如何看待人工智能

危輝

2016年3月，谷歌公司的計算機圍棋程序AlphaGo以四比一的戰(zhàn)績在圍棋人機大賽中獲得勝利。一時間關(guān)于人工智能戰(zhàn)勝了人類智能、機器將統(tǒng)治世界的言論成為各類媒體競相報道的內(nèi)容和民眾關(guān)注的話題。那么AlphaGo究竟是怎樣的一個程序？人工智能發(fā)展到今天已經(jīng)完善了嗎？機器智能究竟能不能代替人類智能呢？

最近人工智能有點熱。2016年3月，谷歌公司的計算機圍棋程序AlphaGo（有譯阿爾法狗）以四勝一負(fù)的戰(zhàn)績戰(zhàn)勝了近十年來贏得頭銜最多的韓國圍棋九段選手李世石。這是自1997年IBM公司的計算機國際象棋程序“深藍(lán)”（Deep Blue）戰(zhàn)勝蘇聯(lián)國際象棋大師卡斯帕羅夫之后的又一個標(biāo)志性事件。其實在此之前的2008年，西洋跳棋程序已經(jīng)成功實現(xiàn)“人類棋手只有在不犯錯的情況下才能與它下平手”。這些成功案例使得人工智能下棋程序的研究變得炙手可熱。

不僅在下棋方面，人工智能在自然語言理解領(lǐng)域也取得驕人成績。繼“深藍(lán)”之后，IBM開發(fā)的“沃森”（Watson）系統(tǒng)在與人類選手的問答比賽中贏得了冠軍。

上述成功具有矚目的顯示度和大眾效應(yīng)，一時間“人類從智慧皇冠上跌落”“人工智能將統(tǒng)治世界”“機器馬上要代替人了”之類的言論在普通大眾和媒體間廣為流傳?！叭斯ぶ悄堋币辉~迅速占領(lǐng)報紙、雜志、電子媒體的頭條，人們紛紛開始討論出現(xiàn)在科幻電影《機械公敵》《終結(jié)者》《星球大戰(zhàn)》中的場景是不是會很快發(fā)生。相較于學(xué)術(shù)界對人工智能理論與技術(shù)研究的謹(jǐn)慎態(tài)度，社會學(xué)家、哲學(xué)家和政治家開始呼吁公眾要非常嚴(yán)肅地討論是不是應(yīng)該未雨綢繆，像對待克隆技術(shù)那樣對人工智能或機器人研究的范圍和深度進行立法。

人公智能的簡史與研究分支

從圖靈（A.Turing）提出圖靈測試算起，人工智能發(fā)展到今天已有近80年，但人類對用機器代替人的研究遠(yuǎn)不止這些。按照時間順序，人工智能先后對推理、問題求解、決策、規(guī)劃、專家系統(tǒng)、自然語言理解、模式識別、學(xué)習(xí)等問題進行了研究，這些形成了人工智能最核心的研究分支。比如，用計算機來證明一個幾何定理，屬于推理研究；用計算機來解傳教士與野人問題，屬于問題求解的范疇；用計算機來決定何時拋售手中的股票，屬于決策研究；用計算機制定一個作戰(zhàn)計劃，則是規(guī)劃研究；設(shè)計一個計算機程序來代替工程師檢測機器的故障，屬于專家系統(tǒng)的范疇；用計算機實現(xiàn)語言翻譯，是自然語言理解的范疇；設(shè)計機器來感知環(huán)境，屬于模式識別的范疇；讓一個程序能夠從以往的經(jīng)歷中學(xué)到如何提升自身的性能，是機器學(xué)習(xí)研究的問題。這幾個核心分支把心理學(xué)所定義的人的智能行為，包括決策、推理、問題求解、理解、學(xué)習(xí)都涵蓋在內(nèi)，它們使人工智能與心理學(xué)有了天然的聯(lián)系，以至于一本普通心理學(xué)或認(rèn)知心理學(xué)教材與人工智能教材在目錄上有著高度的相似性。

