弃设定目标的做法。

不幸的是，事情远没有这么简单，俗话说“鱼与熊掌不可兼得”。如果世界按照这个逻辑运行，那么人们就可以通过在追求的目标中简单地添加一点多样性来“弱化”目标的误导性，进而保持对特定目标的追求，并最终实现这个目标。然而，这并不能掩盖一个严重的问题，即目标越是“高大上”，其欺骗性也就越强。欺骗性是目标身上阴魂不散的“幽灵”，难以彻底清除。从欺骗性角度看，目标在本质上就是一个错误的指南针。因此，不管你用多少理由说服自己相信只要保持开放的心态就能坚持既定的目标，都不能改变目标指错方向的事实。如果你的指南针指向了南方，但你实际上要朝着北方前进，那么不管思想多么开放，都无法改变目标这个“指南针”毫无用处的事实。诚然，秉持开放的心态，最终仍有可能引导你抵达想要去的地方。例如，你有时选择无视指南针的指引，不时地尝试全新的道路以测试其成功的可能性。但如果你最终依靠这个方法达到了理想的目的地，这种成功也无法归功于目标的错误引导。就此而言，与其保留一个错误的指南针，不如早早将其丢弃。

以本书第五章中在迷宫里寻找新奇行为的机器人为例（见图5.2），尽管将“走出一个简单迷宫”的行为称作“高大上”的目标可能有些牵强，但事实证明，这个目标依然具有很强的欺骗性——当机器人试图以走出迷宫为目标时，它几乎总是失败。为什么即使在一个看似相对简单的迷宫中，目标也如此具有欺骗性？答案与墙壁有关——当这些墙壁阻挡机器人直接跑向目的地时，被目标驱动的机器人就会撞上目标方向上距离最近的墙壁。

这堵最近的墙吸引了机器人的注意力，因为通过接近这堵墙，机器人离目标——迷宫出口——更近了，这激励它继续前进。但现实情况是，如果机器人想要比这堵墙更接近出口，它首先需要远离这堵墙。这往往不会产生好的结果，因为从目标驱动型搜索的角度，远离墙壁看起来是一种更糟糕的行为。因此，对绕过墙壁这种想法的任何进一步的探索，都可能会被过早地禁止。只有到了最后阶段，当机器人已经学会绕过障碍物，进入可以直线奔向目标的范围内时，目标驱动的行为才能够真正地将探索推向正确的方向。但到了这个阶段，已经不存在任何真正需要解决的问题了。毕竟学会奔向位于正前方的目标，并不存在任何挑战性。当最终的目标已经近在咫尺，无论目标驱动的方法是否与新奇性搜索结合，都能够轻而易举达成目标，目标本身的意义也就不复存在。因此，尽管将目标驱动与新奇性搜索的概念结合能够解决一些问题，但这种结合绝对不是实现“高大上”目标的良方，因为这些目标充满了欺骗性，以至于其本身沦为一种负担。就好像对于最聪明的探险家而言，一张破碎的地图并没有任何用处那样——尽管探险家们最终仍然可能抵达目的地，但这种成功与这块地图碎片无关。

让我们回顾本书第五章提及的案例，人们试图穿越回到5 000年前，尝试提前实现发明计算机这个“高大上”的目标。在这个例子中，这个目标就是所谓的地图碎片，它充满了欺骗性。因为在5 000年前，再开放的头脑也不会选择投入时间和精力去研发真空管，因为没有人能够预料到真空管的问世直接导致计算机的诞生。为此，投入时间和精力探索所有看起来有趣的创新会更有意义，而这实际上就是古往今来人类一直在做的事情。因此，我们只是需要更深层次的多样性（但仍专注于整体目标的追求）这一想法本质上是错误的。它的问题在于否认了目标不可逃避的缺陷——如果你在前行的过程中使用坏的指南针，那么无论你多么努力地尝试偏离其指向，还是会受其影响而继续朝着错误的方向前进。

