楊立昆是當今世界頂尖的人工智能專(zhuān)家，為他的新書(shū)作序，頗具挑戰性。好在眾多專(zhuān)家已在人工智能領(lǐng)域探索了近70年，本文希望通過(guò)反思已走過(guò)路徑的合理性及局限性，探索人工智能的未來(lái)發(fā)展方向。

就像人可以分為精神和肉體兩個(gè)層次，機器智能也可以分為載體（具有特定結構的機器）和智能（作為一種現象的功能）兩個(gè)層次，兩個(gè)層次同樣重要。因此，我偏好用機器智能這個(gè)概念替代人工智能。

與機器智能相比，人工智能這個(gè)概念的重心在智能?！叭斯ぁ倍指吒咴谏系奶貦喔兄鲗Я巳斯ぶ悄苎芯康那鞍肴~，集中體現為符號主義。符號主義主張（由人）將智能形式化為符號、知識、規則和算法，認為符號是智能的基本元素，智能是符號的表征和運算過(guò)程。

符號主義的思想起源是數理邏輯、心理學(xué)和認知科學(xué)，并隨著(zhù)計算機的發(fā)明而步入實(shí)踐。符號主義有過(guò)輝煌，但不能從根本上解決智能問(wèn)題，一個(gè)重要原因是“紙上得來(lái)終覺(jué)淺”：人類(lèi)抽象出的符號，源頭是身體對物理世界的感知，人類(lèi)能夠通過(guò)符號進(jìn)行交流，是因為人類(lèi)擁有類(lèi)似的身體。

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

與符號主義自頂向下的路線(xiàn)針?shù)h相對的是連接主義。連接主義采取自底向上的路線(xiàn)，強調智能活動(dòng)是由大量簡(jiǎn)單單元通過(guò)復雜連接后并行運行的結果，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(guò)人工方式構造神經(jīng)網(wǎng)絡(luò )，再訓練人工神經(jīng)網(wǎng)絡(luò )產(chǎn)生智能。

人工神經(jīng)網(wǎng)絡(luò )研究在現代計算機發(fā)明之前就開(kāi)始了，1943年，沃倫·麥卡洛克和沃爾特·皮茨提出的M-P神經(jīng)元模型沿用至今。連接主義的困難在于，它并不知道什么樣的網(wǎng)絡(luò )能夠產(chǎn)生預期智能，因此大量探索歸于失敗。

20世紀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(jiàn)的成功個(gè)案，不過(guò)這也是技術(shù)探索的常態(tài)。

人工智能的第三條路線(xiàn)是行為主義，又稱(chēng)進(jìn)化主義，思想來(lái)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(guò)與環(huán)境以及其他生物之間的相互作用發(fā)展出越來(lái)越強的智能，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80年代末90年代初興起，近年來(lái)頗受矚目的波士頓動(dòng)力公司的機器狗和機器人就是這個(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，強調身體對智能形成和發(fā)展的重要性。行為主義遇到的困難和連接主義類(lèi)似，那就是什么樣的智能主體才是“可塑之才”。

機器學(xué)習從20世紀80年代中期開(kāi)始引領(lǐng)人工智能發(fā)展潮流，本書(shū)給出了很通俗的定義：學(xué)習就是逐步減少系統誤差的過(guò)程，機器學(xué)習就是機器進(jìn)行嘗試、犯錯以及自我調整等操作。機器學(xué)習對人工智能最重要的貢獻是把研究重心從人工賦予機器智能轉移到機器自行習得智能。近年來(lái)，最成功的機器學(xué)習方法是深度學(xué)習和強化學(xué)習。

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

深度學(xué)習首先回答了什么樣的神經(jīng)網(wǎng)絡(luò )可以訓練出智能，包括多層神經(jīng)網(wǎng)絡(luò )和卷積神經(jīng)網(wǎng)絡(luò )，也回答了訓練（學(xué)習）方法問(wèn)題，包括受限玻爾茲曼機模型、反向傳播算法、自編碼模型等。深度學(xué)習對連接主義的重大意義是給出了一條訓練智能的可行途徑，對機器學(xué)習的重大意義則是給出了一個(gè)凝聚學(xué)習成效的可塑載體。

