先談一下對(duì)智能的看法。智能是系統(tǒng)通過獲取和加工信息而獲得的能力。智能系統(tǒng)的重要特征是能夠從無序到有序(熵減)、從簡(jiǎn)單到復(fù)雜演化(進(jìn)化)的。生命系統(tǒng)是智能系統(tǒng)，也是物理系統(tǒng);既具有熵減的智能特征，也遵守熵增在內(nèi)的物理規(guī)律。人工智能是智能系統(tǒng)，也是通過獲取和加工信息而獲得智能，只是智能載體從有機(jī)體擴(kuò)展到一般性的機(jī)器。

　　就像人可以分為精神和肉體兩個(gè)層次(當(dāng)然這兩個(gè)層次從根本上密不可分)，機(jī)器智能也可以分為載體(具有特定結(jié)構(gòu)的機(jī)器)和智能(作為一種現(xiàn)象的功能)兩個(gè)層次，兩個(gè)層次同樣重要。因此，我偏好用機(jī)器智能這個(gè)概念替代人工智能。

　　AI 技術(shù)途徑概述

　　一、經(jīng)典技術(shù)途徑

　　1. 符號(hào)主義

　　與機(jī)器智能相比，人工智能這個(gè)概念的重心在智能?！叭斯ぁ倍指吒咴谏系奶貦?quán)感主導(dǎo)了人工智能研究的前半葉，集中體現(xiàn)為符號(hào)主義。

　　符號(hào)主義主張(由人)將智能形式化為符號(hào)、知識(shí)、規(guī)則和算法，認(rèn)為符號(hào)是智能的基本元素，智能是符號(hào)的表征和運(yùn)算過程。符號(hào)主義的思想起源是數(shù)理邏輯、心理學(xué)和認(rèn)知科學(xué)，并隨著計(jì)算機(jī)的發(fā)明而步入實(shí)踐。

　　符號(hào)主義有過輝煌，但不能從根本上解決智能問題，一個(gè)重要原因是“紙上得來終覺淺”：人類抽象出的符號(hào)，源頭是身體對(duì)物理世界的感知，人類能夠通過符號(hào)進(jìn)行交流，是因?yàn)槿祟悡碛蓄愃频纳眢w。

　　計(jì)算機(jī)只處理符號(hào)，就不可能有類人感知和類人智能，人類可意會(huì)而不能言傳的“潛智能”，不必或不能形式化為符號(hào)，更是計(jì)算機(jī)不能觸及的。要實(shí)現(xiàn)類人乃至超人智能，就不能僅僅依靠計(jì)算機(jī)。

　　2. 連接主義

　　與符號(hào)主義自頂向下的路線針鋒相對(duì)的是連接主義。

　　連接主義采取自底向上的路線，強(qiáng)調(diào)智能活動(dòng)是由大量簡(jiǎn)單單元通過復(fù)雜連接后并行運(yùn)行的結(jié)果，基本思想是：既然生物智能是由神經(jīng)網(wǎng)絡(luò)產(chǎn)生的，那就通過人工方式構(gòu)造神經(jīng)網(wǎng)絡(luò)，再訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)產(chǎn)生智能。

　　人工神經(jīng)網(wǎng)絡(luò)研究在現(xiàn)代計(jì)算機(jī)發(fā)明之前就開始了，1943年，沃倫·麥卡洛克(Warren McCulloch)和沃爾特·皮茨(Walter Pitts)提出的M-P神經(jīng)元模型沿用至今。

　　連接主義的困難在于，他們并不知道什么樣的網(wǎng)絡(luò)能夠產(chǎn)生預(yù)期智能，因此大量探索歸于失敗。20世紀(jì)80年代神經(jīng)網(wǎng)絡(luò)曾經(jīng)興盛一時(shí)，掀起本輪人工智能浪潮的深度神經(jīng)網(wǎng)絡(luò)只是少見的成功個(gè)案，不過這也是技術(shù)探索的常態(tài)。

　　3. 行為主義

　　人工智能的第三條路線是行為主義，又稱進(jìn)化主義，思想來源是進(jìn)化論和控制論。

　　生物智能是自然進(jìn)化的產(chǎn)物，生物通過與環(huán)境以及其他生物之間的相互作用發(fā)展出越來越強(qiáng)的智能，人工智能也可以沿這個(gè)途徑發(fā)展。

　　這個(gè)學(xué)派在20世紀(jì)80年代末90年代初興起，近年來頗受矚目的波士頓動(dòng)力公司的機(jī)器狗和機(jī)器人就是這個(gè)學(xué)派的代表作。行為主義的一個(gè)分支方向是具身智能，強(qiáng)調(diào)身體對(duì)智能形成和發(fā)展的重要性。