这就是为什么不放弃对目标的执着信念，就不容易理解新奇性搜索。尽管纯粹地寻找新奇的事物肯定不是解决所有问题的方法（即使在某些情况下这个方法很有效），但将寻求新奇事物的动机与实现目标的动机相结合，并不能掩盖目标的欺骗性。当然，单纯地依赖目标的指引是一种更糟糕的做法。因此，我们不得不接受一些略显谦卑的观点：也许认为存在某种找到目标的“最佳实践”的想法，在本质上是有误导性的。探索或追求的本质，或许就是“徒劳”二字——没有任何一种探索方法能够保证我们得偿所愿。为此，仅仅放弃“目标是指导探索的最佳方式”的想法是不够的，因为我们已经知道，设置目标并非最佳的方法。但同时我们还要放弃与之相对的想法，即任何事情都可以揭示出通往“高大上”目标的道路。尽管在机器人走迷宫和双足机器人学习行走的实验中，新奇性搜索的确更好地解决了问题，但这并不意味着它永远有效。但目标驱动型搜索的“无能”程度，有时甚至到了“不堪入目”的地步，这更令人不安。假如设定了一个目标并以此为目的地前进是取得成功的正确路径，那么一个甚至不知道自己要做什么的方法，在一些简单的问题上竟然能够表现得比目标驱动的方法更好，这又说明了什么问题？尽管你可能会驳斥称，在一些更复杂的问题上，新奇性搜索的表现可能也不是太好。但目标驱动型搜索在这些简单问题上已经一败涂地的事实，是否意味着这个方法的前景更加黯淡？如果目标驱动的方法，在一个简单的走迷宫测试中就已经远远逊色于新奇性搜索，那么在更复杂的探索（如探索高等智能等）中，它还有任何胜算吗？别妄想从单细胞生物中进化出人类水平的智能了——我们甚至连训练一个机器人顺利走出一个简单的迷宫都做不到。

如果你仍然想为目标的合理性辩护，还可以争辩说，目标驱动的计算机实验背后的算法程序可能存在缺陷，导致实验结果出现了偏差。但是本书第五章计算机实验的结果不是这么轻易可以否定的，因为除了分别追求目标性和追求新奇性之外，这些程序和算法是一模一样的。而且，鉴于我们已经知道计算机程序在寻求新奇性的时候，确实能够稳定地解决迷宫问题，所以导致实验结果不同的因素不可能是程序的缺陷或问题。经过对比实验，结果表明同样的算法在两种不同的设置下进行了探索，并只在寻求新奇性的情况下获得了成功。更重要的是，其他研究者的实验也验证了这些结论。因此，问题只可能出现在目标本身。由于新奇性搜索不能解决所有问题，新奇性搜索与目标驱动的混合体也不是完美的解决方法，我们只能面对一个严峻的事实：没有任何方法，能够确保我们可靠地实现特定的目标。

这听起来是一个坏消息，但也在意料之中。举一个极端的案例，究竟是什么程度的搜索才能在摩天大楼那么高的干草堆里找出那根被隐藏的、极细小的针呢？事实上，关于搜索的局限性，已经有无数学者做出了论述。例如，数学家大卫·沃伯特(David Wolpert)和威廉·麦克里迪(William Macready)提出的一个著名的原则：“没有免费午餐定理” ㊟（NFL定理），表明在所有待优化的问题上，都不存在整体最佳的搜索算法㊟。事实证明，改进搜索过程尽管可以实现某一特定目标，但由此便无法实现其他目标了。简而言之，不存在“万金油”式的方法。

通常能帮助我们做出正确决定的经验法则，在某些特殊情况下会误导我们，比如车钥匙并不总是放在上一次放钥匙的地方（你的狗有可能将钥匙拖到别的地方）。机器学习领域的研究人员，特别是那些对所谓的“黑盒优化” ㊟(black box optimization)感兴趣的人，应该非常熟悉这类争论。

但新奇性搜索使剧情出现了惊人的转折，尽管前述结论使探索的前景看似毫无希望，但实际的结论比表面上看起来更微妙、更深刻。我们极有可能找到令人惊奇的东西，只不过没办法确定这个东西是什么！

这给人们带来的启示是，如果伟大的发现还没有被寻获和定义，那么这个“捷足先登”的机会就有可能是我们的。这个表述以前面章节中的图片孵化器网站、自然进化过程和人类创新过程中的结果为论证。诚然，在本书第五章中关于新奇性搜索和目标驱动型搜索的实验结果对目标驱动的理论十分不利，因为这些实验结果表明，目标驱动型搜索的表现实际上远远逊色于一种更明智的、不依赖于目标的搜索。但非目标搜索的更重要启示是，它是一位实力强大的寻宝者。在漫无目标的新奇性搜索中，你不一定能找到心中想要的宝藏，反而可能发现许多意料之外的宝藏，这将使整个过程充满惊喜。新奇性搜索的实验表明，一些通过目标驱动方法难以找到的宝藏在没有设定目标的情况下，反而能够更容易被找到。但是我们无法准确地说出，哪些宝藏将会被找到；我们只能说，在新奇性搜索的指引下，有些地方是可以抵达的，无论它们是不是我们想要去的地方；并且我们还可以肯定地说，这些地方是目标驱动型搜索绝对无法抵达的。没有人设定在图片孵化器网站上生成一张汽车图片的目标，但它最终出现了。颇具讽刺的是，如果有人真的设定了这个目标，那么这张汽车图片反而永远都不会出现。

