人工智能作為一門發(fā)展近80年的學(xué)問，其發(fā)展過程中邊界持續(xù)擴(kuò)大、研究方向不斷豐富，學(xué)界對其學(xué)科屬性、研究核心等問題仍存爭議。對人工智能的學(xué)科屬性進(jìn)行了系統(tǒng)分析，剖析了人工智能的學(xué)科定位，分析了人工智能可以像人一樣思考、像人一樣行動(dòng)、理性地思考和理性地行動(dòng)這4個(gè)核心目標(biāo)，指出了人工智能是一種方法而不僅是模擬人類，是求解復(fù)雜問題的新范式，人工智能已超越傳統(tǒng)計(jì)算機(jī)科學(xué)分支的范疇。強(qiáng)調(diào)了人工智能是科學(xué)技術(shù)的“元級探索方法”，目前仍處于“前范式科學(xué)”階段。

近日，中國科協(xié)會刊《科技導(dǎo)報(bào)》刊發(fā)了我國計(jì)算機(jī)專家、中國工程院院士李國杰教授的評論文章《人工智能到底是一門什么學(xué)問？》。我們特此摘錄，以饗讀者。

李國杰，“學(xué)術(shù)科協(xié)”科學(xué)智能專家委員會委員、計(jì)算機(jī)專家、中國工程院院士，研究方向?yàn)橛?jì)算機(jī)體系結(jié)構(gòu)、并行算法、人工智能、計(jì)算機(jī)網(wǎng)絡(luò)、信息技術(shù)發(fā)展戰(zhàn)略等。

人工智能到底是一門什么學(xué)問？

李國杰

人工智能(artificial intelligence,AI)作為一門學(xué)問已經(jīng)發(fā)展了近80年。現(xiàn)在人們常將1956年稱為人工智能的元年，因?yàn)槟且荒暾匍_的達(dá)特茅斯研討會上，最先采用了“人工智能”這個(gè)術(shù)語，但實(shí)際上那次為期2個(gè)月的研討會并沒有留下里程碑式的文獻(xiàn)。麥克洛克(Warren McCulloch)和皮茨(Walter Pitts)1943年在《Bulletin of Mathematical Biophysics》期刊上，發(fā)表了第一篇關(guān)于神經(jīng)網(wǎng)絡(luò)模型的論文《A Logical Calculus of the Ideas Immanent in Nervous Activity》[1]，這個(gè)經(jīng)典的M?P(McCulloch?Pitts)模型對當(dāng)今人工智能的發(fā)展仍然發(fā)揮巨大作用。因此，人工智能這門學(xué)科從1943年算起，可能更加合理。

近80年來，人工智能的發(fā)展起起伏伏，但邊界一直在擴(kuò)大，研究方向也在不斷增加。人工智能的研究方向不僅包括傳統(tǒng)的問題求解、知識表示、邏輯推理，自然語言理解、計(jì)算機(jī)視覺、機(jī)器學(xué)習(xí)、機(jī)器人等，還包括大量的AI+X的交叉融合內(nèi)容[2]。長期以來，人工智能被認(rèn)為是計(jì)算機(jī)學(xué)科的一個(gè)分支，但人工智能的發(fā)展已經(jīng)超出了傳統(tǒng)的計(jì)算機(jī)學(xué)科的范圍。教育部已經(jīng)將“智能科學(xué)與技術(shù)”設(shè)立為一級交叉學(xué)科，但對人工智能到底是一門什么學(xué)問，還是有很多疑問。

從人工智能誕生起，就一直面臨人工智能要研究什么的爭論。雖然眾說紛紜，但基本上是2條路線之爭，一條強(qiáng)調(diào)人工智能要模擬人的能力，目標(biāo)是“像人”：從科學(xué)的意義上講，就是要弄清楚“智能”的奧秘。另一條是把人工智能當(dāng)成一種解決復(fù)雜問題的方法，目標(biāo)是設(shè)計(jì)正確而且高效的人造“智能體”。這兩條看起來完全不同的技術(shù)發(fā)展路線，為什么會長期糾纏，包含在一個(gè)學(xué)科中？從宇宙和人類進(jìn)化史來看，包括人腦在內(nèi)的“智能體”可能是進(jìn)化至今的終極“產(chǎn)品”，因此探索智能的奧秘應(yīng)當(dāng)是人類需要解決的最重大的科學(xué)問題，但目前人工智能還處在科學(xué)范式形成前的百家爭鳴階段，沒有形成有共識的基礎(chǔ)理論。另一方面，人工智能的技術(shù)豐富多彩，已經(jīng)走在科學(xué)的前面。作為一門學(xué)科，現(xiàn)在的人工智能的主流究竟是像數(shù)理化一樣的科學(xué)，還是一門工程技術(shù)，這也是需要澄清的問題。本文對人工智能究竟是一門什么學(xué)問發(fā)表一些看法，旨在拋磚引玉，引起討論。

01

人工智能的4個(gè)目標(biāo)