　　行為主義遇到的困難和連接主義類似，那就是什么樣的智能主體才是“可塑之才”。

　　二、路徑演進(jìn)

　　機(jī)器學(xué)習(xí)從20世紀(jì)80年代中期開始引領(lǐng)人工智能發(fā)展潮流，本書給出了很通俗的定義：學(xué)習(xí)就是逐步減少系統(tǒng)誤差的過程，機(jī)器學(xué)習(xí)就是機(jī)器進(jìn)行嘗試、犯錯(cuò)以及自我調(diào)整等操作。

　　機(jī)器學(xué)習(xí)對(duì)人工智能最重要的貢獻(xiàn)是把研究重心從人工賦予機(jī)器智能轉(zhuǎn)移到機(jī)器自行習(xí)得智能。近年來，最成功的機(jī)器學(xué)習(xí)方法是深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。

　　人工智能技術(shù)路徑的演進(jìn)

　　深度學(xué)習(xí)是連接主義和機(jī)器學(xué)習(xí)相結(jié)合的產(chǎn)物，最大的貢獻(xiàn)是找到了一種在多層神經(jīng)網(wǎng)絡(luò)上進(jìn)行機(jī)器學(xué)習(xí)的方法，本書作者楊立昆和約書亞·本吉奧、杰弗里·辛頓因此獲得2018年度圖靈獎(jiǎng)。

　　深度學(xué)習(xí)首先回答了什么樣的神經(jīng)網(wǎng)絡(luò)可以訓(xùn)練出智能，包括多層神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)，也回答了訓(xùn)練(學(xué)習(xí))方法問題，包括受限玻爾茲曼機(jī)模型、反向傳播算法、自編碼模型等。

　　深度學(xué)習(xí)對(duì)連接主義的重大意義是給出了一條訓(xùn)練智能的可行途徑，對(duì)機(jī)器學(xué)習(xí)的重大意義則是給出了一個(gè)凝聚學(xué)習(xí)成效的可塑載體。

　　強(qiáng)化學(xué)習(xí)的思想和行為主義一脈相承，可追溯到1911年行為心理學(xué)的效用法則：給定情境下，得到獎(jiǎng)勵(lì)的行為會(huì)被強(qiáng)化，而受到懲罰的行為會(huì)被弱化，這就是強(qiáng)化學(xué)習(xí)的核心機(jī)制——試錯(cuò)。

　　1989年，沃特金斯提出Q學(xué)習(xí)(Q-learning)，證明了強(qiáng)化學(xué)習(xí)的收斂性。2013年，谷歌子公司DeepMind將Q學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)相結(jié)合，取得AlphaGo、AlphaZero(阿爾法元)和AlphaStar等重大突破。最近，DeepMind更是強(qiáng)調(diào)，只需要強(qiáng)化學(xué)習(xí)，就能實(shí)現(xiàn)通用人工智能。

　　與DeepMind極力推崇強(qiáng)化學(xué)習(xí)不同，楊立昆認(rèn)為強(qiáng)化學(xué)習(xí)不過是錦上添花，傳統(tǒng)監(jiān)督學(xué)習(xí)標(biāo)注成本高，泛化能力有限，也只是點(diǎn)綴，自監(jiān)督學(xué)習(xí)才是機(jī)器學(xué)習(xí)的未來。自監(jiān)督學(xué)習(xí)是通過觀察發(fā)現(xiàn)世界內(nèi)在結(jié)構(gòu)的過程，是人類(以及動(dòng)物)最主要的學(xué)習(xí)形式，是“智力的本質(zhì)”，這就是本書第九章的核心觀點(diǎn)。最近，楊立昆和另外兩位圖靈獎(jiǎng)獲得者發(fā)表的論文“Deep Learning for AI”(《面向人工智能的深度學(xué)習(xí)》)中，也重點(diǎn)談了這個(gè)觀點(diǎn)。

　　有了三位圖靈獎(jiǎng)獲得者的大力倡導(dǎo)，相信自監(jiān)督學(xué)習(xí)將會(huì)掀起一波新的研究浪潮，但我不認(rèn)為這就是“智力的本質(zhì)”。根本原因在于，這只是從機(jī)器學(xué)習(xí)層次看問題，或者更一般地說，是從功能層次看問題。我認(rèn)為，學(xué)習(xí)方法(功能)固然重要，從事學(xué)習(xí)的機(jī)器(結(jié)構(gòu))同樣重要，甚至更重要，因?yàn)榻Y(jié)構(gòu)決定功能。正如我開始時(shí)強(qiáng)調(diào)過的，永遠(yuǎn)不要忘記作為智能載體的機(jī)器。