努力追求目标成了一种“诅咒”，而放弃设定目标反而成了一种“福运”。这种奇怪的悖论，为我们能够更现实地理解“什么是可实现的”以及“如何实现”奠定了基础。这就意味着，过分“高大上”的目标永远不可能通过努力追求来实现——除非这些目标距离我们只有一步之遥。在目标遥不可及的情况下，我们唯一能做的就是放弃朝着特定方向的努力。尽管这种看似漫无目标的寻宝方式不能确保我们到达任何特定的目的地，但它能在这个过程中不断地帮助我们积累通往未知地点的踏脚石。本质上来说，寻宝者又可以说是秉持机会主义的探险家，他们致力于寻找任何有价值的东西，而不在乎这些东西具体是什么。要想成为一名合格的寻宝者，我们就必须尽可能多地积累踏脚石，因为我们永远不知道哪块踏脚石可能通往有价值的地方。

此外，即便个人的探索旅程并没有在自己希望的地方结束，但抱着“孤独发明家”或“古来圣贤皆寂寞”的心态，认定“某个目标不可避免地只能通过自己一个人的不懈努力来实现”总归是不现实的。相反，从长远来看，最终能彻底征服“搜索空间”的人，必然是一群有着不同兴趣爱好的聪明头脑，而不是仅凭任何一个单独的目标来孤军奋斗的个人。我们确信，类似图片孵化器网站上的蝴蝶图片和汽车图片一定会在未来被发现，不是因为有人在刻意地寻找，而是因为每个人都在探寻充满可能性的一切事物。未来或许将不按照我们的计划到来，但它一定会到来。

这种看法听起来或许很悲哀，因为人类没有关于未来的确切指南针，我们为创造确定性和有目标的努力所做的一切，都可能是徒劳无功的。但我们完全不必失望，也许探索和发现本身就不应该专注于具体的目标，而是应着眼于一些更伟大的东西。在这种情况下，放弃错误的指南针（具体目标）或许能够解放我们的思维，打开全新的疆域。新奇性搜索的实验表明，即使在一台计算机上，我们也能够通过算法捕捉开放式创新和发散性思维的过程。因此，新奇性搜索不可能是一种充满神秘的、类似巫术的存在，而是一个有原则、有逻辑的科学过程，是人类可以理解并且掌握的过程。如果非目标导向型的发现，是自然进化、人类创新、图片孵化器网站和新奇性搜索的灯塔，那么我们同样可以将其收入囊中、为己所用。它是值得拥抱的新事物，我们不应该将其视为洪水猛兽。

图片孵化器网站和新奇性搜索实验的启示是，我们实际上可以根据非目标原则，建立各种不同的体系。我们在过去很少这么做，但摆脱了对目标的盲目崇拜之后，建立各种不同的寻宝系统的可能性就变得十分诱人了。这些系统能帮助我们发现那些在目标驱动方法下，被隐藏起来的有用或有趣的可能性。来自不同人的反馈甚至也可以发挥作用，就像利用了不同人群的审美偏好和洞察力的图片孵化器网站那样。而一旦很多人开始产出成果，许多可能性就会在眼前铺开。

在一个不以目标为导向的世界中，充分调动群众力量的最佳方式，并非通过常见的“头脑风暴”式讨论、集体会议或“高大上”的项目规划。它不要求一群人就接下来应该做什么达成共识，这不是寻宝者的工作方式。相反，达成共识恰恰是我们需要摆脱的文化倾向。我们不想要什么“排名前40”的金曲榜单，因为它要求所有人都得在最佳歌曲的评选上达成一致意见；也不想要什么“委员会的设计”，因为这会使集体共识削弱关于新产品的任何有趣的愿景。恰恰相反，释放寻宝者能量的正确方式是将人们彼此分开，就像图片孵化器网站所做的那样，人们只能在他人完成的图片上继续创造，进行互动。尽管很多参与了寻宝系统的人可能带着个人的目标而来，但由于每个人的目标各不相同，整个系统本身并不具备一个达成共识的既定目标。