強化學(xué)習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，得到獎勵的行為會(huì )被強化，而受到懲罰的行為會(huì )被弱化，這就是強化學(xué)習的核心機制——試錯。1989年，沃特金斯提出Q學(xué)習，證明了強化學(xué)習的收斂性。

2013年，谷歌子公司DeepMind將Q學(xué)習和深度神經(jīng)網(wǎng)絡(luò )相結合，取得AlphaGo、AlphaZero（阿爾法元）和AlphaStar等重大突破。最近，DeepMind更是強調，只需要強化學(xué)習，就能實(shí)現通用人工智能。

與DeepMind極力推崇強化學(xué)習不同，楊立昆認為強化學(xué)習不過(guò)是錦上添花，傳統監督學(xué)習標注成本高，泛化能力有限，也只是點(diǎn)綴，自監督學(xué)習才是機器學(xué)習的未來(lái)。

自監督學(xué)習是通過(guò)觀(guān)察發(fā)現世界內在結構的過(guò)程，是人類(lèi)（以及動(dòng)物）最主要的學(xué)習形式，是“智力的本質(zhì)”，這就是本書(shū)第九章的核心觀(guān)點(diǎn)。最近，楊立昆和另外兩位圖靈獎獲得者發(fā)表的論文Deep Learning for AI（《面向人工智能的深度學(xué)習》）中，也重點(diǎn)談了這個(gè)觀(guān)點(diǎn)。

有了三位圖靈獎獲得者的大力倡導，相信自監督學(xué)習將會(huì )掀起一波新的研究浪潮，但我不認為這就是“智力的本質(zhì)”。根本原因在于，這只是從機器學(xué)習層次看問(wèn)題，或者更一般地說(shuō)，是從功能層次看問(wèn)題。我認為，學(xué)習方法（功能）固然重要，從事學(xué)習的機器（結構）同樣重要，甚至更重要，因為結構決定功能。正如我開(kāi)始時(shí)強調過(guò)的，永遠不要忘記作為智能載體的機器。

楊立昆在第九章開(kāi)篇提到了法國航空先驅克萊芒·阿代爾，他比萊特兄弟早13年造出了能飛起來(lái)的載人機器。楊立昆從這位先驅身上看到的主要是教訓：“我們嘗試復制生物學(xué)機制的前提是理解自然機制的本質(zhì)，因為在不了解生物學(xué)原理的情況下進(jìn)行復制必然導致慘敗?！?/p>

他的立場(chǎng)也很清楚：“我認為，我們必須探究智能和學(xué)習的基礎原理，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、鳥(niǎo)類(lèi)、蝙蝠和昆蟲(chóng)的飛行原理，熱力學(xué)解釋了熱機和生化過(guò)程中的能量轉換一樣，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，我認為克萊芒·阿代爾（和萊特兄弟）不僅沒(méi)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，而空氣動(dòng)力學(xué)是1939—1946年才建立起來(lái)的。兩次世界大戰中發(fā)揮重大作用的飛機，主要貢獻來(lái)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，因為空氣動(dòng)力學(xué)還沒(méi)出現。

另一個(gè)基本事實(shí)是，至今空氣動(dòng)力學(xué)也沒(méi)能全面解釋飛機飛行的所有秘密，更沒(méi)有全面解釋各種動(dòng)物的飛行原理?？諝鈩?dòng)力學(xué)很偉大，但它是“事后諸葛亮”，對于優(yōu)化后來(lái)的飛機設計意義重大，但它不是指導飛機發(fā)明的理論導師。

智能比飛行要復雜得多，深度學(xué)習成功實(shí)現了智能，但是能夠解釋這種成功的理論還沒(méi)出現，我們并不能因此否定深度學(xué)習的偉大意義。楊立昆和另外兩位圖靈獎獲得者的偉大，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(lèi)智能在內的“各種形式的智能”，則這種理論很可能超出了人類(lèi)智能可理解的范圍。

所以，盡管自監督學(xué)習是值得探索的一個(gè)重要方向，它也只是探索“智力的本質(zhì)”漫漫長(cháng)途中的一個(gè)階段。

人類(lèi)和很多動(dòng)物具有自監督學(xué)習能力，并不是自監督學(xué)習多神奇，而是因為他（它）們擁有一顆可以自監督學(xué)習的大腦，這才是智力的本質(zhì)所在。機器要進(jìn)行自監督學(xué)習，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，否則自監督學(xué)習無(wú)從發(fā)生。