　　楊立昆在第九章開篇提到了法國(guó)航空先驅(qū)克萊芒·阿代爾(Clément Ader)，他比萊特兄弟早13年造出了能飛起來的載人機(jī)器。楊立昆從這位先驅(qū)身上看到的主要是教訓(xùn)：

　　“我們嘗試復(fù)制生物學(xué)機(jī)制的前提是理解自然機(jī)制的本質(zhì)，因?yàn)樵诓涣私馍飳W(xué)原理的情況下進(jìn)行復(fù)制必然導(dǎo)致慘敗?！?/p>

　　他的立場(chǎng)也很清楚：

　　“我認(rèn)為，我們必須探究智能和學(xué)習(xí)的基礎(chǔ)原理，不管這些原理是以生物學(xué)的形式還是以電子的形式存在。正如空氣動(dòng)力學(xué)解釋了飛機(jī)、鳥類、蝙蝠和昆蟲的飛行原理，熱力學(xué)解釋了熱機(jī)和生化過程中的能量轉(zhuǎn)換一樣，智能理論也必須考慮到各種形式的智能?！?/p>

　　我的看法和他不同，我認(rèn)為克萊芒·阿代爾(和萊特兄弟)不僅沒有“慘敗”，而且取得了偉大的成功。

　　原因很簡(jiǎn)單：克萊芒·阿代爾1890年和萊特兄弟1903年分別發(fā)明飛機(jī)，而空氣動(dòng)力學(xué)是1939—1946年才建立起來的。兩次世界大戰(zhàn)中發(fā)揮重大作用的飛機(jī)，主要貢獻(xiàn)來自克萊芒·阿代爾和萊特兄弟的工程實(shí)踐，而不是空氣動(dòng)力學(xué)理論的貢獻(xiàn)，因?yàn)榭諝鈩?dòng)力學(xué)還沒出現(xiàn)。

　　另一個(gè)基本事實(shí)是，至今空氣動(dòng)力學(xué)也沒能全面解釋飛機(jī)飛行的所有秘密，更沒有全面解釋各種動(dòng)物的飛行原理。

　　空氣動(dòng)力學(xué)很偉大，但它是“事后諸葛亮”，對(duì)于優(yōu)化后來的飛機(jī)設(shè)計(jì)意義重大，但它不是指導(dǎo)飛機(jī)發(fā)明的理論導(dǎo)師。

　　智能比飛行要復(fù)雜得多，深度學(xué)習(xí)成功實(shí)現(xiàn)了智能，但是能夠解釋這種成功的理論還沒出現(xiàn)，我們并不能因此否定深度學(xué)習(xí)的偉大意義。楊立昆和另外兩位圖靈獎(jiǎng)獲得者的偉大，和克萊芒·阿代爾及萊特兄弟之偉大的性質(zhì)相同。

　　我們當(dāng)然要追求智能理論，但是不能迷戀智能理論，更不能把智能理論當(dāng)作人工智能發(fā)展的前提。如果這里的智能理論還試圖涵蓋包括人類智能在內(nèi)的“各種形式的智能”，則這種理論很可能超出了人類智能可理解的范圍。

　　所以，盡管自監(jiān)督學(xué)習(xí)是值得探索的一個(gè)重要方向，它也只是探索“智力的本質(zhì)”漫漫長(zhǎng)途中的一個(gè)階段。人類和很多動(dòng)物具有自監(jiān)督學(xué)習(xí)能力，并不是自監(jiān)督學(xué)習(xí)多神奇，而是因?yàn)樗?它)們擁有一顆可以自監(jiān)督學(xué)習(xí)的大腦，這才是智力的本質(zhì)所在。

　　機(jī)器要進(jìn)行自監(jiān)督學(xué)習(xí)，也要有自己的大腦，至少要有深度神經(jīng)網(wǎng)絡(luò)那樣的可塑載體，否則自監(jiān)督學(xué)習(xí)無從發(fā)生。相比之下，強(qiáng)化學(xué)習(xí)的要求簡(jiǎn)單得多，一個(gè)對(duì)溫度敏感的有機(jī)大分子就能進(jìn)行強(qiáng)化學(xué)習(xí)，這正是生命和智能出現(xiàn)的原因。所以，強(qiáng)化學(xué)習(xí)才是更基本的學(xué)習(xí)方法。