人工智能的定義五花八門，但各種各樣的人工智能教科書也有一些共同的內(nèi)容。其中斯圖爾特·羅素(Stuart Russell)和彼得·諾維格(Peter Norvig)1995年出版的《Artificial Intelligence:A Modern Approach》(《人工智能:一種現(xiàn)代方法》)是一本影響較大的經(jīng)典著作，已經(jīng)發(fā)行第4版[3]，被全球1500多所大學(xué)用作人工智能的教科書，說明這本書講的觀點(diǎn)得到許多人工智能學(xué)者的認(rèn)同。在這本經(jīng)典著作中，人工智能的核心目標(biāo)被歸納為4類：像人一樣思考，像人一樣行動(dòng)，理性地思考和理性地行動(dòng)。這4個(gè)目標(biāo)構(gòu)成了人工智能研究的多元視角即前兩者關(guān)注與人類的相似性，后兩者強(qiáng)調(diào)理性效能。

“模擬人類”和“理性的思考/行動(dòng)”這2條路徑表面上目標(biāo)不同，但本質(zhì)上卻深度相關(guān)，它們共享以下核心假設(shè)。(1)相同的信息處理觀：不論是人腦還是機(jī)器，智能的本質(zhì)都是對信息的接收、加工與利用，強(qiáng)調(diào)在信息不充分的條件下有效解決問題的能力。(2)一致的目標(biāo)驅(qū)動(dòng)：無論模擬人類思維還是追求理性效能，最終目標(biāo)均為構(gòu)建具有自主決策、學(xué)習(xí)和適應(yīng)能力的智能系統(tǒng)。兩者從不同角度切入，共同回答“什么是智能”這一根本問題。(3)應(yīng)對不確定性：認(rèn)知行為和復(fù)雜任務(wù)求解都面臨模糊、未知與動(dòng)態(tài)變化的環(huán)境，人工智能研究必須面對復(fù)雜性和不確定性。

像人一樣思考/行動(dòng)的研究關(guān)注智能體的“人類兼容性”，從人類認(rèn)知與行為中提取智能的表象特征(如語言、情感、社會互動(dòng))，重視機(jī)器的智能行為能否被人類理解或接受。理性思考/行動(dòng)的研究關(guān)注智能體的“效能”，從數(shù)學(xué)邏輯與優(yōu)化中提煉智能的本質(zhì)規(guī)律，如邏輯一致性、最優(yōu)決策等，目標(biāo)是在復(fù)雜環(huán)境中高效達(dá)成目標(biāo)。人工智能的發(fā)展逐漸實(shí)現(xiàn)了從模擬人類到實(shí)際應(yīng)用的融合：“像人一樣思考”往往正是解決問題的最佳參考。模擬人類可為理性思考提供啟發(fā)，人類思維(如直覺、常識)常包含非形式化但高效的決策模式，可為理性算法提供靈感。理性優(yōu)化也可以為模擬人類提供工具，邏輯推理、概率模型等理性方法可提升模擬人類的精確性和泛化能力。兩者通過方法互補(bǔ)和目標(biāo)統(tǒng)一緊密關(guān)聯(lián)，最終服務(wù)于AI學(xué)科的終極命題：創(chuàng)造既能理解人類，又能超越人類局限的智能系統(tǒng)。這種多元統(tǒng)一性是AI作為獨(dú)立學(xué)科的核心凝聚力。

人工智能的4類目標(biāo)如同“智能”的四維坐標(biāo)，像人一樣思考/行動(dòng)定義了智能的“人文維度”(與人類兼容)；理性思考/行動(dòng)定義了智能的“科學(xué)維度”(與客觀規(guī)律一致)。現(xiàn)代AI融合了四者，形成“人類啟發(fā)+理性優(yōu)化”的混合范式。在實(shí)際應(yīng)用系統(tǒng)中，四者常需要結(jié)合。這樣的案例很多，例如：大模型結(jié)合了人類語言數(shù)據(jù)與自監(jiān)督學(xué)習(xí)；在自動(dòng)駕駛中，既需要模擬人類駕駛行為(像人一樣行動(dòng))，又需要理性規(guī)劃路徑(理性行動(dòng))；在醫(yī)療診斷AI中，既需理解醫(yī)生的決策邏輯(像人一樣思考)，又需通過數(shù)據(jù)提高診斷準(zhǔn)確率(理性思考)。

02

人工智能是設(shè)計(jì)智能體的現(xiàn)代方法

對人工智能研究和應(yīng)用而言，上述4個(gè)目標(biāo)的重要性是不同的。模擬人類的思考和行動(dòng)不是最終的目標(biāo)。圖靈提出的驗(yàn)證機(jī)器是否具有思考能力的方法，就是采用機(jī)器是否做出類人行為的測試(稱為圖靈測試)，但這種測試實(shí)際上是關(guān)于人類易受騙性的測試，是否通過圖靈測試并不重要。人工智能的研究應(yīng)該發(fā)展科學(xué)技術(shù)，給人類提供更聰明更有用的工具，進(jìn)一步走向人機(jī)協(xié)作，而不是為了讓測試者上當(dāng)。如果航空工程學(xué)也采取類似圖靈測試的目標(biāo)，應(yīng)該是制造“能像鴿子一樣飛行，甚至可以騙過真鴿子的機(jī)器”。好在飛機(jī)發(fā)明家和航空工程師沒有模仿鳥類，轉(zhuǎn)而研究空氣動(dòng)力學(xué)并使用風(fēng)洞，人工飛行的探索才取得成功。