相比之下，強化學(xué)習的要求簡(jiǎn)單得多，一個(gè)對溫度敏感的有機大分子就能進(jìn)行強化學(xué)習，這正是生命和智能出現的原因。所以，強化學(xué)習才是更基本的學(xué)習方法。

當然，從零開(kāi)始強化學(xué)習，確實(shí)簡(jiǎn)單粗暴、浪費巨大，這也是強化學(xué)習思想提出百年并沒(méi)取得太大進(jìn)展的重要原因。強化學(xué)習近十年來(lái)突然加速，是因為有了深度神經(jīng)網(wǎng)絡(luò )作為訓練的結構基礎，因而在圍棋、《星際爭霸》等游戲中超越人類(lèi)。不過(guò)，人類(lèi)輸得并不心甘情愿，抱怨的主要理由是機器消耗的能源遠高于人類(lèi)大腦。

我認為這種抱怨是片面的，人類(lèi)棋手大腦的功耗確實(shí)只有數十瓦，但訓練一個(gè)人類(lèi)棋手要花費十多年時(shí)間。更重要的是，人類(lèi)棋手學(xué)圍棋時(shí)是帶著(zhù)大腦這個(gè)先天基礎的，這顆大腦是億萬(wàn)年進(jìn)化來(lái)的，消耗了巨大的太陽(yáng)能，這都應該記到能耗的總賬中。這樣比較，到底是機器棋手還是人類(lèi)棋手能耗更大呢？

從節省能源角度看，機器智能確實(shí)不應該從頭再進(jìn)化一次，而是應該以進(jìn)化訓練好的生物神經(jīng)網(wǎng)絡(luò )為基礎，這就是純粹的連接主義：構造一個(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(kāi)辟性論文《計算機與智能》中就表達了這個(gè)觀(guān)點(diǎn)：“真正的智能機器必須具有學(xué)習能力，制造這種機器的方法是，先制造一個(gè)模擬童年大腦的機器，再教育訓練它?！边@也是類(lèi)腦智能或神經(jīng)形態(tài)計算的基本出發(fā)點(diǎn)。

相關(guān)科研實(shí)踐開(kāi)始于20世紀80年代，基本理念就是構造逼近生物神經(jīng)網(wǎng)絡(luò )的神經(jīng)形態(tài)光電系統，再通過(guò)訓練與交互，實(shí)現更強的人工智能乃至強人工智能。

除了改進(jìn)訓練對象的先天結構，訓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(lái)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的成功歸結為三個(gè)要素：大數據+大算力+強算法，其中數據是根本，另外兩個(gè)要素主要影響效率。訓練更強智能，需要更大數據，這是智能發(fā)展的基本規律。

但即便是大數據，也不能完整有效地表達環(huán)境，數字孿生能更全面地刻畫(huà)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的人工智能。物理世界的模型化本來(lái)就是科學(xué)最核心的任務(wù)，以前從中發(fā)現規律的是人類(lèi)，未來(lái)這個(gè)發(fā)現主體將擴展到機器。

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 )，二是強化學(xué)習，三是環(huán)境模型。在這三根支柱中，楊立昆最突出的貢獻是對神經(jīng)網(wǎng)絡(luò )的貢獻，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 )，是因為借鑒了生物神經(jīng)感知系統，這就是卷積神經(jīng)網(wǎng)絡(luò )在圖像識別和語(yǔ)音識別等領(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 )的部分結構。

總而言之，人工智能經(jīng)典學(xué)派有三個(gè)：符號主義、連接主義和行為主義。符號描述和邏輯推理不是智能的基礎，而是一種表現，讀寫(xiě)都不會(huì )的文盲就擁有的“低級”智能才更基礎。因此，連接主義和行為主義雖然困難重重，但有著(zhù)更強的生命力，從中發(fā)展出的深度學(xué)習和強化學(xué)習兩套方法，成為當今支撐人工智能的兩大主要方法。

最后需要強調的是，人類(lèi)智能是地球環(huán)境培育出的最美麗的花朵，我們在為自己驕傲的同時(shí)，也要警惕人類(lèi)中心主義。

來(lái)源：《中國科學(xué)報》