目前，人工智能大致形成三個比較自成體系的學(xué)派。它們分別是邏輯主義學(xué)派、認(rèn)知主義學(xué)派和連接主義學(xué)派。邏輯主義學(xué)派是用形式邏輯的方法來實現(xiàn)對思維過程的模擬，代表性成就是各種推理方法、歸結(jié)反演方法等。認(rèn)知主義學(xué)派的核心思想是從人的認(rèn)知過程出發(fā)進行智能模擬，代表性成就是狀態(tài)空間理論、專家系統(tǒng)方法等。連接主義學(xué)派的中心議題是如何模仿生物神經(jīng)系統(tǒng)的工作原理，代表性成就是神經(jīng)元的數(shù)學(xué)模型（MP模型）、并行分布式理論等。

盡管人工智能已取得了一些進展，但仍距離它原先的目標(biāo)非常遙遠(yuǎn)。在1990年代，人工智能領(lǐng)域中的非單調(diào)邏輯研究曾經(jīng)非常繁榮。人們似乎看到了突破傳統(tǒng)經(jīng)典推理手段的新途徑，但是后來的發(fā)展證明事實遠(yuǎn)不如愿。人工智能學(xué)家德賴弗斯（H.Dreyfus）對此給出一個精辟的評論：如果聲稱非單調(diào)邏輯對人工智能是一個進步的話，就如同聲稱爬上一棵樹是向著登上月球的目標(biāo)邁進了一步。這樣的曇花一現(xiàn)在人工智能界屢見不鮮，此前有人工神經(jīng)元網(wǎng)絡(luò)，之后有多智能體系統(tǒng)、面向?qū)ο笾R表示。統(tǒng)計機器學(xué)習(xí)方法等，無一不是熱過一陣子之后就回歸了平靜，頗有些“理想很豐滿，現(xiàn)實很骨感”的味道。

隨著多處理器計算機和網(wǎng)絡(luò)計算環(huán)境日漸改善，近年來，人工智能在很多涉及大規(guī)模信息加工的應(yīng)用上取得了一些進展，如數(shù)據(jù)挖掘技術(shù)對海量數(shù)據(jù)所蘊含規(guī)律的發(fā)現(xiàn)、大規(guī)模文本處理、網(wǎng)絡(luò)數(shù)據(jù)分析等，但這些只是應(yīng)用場合的拓展，從技術(shù)上來說類似于“產(chǎn)能擴張”，而非“產(chǎn)業(yè)升級”。

AlphaGo的成功秘訣

拋開廣大大眾媒體對AlphaGo象征意義的討論，先從技術(shù)細(xì)節(jié)上來分析一下它獲得成功的關(guān)鍵所在。嚴(yán)格來說，這一次AlphaGo的成功是因為用合適的技術(shù)解決了一個合適的問題。

中國有一句俗語叫做“柿子挑軟的捏”，計算機下棋程序就是人工智能中的“軟柿子”。二人博弈的棋盤游戲一般都具有棋子布局規(guī)整和下棋規(guī)則清晰明確兩個特征，這屬于規(guī)范的數(shù)據(jù)和理論上可預(yù)計的變化空間范疇，對計算機算法設(shè)計來說是非常容易完成的任務(wù)。表征和處理規(guī)范數(shù)據(jù)，按部就班推進狀態(tài)變化是計算機擅長的工作。因此，計算機下棋程序成為人工智能領(lǐng)域最早進行研究的分支之一。通常用一個規(guī)范的數(shù)據(jù)結(jié)構(gòu)來表征棋局的狀態(tài)，用下棋規(guī)則來定義棋局狀態(tài)的演變，便可以在理論上得到一個狀態(tài)空間。然后用某種搜索算法在這個空間中進行搜索，逐一評價遇到的任何一個中間狀態(tài)，以確定哪個中間狀態(tài)更為有利。這個過程就如同“歧路尋羊”的過程。這一過程理論上并不復(fù)雜，真正的挑戰(zhàn)是如何在計算機中實現(xiàn)高效率的狀態(tài)表示，以及優(yōu)選搜索路徑的方法。不能簡單地將可能性組合一一試過，因為這個天文數(shù)字往往會導(dǎo)致窮舉搜索策略的徹底失敗。