《人工智能：一種現(xiàn)代方法》這本經(jīng)典教科書中，雖然提到人工智能的4類研究目標(biāo)(或稱為4種范式)，但全書的重點(diǎn)是講“理性行為”，書中明確指出，“在人工智能的大部分歷史中，基于理性智能體的方法都占據(jù)了上風(fēng)”，“人工智能專注于研究和構(gòu)建做正確的事情的智能體”。智能體比傳統(tǒng)的計(jì)算機(jī)程序能完成更多的任務(wù)，包括感知環(huán)境、自主運(yùn)行、自適應(yīng)調(diào)控和實(shí)現(xiàn)目標(biāo)。所謂“正確的事情”是人類提供給智能體的目標(biāo)定義。為了區(qū)別于“模擬人類的思考和行為”，這本書的取名非常明確地告訴大家，人工智能是以機(jī)器理性為核心的一種“現(xiàn)代方法”。這種理性是“目標(biāo)函數(shù)+算法策略”的理性，不一定像人那樣思考，也不一定像人那樣行動(dòng)。人造智能體與人的最大區(qū)別是，其理性是被建模出來的，其本質(zhì)不是“模仿人類”，而是設(shè)計(jì)出來能夠在復(fù)雜環(huán)境中“合理行動(dòng)”的機(jī)制。這種“現(xiàn)代方法”可以定義為一個(gè)統(tǒng)一的框架：一個(gè)理性智能體是感知其環(huán)境并做出行動(dòng)選擇的實(shí)體，其目標(biāo)是最大化某種性能度量函數(shù)下的期望結(jié)果。無論任務(wù)多么復(fù)雜，都可以形式化為“輸入感知→狀態(tài)估計(jì)→行為選擇→性能優(yōu)化”這一鏈條。這個(gè)框架是一種通用范式，可以稱之為人工智能的“標(biāo)準(zhǔn)模型”。

為什么要強(qiáng)調(diào)人工智能是一種方法而不僅僅是模擬人類？筆者認(rèn)為至少是出于2方面的考慮。首先，模擬人類一定要先清楚人腦如何思考和行動(dòng)，這實(shí)際上是腦科學(xué)和認(rèn)知科學(xué)的任務(wù)。在人工智能發(fā)展的初期，學(xué)者不只滿足于設(shè)計(jì)的程序能正確地求解問題，而是更關(guān)心將推理步驟與求解相同問題的人類進(jìn)行比較，在一段時(shí)間內(nèi)，人工智能和認(rèn)知科學(xué)是混淆的。后來認(rèn)識到腦科學(xué)和認(rèn)知科學(xué)還需要作長期的基礎(chǔ)研究，腦科學(xué)與認(rèn)知科學(xué)就與人工智能相對分離地發(fā)展了。現(xiàn)在的人工智能基本上是一種技術(shù)，求解的問題不限于人類的認(rèn)知，更多的是考慮在科學(xué)研究和工程實(shí)踐中傳統(tǒng)科學(xué)技術(shù)解決不了的復(fù)雜問題。近幾年AI for Science和各行業(yè)機(jī)器學(xué)習(xí)垂類模型蓬勃發(fā)展就反映了這個(gè)趨勢。另一方面，如果只專注于模擬人類，人工智能可能會引向錯(cuò)誤的方向。發(fā)展人工智能絕對不是為了替代人類，而是為了增強(qiáng)人類。模擬人類的所有能力，發(fā)展完全替代人類的“人類掘墓者”，不應(yīng)該是人工智能的追求目標(biāo)。因此，應(yīng)當(dāng)根據(jù)人類的需求，對模擬人類的研究方向做出取舍。未來，AI可能不僅是一門技術(shù)，而是成為繼演繹邏輯與實(shí)證科學(xué)之后的知識生產(chǎn)和問題求解的新范式，為人類應(yīng)對客觀世界的不確定性與復(fù)雜性開辟新的途徑。

03

人工智能是求解復(fù)雜問題的新范式

為了應(yīng)對客觀環(huán)境，通過長期的經(jīng)驗(yàn)積累，人類掌握了很多技術(shù)和竅訣。自從哥白尼、伽利略、牛頓等科學(xué)家開創(chuàng)第一次科學(xué)革命以來，人類在天文、數(shù)學(xué)、物理、化學(xué)、醫(yī)學(xué)、工程等領(lǐng)域掌握了大量的科學(xué)技術(shù)，相對簡單的問題用現(xiàn)有的科學(xué)技術(shù)都可以解決，但還有很多復(fù)雜的問題用現(xiàn)有的科學(xué)技術(shù)找不到滿意的解決方案，必須尋求新的解決辦法。通過近百年的努力，人類找到了一條解決復(fù)雜問題的新途徑，這就是人工智能。

所謂復(fù)雜問題往往具有以下特征。(1)多元性：問題中包含數(shù)量極多的相互作用的變量或因素；(2)非線性：不滿足線性疊加原理，可能導(dǎo)致混沌等復(fù)雜行為；(3)模糊性：問題沒有明確定義，邊界模糊；(4)不確定性：結(jié)果難以預(yù)測；(5)動(dòng)態(tài)性：問題輸入和邊界條件隨時(shí)變化。人工智能面對的復(fù)雜問題主要是以下2大類。