　　當(dāng)然，從零開始強(qiáng)化學(xué)習(xí)，確實(shí)簡(jiǎn)單粗暴、浪費(fèi)巨大，這也是強(qiáng)化學(xué)習(xí)思想提出百年并沒取得太大進(jìn)展的重要原因。

　　強(qiáng)化學(xué)習(xí)近十年來突然加速，是因?yàn)橛辛松疃壬窠?jīng)網(wǎng)絡(luò)作為訓(xùn)練的結(jié)構(gòu)基礎(chǔ)，因而在圍棋、《星際爭(zhēng)霸》等游戲中超越人類。不過，人類輸?shù)貌⒉恍母是樵?，抱怨的主要理由是機(jī)器消耗的能源遠(yuǎn)高于人類大腦。

　　我認(rèn)為這種抱怨是片面的，人類棋手大腦的功耗確實(shí)只有數(shù)十瓦，但訓(xùn)練一個(gè)人類棋手要花費(fèi)十多年時(shí)間。更重要的是，人類棋手學(xué)圍棋時(shí)是帶著大腦這個(gè)先天基礎(chǔ)的，這顆大腦是億萬年進(jìn)化來的，消耗了巨大的太陽能，這都應(yīng)該記到能耗的總賬中。這樣比較，到底是機(jī)器棋手還是人類棋手能耗更大呢?

　　從節(jié)省能源角度看，機(jī)器智能確實(shí)不應(yīng)該從頭再進(jìn)化一次，而是應(yīng)該以進(jìn)化訓(xùn)練好的生物神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，這就是純粹的連接主義：構(gòu)造一個(gè)逼近生物神經(jīng)網(wǎng)絡(luò)的人工神經(jīng)網(wǎng)絡(luò)。

　　1950年，圖靈的開辟性論文《計(jì)算機(jī)與智能》中就表達(dá)了這個(gè)觀點(diǎn)：

　　“真正的智能機(jī)器必須具有學(xué)習(xí)能力，制造這種機(jī)器的方法是：先制造一個(gè)模擬童年大腦的機(jī)器，再教育訓(xùn)練它?！?/p>

　　這也是類腦智能或神經(jīng)形態(tài)計(jì)算的基本出發(fā)點(diǎn)。相關(guān)科研實(shí)踐開始于20世紀(jì)80年代，基本理念就是構(gòu)造逼近生物神經(jīng)網(wǎng)絡(luò)的神經(jīng)形態(tài)光電系統(tǒng)，再通過訓(xùn)練與交互，實(shí)現(xiàn)更強(qiáng)的人工智能乃至強(qiáng)人工智能。

　　除了改進(jìn)訓(xùn)練對(duì)象的先天結(jié)構(gòu)，訓(xùn)練不可或缺的另一個(gè)要素是環(huán)境。環(huán)境才是智能的真正來源，不同環(huán)境孕育不同智能。

　　人們往往把今天人工智能系統(tǒng)的成功歸結(jié)為三個(gè)要素：大數(shù)據(jù)+大算力+強(qiáng)算法，其中數(shù)據(jù)是根本，另外兩個(gè)要素主要影響效率。

　　訓(xùn)練更強(qiáng)智能，需要更大數(shù)據(jù)，這是智能發(fā)展的基本規(guī)律。有人提出“小數(shù)據(jù)”方法和小樣本學(xué)習(xí)，標(biāo)榜要顛覆大數(shù)據(jù)方法，給出的典型理由是人類和動(dòng)物能夠舉一反三，不需要大數(shù)據(jù)。

　　這種觀點(diǎn)貌似有道理，其實(shí)言過其實(shí)，因?yàn)樗麄兺浕蛘吖室怆[瞞了實(shí)現(xiàn)舉一反三的主體是大腦，而大腦本身是“進(jìn)化大數(shù)據(jù)”訓(xùn)練的結(jié)果。

　　所謂小數(shù)據(jù)方法，是以大數(shù)據(jù)“預(yù)訓(xùn)練”為前提的。僅靠小數(shù)據(jù)不可能訓(xùn)練出復(fù)雜智能，道理很簡(jiǎn)單——小數(shù)據(jù)沒有蘊(yùn)含足夠的可能性和復(fù)雜性，所謂的強(qiáng)大智能又從何而來呢?