例如，在图片孵化器网站上，一个人培育出一张只有他自己喜欢的图片，但这并不是一件坏事。因为不同的人，分别为整个有趣图片的寻宝活动提供了有价值的踏脚石。网站设计的初衷，是收集每位用户依据各自的喜好而发现的诸多踏脚石。有趣的是，互联网为我们提供了很多机会，使我们可以验证这种寻宝方式。得益于覆盖全球的即时通信体系，组织来自世界各地的人进行创造，并在彼此的成果上进行再创造变得比以往更容易。

以销售家具的网站为例，假设你正在登录这样一个网站，你将看到一个线上的家具目录。通过浏览各色产品，你可以选择中意的家具。换句话说，这是一种单向的创造性交流——作为消费者，你只能购买他人设计好并推销给你的产品。但在未来的某一天，整个过程或许会变得不同。假设你想买一把椅子，那么在登录家具网站之后，你就能看到一系列在售椅子的款式模型，但随即事情开始变得有趣——你没有像以前一样，选择一个已经设计完成的中意款式并下单购买，而是可以提出一系列个性化的设计要求。这些要求并不是简单的客户定制（例如调整颜色或加上个人寄语），而是对现有设计的真正突变。例如在一把新椅子的面料上添加一块新的彩色图案，或者要求把一张新桌子的桌腿以异于常规的方式进行弯折，等等。

然后，这些“突变”的家具将呈现在你的面前，几乎生成了一个全新的家具目录，但它们是基于你之前选择的模型而生成的。在你找到自己想要下单购买的东西之前，你可以继续选择自己喜欢的东西，并查看它们的“变体”。最终，你下单购买的椅子，将真正由你个人的创造力来塑造——你个人的选择和喜好帮助完善了设计方案。然后，这把椅子将被单独定制，送到你的家中。与当前常见的线上购物目录不同的是，在这个全新的世界里，消费者成了创新的一部分，这在过去是不可想象的。更令人激动的是，消费者无须是天赋异禀的木匠或专业的设计师就可以亲自“培育”出一把令人满意的椅子，就像在图片孵化器网站上“培育”图片那样。

到目前为止，这个自主设计的故事只涉及一位客户。但随着多来越多的客户登录网站，并在自主培育出椅子后最终购买，寻宝者系统的魔力就会开始显现。这个家具网站成为一个踏脚石的收集器，在一个不断壮大的椅子设计数据库中储存了许多新发现，每一个新发现都可能是通往更有吸引力的椅子的踏脚石。更妙的是，我们已经知道哪些椅子是宝藏，因为我们知道客户最终购买了哪些椅子。因此，当一位新客户访问网站时，最初给他展示的在售款式，可以是一套由老客户设计并购买的成品组成的合集。这样一来，新客户会不知不觉地参与到椅子的设计中，从而跳出老客户们青睐的设计款式。老旧的在线订购家具目录瞬间得到更新和补充，成为一个没有设定统一目标的合作性搜索体系，顾客也由此成为家具领域的寻宝者。

这种寻宝者形式的目录还可以应用于很多地方。不仅仅是椅子，服装、汽车，甚至住房领域都可以进行类似的探索。当然，这种个人定制产品的成本可能更高，对制造工艺的要求也更高（也许可以寻求当下发展迅速、市场日益扩大的3D打印技术的帮助）。这种定制法的真正优势是使消费者不再受限于专家和设计师的设计方案。这些目录可以自行发掘新奇设计，制造真正有别于先前的独特的新产品。

但我们探讨此类互动性目录并非因为它是一个绝佳的商业创意，而是由于这个思维实验提出了耐人寻味的问题：你会信赖这种目录吗？你会信赖一个所有东西全然没有专业人士参与设计，都是由客户独立“发现”的产品目录吗？你会期望这些产品合集是怎样的？它们会是值得你花钱或关注的优秀作品，还是看起来就像出自毫无章法的业余爱好者之手的二流实验品？

让我们先厘清一个细节，必须有人先来设计在线系统，使家具样式（或任何产品样式）能够被探索。这种程序必须包含人工智能才能使当前备选款式模型的微小、随机的调整得以实现。只有这样，用户才可以探索家具的设计。这个想法类似于图片孵化器网站的原理。同样，这个家具网站也需要一种能对家具设计进行微调的呈现方式，即用一套数字化家具的形式来呈现微调后的家具。我们不能想当然地认为，编写一组计算机程序来调整家具的设计是一件非常容易的事。它可能同样要经历实验和试错的过程，才能得出最合适的结果。但更大的问题是，在编程时我们是否会期望它的使用者，能够最终发现理想的设计。即使我们认为家具的各类程序已经设计得很完善，能够允许用户轻松地实现家具设计，但仍然会有一些潜在的问题。比如，使用者不是家具设计师，彼此之间也没有统一的设计目标。所以我们依然需要知道，我们期望从这样的实验中得到什么？