3.1 引起組合爆炸的復(fù)雜問題

組合爆炸在數(shù)學(xué)界被稱為“維度災(zāi)難”(curse of dimensionality)，是指隨著問題規(guī)模(維度)增加，求解難度和所需數(shù)據(jù)量呈指數(shù)級增長的現(xiàn)象，反過來說，就是高維空間中數(shù)據(jù)極端稀疏、距離度量失效的現(xiàn)象。例如，若一維空間用10個(gè)點(diǎn)可以充分采樣，那么在100維空間中，達(dá)到類似的采樣密度就需要10100個(gè)樣本?？茖W(xué)研究和工程實(shí)現(xiàn)中常常需要在指數(shù)爆炸的解空間中進(jìn)行組合搜索，尋找滿足某種要求的答案或多目標(biāo)最優(yōu)解。做蛋白質(zhì)結(jié)構(gòu)預(yù)測，1個(gè)包含100個(gè)氨基酸的蛋白質(zhì)三維結(jié)構(gòu)，理論解空間大小約為9100≈1095。集成電路設(shè)計(jì)的理論解空間高達(dá)10540，幾乎是無限大。

在計(jì)算機(jī)科學(xué)中，這一類計(jì)算時(shí)間隨問題規(guī)模指數(shù)級增長的問題，稱為NP困難問題，尋找NP困難問題的滿意解是計(jì)算機(jī)科學(xué)的重大挑戰(zhàn)，幾十年來雖然有些進(jìn)展，但不令人滿意。基于人工神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)將高維數(shù)據(jù)的無結(jié)構(gòu)搜索，轉(zhuǎn)化為有結(jié)構(gòu)的函數(shù)逼近，不用遍歷所有維度組合，而是只關(guān)注局部相關(guān)、共享的模式和少數(shù)潛在特征，巧妙地減少了有效維度，極大地緩解了維數(shù)爆炸帶來的參數(shù)暴漲和數(shù)據(jù)需求。這種“以深度換寬度”的策略，使得深度網(wǎng)絡(luò)能夠用合理數(shù)量的參數(shù)表達(dá)某些本來需要幾乎無窮多的參數(shù)才能表達(dá)的函數(shù)，提供了繞開維度爆炸的有效途徑。近幾年，機(jī)器學(xué)習(xí)在蛋白質(zhì)結(jié)構(gòu)預(yù)測、新材料發(fā)現(xiàn)、集成電路全自動(dòng)設(shè)計(jì)等領(lǐng)域的突破表明，人工智能以組合搜索為切入口，有望成為一種發(fā)現(xiàn)自然規(guī)律、設(shè)計(jì)物理結(jié)構(gòu)、合成新材料、發(fā)明數(shù)學(xué)算法的新工具。這不只是工具的更新，而是一種新型“組合智能”的誕生，未來潛力可能比深度學(xué)習(xí)本身更為深遠(yuǎn)。

3.2 定義不明確，邊界模糊的“臟問題”

科學(xué)發(fā)展史中，所謂科學(xué)問題常常被形象地比喻為“鐘表”——結(jié)構(gòu)精密、因果明確、規(guī)則清晰。牛頓力學(xué)、電磁場理論等經(jīng)典科學(xué)，多以這種可預(yù)測、可解析、可驗(yàn)證的“鐘表式”知識為基礎(chǔ)。拉普拉斯認(rèn)為宇宙運(yùn)行完全由初始條件和物理定律決定，宇宙的過去、現(xiàn)在和未來是一個(gè)連續(xù)的因果鏈。若已知某一時(shí)刻的完整信息，理論上可通過數(shù)學(xué)計(jì)算推演出宇宙的全部歷史與未來軌跡，甚至能“像回顧歷史一樣預(yù)見未來”。然而，隨著科學(xué)技術(shù)問題的復(fù)雜化，科學(xué)家和工程師們越來越多地面對一些邊界模糊的“臟問題”(wicked problems)，不再具有鐘表式的知識。

所謂“臟問題”這一概念，最早由霍斯特·雷特爾(Horst Rittel)和梅爾文·韋伯(Melvin Webber)在1973年發(fā)表的論文《Dilemmas in a general theory of planning》[4]中提出，學(xué)術(shù)界也翻譯成“棘手問題”或“抗解問題”。“臟問題”往往具有以下特征：(1)問題無明確定義，問題邊界模糊，不同人對“問題是什么”有不同理解；(2)解決方案沒有絕對的“對”或“錯(cuò)”，只有“更好”或“更差”，解法具有主觀性，常取決于價(jià)值觀和判斷標(biāo)準(zhǔn)；(3)問題具有獨(dú)特性，沒有通用解決方法，無法套用通用公式或模板來解決問題；(4)問題之間相互交織，難以切割為小問題單獨(dú)處理；(5)許多解決方案是一次性嘗試，一旦嘗試過某種策略，情況可能發(fā)生改變，不能“重來”，有些問題嘗試求解后可能帶來不可逆的后果，難以通過試驗(yàn)來學(xué)習(xí)；等。對人類的感知和認(rèn)知的模擬也屬于這類問題。例如機(jī)器翻譯，將一本中文古典名著翻譯成英文，翻譯是否正確并沒有公認(rèn)的判斷標(biāo)準(zhǔn)。在這個(gè)背景下，人工智能作為一種新興的通用技術(shù)，對“臟問題”處理能力的表現(xiàn)令人矚目。有學(xué)者將人工智能比喻為“抹布”——能把現(xiàn)實(shí)世界中各種“臟”的表面擦干凈。這一比喻生動(dòng)形象，突出了AI處理模糊問題的能力。從“解空間已知+目標(biāo)明確”到“解空間未知+目標(biāo)模糊”的轉(zhuǎn)變，正是AI方法本質(zhì)性的特點(diǎn)。