　　但即便是大數(shù)據(jù)，也不能完整有效地表達(dá)環(huán)境，數(shù)字孿生能更全面地刻畫物理環(huán)境，更好地保留環(huán)境自有的時(shí)空關(guān)系，因此也能夠哺育出更強(qiáng)的人工智能。物理世界的模型化本來就是科學(xué)最核心的任務(wù)，以前從中發(fā)現(xiàn)規(guī)律的是人類，未來這個(gè)發(fā)現(xiàn)主體將擴(kuò)展到機(jī)器。

　　三、未來路徑

　　行文至此，我們已經(jīng)從人工智能發(fā)展史中小心翼翼地挑出三根靠得住的基本支柱：一是神經(jīng)網(wǎng)絡(luò)，二是強(qiáng)化學(xué)習(xí)，三是環(huán)境模型。

　　在這三根支柱中，楊立昆最突出的貢獻(xiàn)是對(duì)神經(jīng)網(wǎng)絡(luò)的貢獻(xiàn)，特別是卷積神經(jīng)網(wǎng)絡(luò)。至于想到用卷積神經(jīng)網(wǎng)絡(luò)，是因?yàn)榻梃b了生物神經(jīng)感知系統(tǒng)，這就是卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別和語音識(shí)別等領(lǐng)域大獲成功的主要原因——深度神經(jīng)網(wǎng)絡(luò)已經(jīng)借鑒了生物神經(jīng)網(wǎng)絡(luò)的部分結(jié)構(gòu)。

　　總而言之，人工智能經(jīng)典學(xué)派有三個(gè)：符號(hào)主義、連接主義和行為主義。符號(hào)描述和邏輯推理不是智能的基礎(chǔ)，而是一種表現(xiàn)，讀寫都不會(huì)的文盲就擁有的“低級(jí)”智能才更基礎(chǔ)。因此，連接主義和行為主義雖然困難重重，但有著更強(qiáng)的生命力，從中發(fā)展出的深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)兩套方法，成為當(dāng)今支撐人工智能的兩大主要方法。

　　展望未來，人工智能的發(fā)展途徑有三條。

　　一是繼續(xù)推進(jìn)“大數(shù)據(jù)+大算力+強(qiáng)算法”的信息技術(shù)方法，收集盡可能多的數(shù)據(jù)，采用深度學(xué)習(xí)、注意力模型等算法，將大數(shù)據(jù)中蘊(yùn)藏的規(guī)律轉(zhuǎn)換為人工神經(jīng)網(wǎng)絡(luò)的參數(shù)，這實(shí)際上是凝練了大數(shù)據(jù)精華的“隱式知識(shí)庫”，可以為各類文本、圖像等信息處理應(yīng)用提供共性智能模型。

　　人工智能路線之一

　　二是推進(jìn)“結(jié)構(gòu)仿腦、功能類腦、性能超腦”的類腦途徑，把大自然億萬年進(jìn)化訓(xùn)練出的生物神經(jīng)網(wǎng)絡(luò)作為新一代人工神經(jīng)網(wǎng)絡(luò)的藍(lán)本，構(gòu)造逼近生物神經(jīng)網(wǎng)絡(luò)的神經(jīng)形態(tài)芯片和系統(tǒng)，站在人類智能肩膀上發(fā)展機(jī)器智能。

　　人工智能路線之二

　　第三條技術(shù)路線的核心是建立自然環(huán)境的物理模型，通過強(qiáng)化學(xué)習(xí)訓(xùn)練自主智能模型。比如，構(gòu)造地球物理模型，訓(xùn)練出的人工智能系統(tǒng)能夠適應(yīng)地球環(huán)境，與人類共處共融;構(gòu)造高精度物理模型(例如基于量子力學(xué)模型構(gòu)造出粒子、原子、分子和材料模型)，可以訓(xùn)練出能夠從事物理學(xué)和材料學(xué)研究的人工智能;構(gòu)造出宇宙及其他星球的物理模型，可以訓(xùn)練出的人工智能則有望走出地球，適應(yīng)宇宙中更復(fù)雜的環(huán)境。

　　人工智能路線之三

　　人類智能是地球環(huán)境培育出的最美麗的花朵，我們?cè)跒樽约候湴恋耐瑫r(shí)，也要警惕人類中心主義。地球不是宇宙的中心，人類智能也沒有類似的獨(dú)特地位，把人類智能視為人工智能的造物主，曾經(jīng)禁錮了人工智能的發(fā)展。沉迷于尋求通用智能理論，將是阻礙人工智能發(fā)展的最大障礙。

　　破除人類中心主義的傲慢和對(duì)通用智能理論的迷思，構(gòu)建更好的人工神經(jīng)網(wǎng)絡(luò)(包括逼近生物神經(jīng)網(wǎng)絡(luò))，堅(jiān)持和發(fā)展強(qiáng)化學(xué)習(xí)基本思想，不斷提高環(huán)境模型的精度和廣度，人工智能將穩(wěn)步前行，前景無限。