对于一个家具公司或任何其他商品生产企业来说，这都是一种充满风险的尝试。一家企业是否真的敢让其客户决定公司设计和销售的产品类型？但寻宝者实验的证据表明，这一系统正是发现隐藏宝藏的正确方式。缺乏统一的目标，意味着该系统不会被改进的表象欺骗。它不会只局限于由用户达成审美共识后设计的几件传统家具。相反，它将不断积累一些踏脚石，然后带来更多踏脚石。设计师自己，甚至是专业人士，在优化某一特定的产品风格或规格时仍然可能被欺骗（像往常一样）。因为通往伟大设计的踏脚石可能看起来与最终的、理想化的产品并不相似。这就是为什么即使是专业设计师可能也想不出有趣的设计方案。具有讽刺意味的是，这些原因使得业余爱好者在没有统一目标的情况下访问产品目录并参与其设计，有时反而更有可能发现隐藏的宝贝。

但这并不意味着专业设计师会因此而失业，他们仍能发挥重要的作用，而且他们的许多设计都很出色且恰到好处。但有一些可能性，是我们通过传统方式永远无法发现的，那些隐藏的宝藏只有在没有设定统一目标的寻宝者系统中才会被顾客发现。类似不断“进化”的家具目录这样的系统（未设定一个统一的整体目标）其实是很有趣的，因为其参与者并不遵循“达成共识，朝着特定目标前进”的初衷。相反，用户们的探索潜力得以释放，朝着不同方向发散，并在彼此的创造基础上继续发展。与其说寻宝者体系消除了对专业人士的需求，不如说有朝一日，专家们的技能将被用来帮助创建和扩展这些类型的系统。这样一来，他们可以利用专业知识为客户“搜索空间”的建设提供参考和助力。

最重要的是，我们可以利用寻宝者系统来创造并发现那些在目标驱动情况下，不可能存在的创新概念。交互式产品目录只是其中一个可能的应用（本书第七章和第八章将探讨这个想法在其他领域或行业的应用）。更重要的是，交互式产品目录展示了这种思维方式可以产生不基于传统设计理念的全新创新方法。没错，我们最终必须放弃“存在某种可以保证我们一定可以抵达预定目的地的方法”的思维方式。确保所有成就都能达成的神奇公式并不存在，且探索在本质上可能是徒劳的。但我们仍有一线希望，即人们仍然可以在没有设定特殊目的地的情况下出发，在遥远的某个地方找到隐藏的宝藏。因此，我们不应该为目标神话的幻灭而太过悲伤。

在没有设定统一目标的情况下，探索反而最有可能大放异彩。只要看看自然进化、人类创新、图片孵化网站或新奇性搜索就知道了。这些探索的过程并不太相同，有些比其他更为宏大，但它们的确有一个共同点，即没有设定目标。新奇性搜索的实验凸显出盲目推崇目标的风险，当我们从目标的控制中解放出来时，我们看待世界的方式也将发生许多变化。我们将在本书第七章、第八章探讨这种全新的思维方式对社会管理的影响。在非目标型创新的全新引领之下，许多曾经熟悉的经验法则或将被彻底颠覆。

J.Lehman and K.O.Stanley,“Revising the evolutionary computation abstraction:Minimal criteria novelty search,”in Proceedings of the Genetic and Evolutionary Computation Conference(GECCO-2010),ACM,2010.

J.-B.Mouret,“Novelty-based multiobjectivization,”in Proceedings of the Workshop on Exploring New Horizons in Evolutionary Design of Robots,2009 IEEE/RSJ International Conference on Intelligent Robots and Systems,2009.

对此简单易懂的解释就是：(1)一种算法（算法A）在特定数据集上的表现优于另一种算法（算法B）的同时，一定伴随着算法A在另外某一个特定的数据集上有着不如算法B的表现；(2)具体问题（机器学习领域内的问题）具体分析（具体的机器学习算法选择）。——译者注

D.H.Wolpert and W.Macready,“No free lunch theorems for optimization,”IEEE Transac-tions on Evolutionary Computation,vol.1,pp.67–82,1997.

人工智能领域一种深度强化学习的方法。——译者注