人工智能目前的處境和量子力學(xué)誕生時(shí)非常相似，當(dāng)時(shí)大多數(shù)科學(xué)家不接受量子力學(xué)模棱兩可的表示。測不準(zhǔn)原理的提出者沃納·卡爾·海森堡(Werner Karl Heisenberg)認(rèn)為，量子力學(xué)用“騎墻者”的語言描述微觀世界可能是一個(gè)“語言學(xué)問題”，而不是“物理學(xué)問題”，將來經(jīng)典力學(xué)和量子力學(xué)也許會共享同一個(gè)話語體系，彼此和諧共處。量子力學(xué)哥本哈根學(xué)派的奠基人尼爾斯·玻爾(Niels Bohr)一口回絕了這種可能，他用“抹布”比喻來反駁海森堡：語言其實(shí)就是一塊“抹布”，你無法要求存在一塊“絕對干凈的抹布”，在擦拭桌子之后依然保持“干凈”。

AlphaGo戰(zhàn)勝世界圍棋冠軍李世石時(shí)，許多人下結(jié)論：人工智能只適合于解決像圍棋一樣邊界清楚、規(guī)則明確的問題。但是，深度學(xué)習(xí)在文本圖像生成、機(jī)器翻譯等領(lǐng)域的成功改變了人們對人工智能的認(rèn)識。人工智能不但在解決邊界清晰、規(guī)則明確的問題上表現(xiàn)出色，目前正在獲得“模糊任務(wù)理解”“自我建模邊界”的能力[5]。它不是只適合封閉系統(tǒng)，而是從封閉系統(tǒng)出發(fā)，向開放世界的泛化智能系統(tǒng)演進(jìn)。人們不再要求必須先明確定義問題和規(guī)則，而是通過大量實(shí)例數(shù)據(jù)學(xué)習(xí)輸入與輸出之間的關(guān)系，從中找到規(guī)律和問題的滿意解。人工智能不是鐘表，也不只是抹布，而是融合模式識別、策略演化、語言表達(dá)與邏輯推理的全新的“智能生成范式”。它既能在混沌中找秩序，也能在嚴(yán)謹(jǐn)中找突破；既能輔助人類，也在重構(gòu)人類的知識定義方式。未來的AI可能是一種“超級認(rèn)知系統(tǒng)”，將人類的經(jīng)驗(yàn)、理性與機(jī)器的“認(rèn)知”密切結(jié)合，成為人類面對復(fù)雜世界不可或缺的合作伙伴。

04

人工智能已經(jīng)不只是計(jì)算機(jī)科學(xué)的一個(gè)分支

人工智能促進(jìn)協(xié)會(AAAI，原稱美國人工智能學(xué)會)對人工智能的定義曾經(jīng)是“人工智能是計(jì)算機(jī)科學(xué)的一個(gè)分支”。筆者過去的文章也強(qiáng)調(diào)人工智能是計(jì)算機(jī)學(xué)科的分支。但是，近幾年人工智能的發(fā)展讓我改變了看法。筆者現(xiàn)在認(rèn)為人工智能已經(jīng)不只是計(jì)算機(jī)學(xué)科的一個(gè)分支，它研究的領(lǐng)域和研究方法，都與傳統(tǒng)的計(jì)算機(jī)學(xué)科大不一樣了。

在傳統(tǒng)計(jì)算機(jī)科學(xué)中，問題通常具有以下特點(diǎn)：(1)求解的問題是形式邏輯、算法性問題；(2)解空間由離散、可枚舉的解構(gòu)成；(3)目標(biāo)是求正確解或最優(yōu)解；(4)解決范式強(qiáng)調(diào)推理，主要采用規(guī)則推導(dǎo)、算法計(jì)算、邏輯演繹，傳統(tǒng)編程是“人寫規(guī)則→計(jì)算機(jī)執(zhí)行”；(5)輸入、輸出、約束、目標(biāo)函數(shù)都有精確、清晰的形式化定義；(6)可驗(yàn)證性強(qiáng)，是否正確通常有唯一標(biāo)準(zhǔn)答案。

而對于人工智能，問題邊界常常是模糊的，評價(jià)標(biāo)準(zhǔn)主觀性強(qiáng)。機(jī)器翻譯、圖像識別、對話系統(tǒng)的“好壞”往往依賴于人類評價(jià)或任務(wù)上下文。解決方式具有非確定性，往往依賴概率模型、統(tǒng)計(jì)推斷、啟發(fā)式搜索、機(jī)器學(xué)習(xí)而非精確推導(dǎo)。求解目標(biāo)不一定是最優(yōu)解，往往是滿意解。從科學(xué)范式上講，當(dāng)前的AI與計(jì)算機(jī)科學(xué)主要的區(qū)別，是從“規(guī)則驅(qū)動(dòng)”走向“數(shù)據(jù)驅(qū)動(dòng)”，從“用已知算法求解”到“通過機(jī)器學(xué)習(xí)求解”，這是一種范式轉(zhuǎn)變。表1歸納了傳統(tǒng)計(jì)算機(jī)科學(xué)和人工智能的區(qū)別。

從歷史淵源看，人工智能最初確實(shí)是計(jì)算機(jī)科學(xué)的一個(gè)子領(lǐng)域。但隨著AI的發(fā)展，它在研究目標(biāo)、方法論、評價(jià)體系等方面，逐漸展現(xiàn)出與計(jì)算機(jī)科學(xué)其他分支(如編譯原理、操作系統(tǒng)、計(jì)算復(fù)雜性理論等)顯著不同的學(xué)科特征。人工智能越來越多地借鑒了其他學(xué)科的知識和方法，正在實(shí)現(xiàn)跨學(xué)科的融合。計(jì)算機(jī)科學(xué)關(guān)注“如何構(gòu)建計(jì)算系統(tǒng)解決精確定義的問題”，而AI關(guān)注“如何構(gòu)造能夠自己學(xué)習(xí)解決問題的機(jī)器”，包括那些人類不能完全形式化定義的問題。人工智能用概率建模代替精確定義，在圖像識別中，不是問“某張圖像是不是貓”，而是問“它是貓的概率是多少？”用目標(biāo)函數(shù)代替顯式規(guī)則，優(yōu)化問題變?yōu)樽钚』撤N損失函數(shù)，讓模型自己學(xué)習(xí)達(dá)到最優(yōu)。人工智能用數(shù)據(jù)驅(qū)動(dòng)的“經(jīng)驗(yàn)空間”逼近問題空間，無法明確定義“貓”，就收集數(shù)百萬“貓圖像”的樣本，建模其高維特征分布。這些方法本質(zhì)上是用逼近策略來形式化模糊問題，使其可訓(xùn)練、可優(yōu)化、可評估?，F(xiàn)在的AI更像是一個(gè)跨學(xué)科的新學(xué)科，而非計(jì)算機(jī)科學(xué)的一個(gè)分支。表2歸納了人工智能借鑒其他學(xué)科的內(nèi)容。

在傳統(tǒng)的計(jì)算機(jī)科學(xué)中，是對一個(gè)問題類中的所有待計(jì)算的問題特例(problem instance)，都采用同一個(gè)明確的固定的程序來計(jì)算。例如排序算法就是針對所有的序列進(jìn)行排序，即使序列趨向無窮長，也可以用同一個(gè)方法求解。而在人工智能中，往往沒有精確定義的問題類，實(shí)際上是對問題的特例求解。這是人們經(jīng)常忽略的一個(gè)重要區(qū)別，因?yàn)槊鎸o定的特例，就有可能利用此特例中一切可以利用的特點(diǎn)，如對稱、規(guī)律、局部模式等，使得消耗的資源盡可能減少。通用人工智能(AGI)的倡導(dǎo)者王培對智能的定義是：智能是在有限資源的情況下，做出最佳適應(yīng)的能力。這個(gè)定義實(shí)際上是把智能和計(jì)算復(fù)雜性聯(lián)系起來了?？朔?fù)雜性是驅(qū)動(dòng)智能產(chǎn)生和發(fā)展的原動(dòng)力，智能正是為了超越計(jì)算復(fù)雜性而形成的能力。目前的大模型大量采用猜測加驗(yàn)證的求解方法。所謂猜測就是一種試錯(cuò)，通過試錯(cuò)可以獲得反饋，通過反饋可以更好地尋找搜索方向。智能體與過去的程序不同之處在于能夠和給定的特例互動(dòng)。針對特例的計(jì)算和非確定圖靈機(jī)有非常密切的關(guān)系，非確定圖靈機(jī)既是計(jì)算理論的重大問題，也是人工智能的重大理論問題。過去只有理論界關(guān)心非確定圖靈機(jī)，針對問題特例的猜測加驗(yàn)證求解方法推動(dòng)非確定性圖靈機(jī)的研究走向?qū)嵱?。這是近幾年人工智能取得重大突破的重要原因。

05

人工智能是科學(xué)技術(shù)的“元級探索方法”，

還處在“前范式科學(xué)”階段

人工智能不只是模擬人類認(rèn)知的特定工具集，而是一種用于探索未知、發(fā)現(xiàn)規(guī)律、生成模型的“元級探索方法”。人工智能是一種“通用問題求解框架”，能夠在知識不完備、資源不充分的條件下獲得滿意解，可廣泛用于數(shù)學(xué)、物理、化學(xué)、生物等領(lǐng)域的基礎(chǔ)科學(xué)研究，也能在各個(gè)領(lǐng)域的技術(shù)開發(fā)、工程實(shí)施中發(fā)揮重大作用。對處理政治、經(jīng)濟(jì)和社會管理問題，人工智能也是一把利器。因此，不能簡單地把人工智能當(dāng)成一個(gè)學(xué)科專業(yè)，它是驅(qū)動(dòng)知識前沿不斷擴(kuò)展的新興技術(shù)科學(xué)范式?？梢园讶斯ぶ悄鼙茸鳌翱茖W(xué)技術(shù)的望遠(yuǎn)鏡”與“認(rèn)知的發(fā)動(dòng)機(jī)”。

人工智能的巨大作用體現(xiàn)在它引起的認(rèn)知革命，在人類的理性之外，人工智能創(chuàng)造了一種“機(jī)器理性”，或者稱“機(jī)器認(rèn)知”。機(jī)器理性不同于人類理性，兩者區(qū)別見表3。人類理性是“自然界演化出來的有限智慧”，機(jī)器理性是“設(shè)計(jì)出來的最優(yōu)化程序”。AI的最終目標(biāo)不是看起來像人類，也不是思考方式模仿人，而是在特定環(huán)境下，采取最大化效用的策略。這也是強(qiáng)化學(xué)習(xí)、智能體規(guī)劃、多目標(biāo)優(yōu)化等技術(shù)成為AI核心方法的原因。人類理性強(qiáng)調(diào)“適應(yīng)性與意義”，機(jī)器理性強(qiáng)調(diào)“可控性與效率”。下一代AI，也許不是更像人，而是更理解人。人類的身邊多了一個(gè)能“思考”的“協(xié)作伙伴”，這是人類從未遇到過的科技革命和認(rèn)知革命，對其影響絕不能低估。人類理性不容易形式化，機(jī)器理性也不易類人化。理解它們的差異，是確保AI向安全可控方向發(fā)展的前提。只有“工具理性”的AI可能給人類帶來重大的風(fēng)險(xiǎn)，如果目標(biāo)函數(shù)設(shè)置錯(cuò)誤或者AI完全自主地設(shè)置目標(biāo)，AI可能高效完成“有害任務(wù)”。

AI對人類社會的影響遠(yuǎn)遠(yuǎn)超過一門普通的學(xué)科，必須充分估計(jì)它的潛力。經(jīng)過幾十年的努力，AI已經(jīng)不是像煉金術(shù)和占星術(shù)一樣停留在假說階段的“前科學(xué)”，而是一個(gè)可以廣泛應(yīng)用的通用技術(shù)，已包含較深厚的科學(xué)基礎(chǔ)和較成熟的技術(shù)棧(各種學(xué)習(xí)算法、推理引擎、知識表示方法等)。它不僅僅是“準(zhǔn)備成為科學(xué)”，它本身就是一個(gè)正在快速發(fā)展的、融合了科學(xué)、工程和應(yīng)用技術(shù)的混合體。但是了解“智能”的奧秘是一個(gè)極難攻克的科學(xué)目標(biāo)，總體來講，人工智能目前還處在“前范式科學(xué)”階段?？茖W(xué)哲學(xué)家托馬斯·庫恩(Thomas Samuel Kuhn)指出“前范式科學(xué)”階段的特點(diǎn)是：(1)沒有統(tǒng)一的研究范式，主要依賴試錯(cuò)、經(jīng)驗(yàn)和直覺進(jìn)行探索；(2)存在多個(gè)互相競爭的理論體系；(3)基本概念、研究方法和標(biāo)準(zhǔn)尚未統(tǒng)一；(4)學(xué)者之間對“什么是重要的問題”“什么是好的解釋”還沒有達(dá)成共識。目前的AI明顯具有上述特征。近幾年雖然Transformer架構(gòu)主導(dǎo)了“深度學(xué)習(xí)”子領(lǐng)域，但還沒有在符號推理、因果學(xué)習(xí)、具身智能等方向起到關(guān)鍵作用，并未成為整個(gè)人工智能領(lǐng)域的統(tǒng)一研究范式。當(dāng)前的基準(zhǔn)測試雖帶來一定共識，但仍無法全面評價(jià)“智能體是否真正具有智能”。因此，從AI領(lǐng)域整體來看，尚未進(jìn)入庫恩定義的“常規(guī)科學(xué)”階段。目前的AI是在尚無統(tǒng)一理論指導(dǎo)的前提下，幫助人類進(jìn)行認(rèn)知探索與問題求解的“通用前置方法”，這是一種用于探索“尚未被系統(tǒng)化理解的領(lǐng)域”的通用方法。

1962年庫恩在他的經(jīng)典著作《The Structure of Scientific revolutions》(《科學(xué)革命的結(jié)構(gòu)》)中提出“科學(xué)范式”概念，至今已經(jīng)60多年了。隨著科技的發(fā)展，科研范式的形式可能也會發(fā)生變化。人工智能可能會形成不同于庫恩闡述的范式演進(jìn)的新途徑，人機(jī)協(xié)作就是人工智能帶來的新科研范式。這種范式的特點(diǎn)是：在不確定的環(huán)境中，基于數(shù)據(jù)和模型，通過機(jī)器學(xué)習(xí)先找到某種潛在結(jié)構(gòu)或經(jīng)驗(yàn)規(guī)律；再由科學(xué)家解釋、驗(yàn)證，構(gòu)建普適理論；最后形成工程規(guī)范或?qū)W科定律。AlphaFold2通過深度學(xué)習(xí)預(yù)測蛋白質(zhì)結(jié)構(gòu)，它本身并未提出生物化學(xué)新理論，但卻為理論建構(gòu)提供了前所未有的“結(jié)構(gòu)猜測”。這種模式可能會成為今后科學(xué)研究的常態(tài)。需要指出的是，對機(jī)器學(xué)習(xí)的認(rèn)知局限性要有清醒的認(rèn)識，機(jī)器理性不可能完全替代人類理性。發(fā)現(xiàn)新規(guī)律需要靈感和頓悟，發(fā)現(xiàn)新材料、新藥物等仍需要人類做大量艱苦細(xì)致的測試和臨床實(shí)驗(yàn)。應(yīng)當(dāng)由人類完成的事不可能完全交給機(jī)器，自媒體上關(guān)于完全替代甚至征服人類的所謂“硅基新物種”的種種“預(yù)言”，目前還只是一種科學(xué)幻想，無需過分關(guān)注。

長期以來人們普遍認(rèn)為，采用演繹推理和簡潔的公式表達(dá)知識是科學(xué)研究進(jìn)入常規(guī)階段的必要條件，試錯(cuò)性的搜索和統(tǒng)計(jì)推理是科學(xué)范式不成熟的表現(xiàn)。但是，人工智能技術(shù)的發(fā)展表明，數(shù)據(jù)驅(qū)動(dòng)和概率推理可能會在科研工作中發(fā)揮越來越重要的作用，成為今后普遍采用的科研模式。人工智能的核心是應(yīng)對不確定性、復(fù)雜性和知識不充分性，這一特點(diǎn)決定了AI研究是一種與以往任何科學(xué)研究不同的范式?，F(xiàn)在的語言大模型有千億級以上的權(quán)重參數(shù)，這些參數(shù)的統(tǒng)計(jì)分布可以看作人工智能的通用語言，結(jié)構(gòu)相同的大模型有可能通過直接交換權(quán)重參數(shù)進(jìn)行交流和學(xué)習(xí)，成為機(jī)器理性的一種新范式。之所以認(rèn)為當(dāng)前的人工智能還處在前科學(xué)范式階段，是因?yàn)槿斯ぶ悄芤叩穆愤€很長，今后的人工智能是不是還是以統(tǒng)計(jì)推理為核心技術(shù)，現(xiàn)在還說不準(zhǔn)。人工智能的范式仍在快速演進(jìn)中，尚未完全固化。但有一點(diǎn)可以肯定，在相當(dāng)長的時(shí)間內(nèi)，人工智能是一個(gè)范式快速演進(jìn)、技術(shù)不斷拓展的學(xué)科，不要期望它很快成為像物理、化學(xué)一樣穩(wěn)定的“常規(guī)科學(xué)”。

人工智能還有一個(gè)與眾不同的“自我消解”的特點(diǎn)，所謂“自我消解”是指，當(dāng)一項(xiàng)人工智能技術(shù)被深入研究，形成了可靠、系統(tǒng)化的規(guī)則、算法或知識庫，并且其求解過程變得透明、可預(yù)測甚至“平凡化”之后，人們往往就不再認(rèn)為它是“人工智能”了，而是將其歸入某具體應(yīng)用領(lǐng)域的常規(guī)技術(shù)或軟件。圖像處理、數(shù)據(jù)庫、光學(xué)字符識別(OCR)和專家系統(tǒng)等，都曾經(jīng)歷或正在經(jīng)歷這個(gè)過程。這就是說，AI不是理論的終點(diǎn)，而是理論發(fā)現(xiàn)的起點(diǎn)。AI可能永遠(yuǎn)進(jìn)不了庫恩定義的“常規(guī)科學(xué)”的大門，而是永不畢業(yè)的“前范式科學(xué)伴侶”。

“人工智能究竟是一門什么學(xué)問”是一個(gè)永遠(yuǎn)開放的問題，已經(jīng)問了幾十年，今后還會問下去。老的疑惑解決了，新的疑惑又會冒出來。“不識廬山真面目，只緣身在此山中”，也許只有走出這座大山以后，才能真正看清人工智能的真面目。

參考文獻(xiàn)

[1]McCulloch W S, Pitts W. A logical Calculus of the ideas immanent in nervous activity[J]. Bulletin of Math-ematical Biology, 1990, 52(1/2):99?115.

[2]李國杰. 智能化科研(AI4S)里程碑式重大成果綜述[J]. 計(jì)算, 2025, 1(4): 6?15.

[3]Russell S, Norvig P. Artificial intelli-gence: A modern approach[M]. 4th edition. London: Pearson, 2020.

[4]Rittel H W J, Webber M M. Dilem-mas in a general theory of planning [J]. Policy Sciences, 1973, 4(2): 155?169.

[5]李國杰. DeepSeek引發(fā)的AI發(fā)展路徑思考[J]. 科技導(dǎo)報(bào), 2025, 43(3): 14?19.

供　　稿：科技導(dǎo)報(bào)社

責(zé)　　編：李蕙帆

審　　核：張敬一

值班編委：宋玉榮