相較其他棋類，圍棋有其特殊之處。一方面，它的落子和圍死規(guī)則特別簡單明了，這對于計算機來說，易于實現(xiàn)；而另一方面，它講究的大局觀和態(tài)勢論極端復(fù)雜，以及號稱3的狀態(tài)空間規(guī)模使得圍棋成為人工智能下棋研究中最難應(yīng)對的任務(wù)。面對這項艱巨的任務(wù)，AlphaGo研究團隊在有效表征棋局、評價候選走步的優(yōu)劣，以及快速篩選三方面富有創(chuàng)新。該團隊宣稱采用了近幾年來在人工智能界炙手可熱的深度學(xué)習(xí)技術(shù)，筆者由此推測他們可能是把棋局當(dāng)作一種圖像模式，在該模式與當(dāng)時的應(yīng)對走步之間進行關(guān)聯(lián)性學(xué)習(xí)，也就是從棋譜和左右手對弈的海量的訓(xùn)練集數(shù)據(jù)中形成從棋局布局模式到應(yīng)對走步間的映射關(guān)系。這是人工智能機器學(xué)習(xí)領(lǐng)域最典型的處事方法。這一估計能夠解釋在專業(yè)圍棋手眼中A1phaGo具有大局觀，且隨著棋局的深入會越下越好。

A1phaGo是根據(jù)布局模式進行決策的，不必在當(dāng)前布局下逐個去試探每個可能的點，而是直接跳到似曾相識的走步，并且隨著參考點數(shù)量的增加，它對模式的分類會越來越準(zhǔn)確。這一過程又與人工智能的另外一個研究分支——基于實例的推理（或稱“類比推理”）很相似?；趯嵗耐评韺F(xiàn)今模式與既往模式進行匹配，從而找到當(dāng)時的解題方法，并在此方法基礎(chǔ)上試探若干種新的但是小的變化。這一方法可以大大提高找到可行走步的效率，且是在以往成功實踐的基礎(chǔ)上，因此失敗的風(fēng)險較小。此外，AlphaGo幕后由眾多CPU支撐的并行計算使得它把與頂級圍棋手下圍棋這件只有極少數(shù)人才能實現(xiàn)的事情變成了“機械的記憶+機械的計算”。相比之下，人類的工作記憶容量非常有限，難以與AlphaGo比肩，此次僅憑一己之力來對抗龐大的機器，雖敗猶榮。

在東方文化中，圍棋一向被視為頂級智慧的標(biāo)志性事物。AlphaGo研究團隊此次針對這個看似很難用計算機處理的棋類問題，找準(zhǔn)了技術(shù)切人點，最終大比分贏得比賽，引起轟動。但是，若把這次成功視為“人類智力的崩塌”未免太言過其實了。“炒菜”是基于實例的推理經(jīng)常使用的例子，此次AlphaGo的勝利就如同從老菜譜中派生出一個新菜，本質(zhì)上仍是同一個范疇內(nèi)的改良，并非創(chuàng)新。它基于棋子布局模式進行匹配的工作方式不需要知道圍棋的基本規(guī)則，甚至不需要理解“圍”的含義，只要“記”下模式匹配的對應(yīng)關(guān)系。從這一點上看，這種看似是便捷的方法實際上有著不求甚解的嫌疑。

實現(xiàn)人工智能的難點

人工智能系統(tǒng)或程序有不同的層次，最簡單的比如解決一個漢諾塔問題的程序，最多有一兩百行的計算機代碼；最復(fù)雜的可以把目標(biāo)定義為完全模仿人的思維，這個目標(biāo)的實現(xiàn)至今還無頭緒。

人工智能的難點理應(yīng)是那些富有挑戰(zhàn)性的任務(wù)。然而，人工智能“認(rèn)為”的挑戰(zhàn)性任務(wù)出乎人意料。通常認(rèn)為只有專家或工程師等專業(yè)人士能解決的問題才是難題，普通大眾都明了的一定是容易的。其實這個認(rèn)知在人工智能領(lǐng)域卻未必行得通，比如對人工智能而言，“根據(jù)化學(xué)成分的比例判斷土壤樣本所屬的風(fēng)化殼類型”恰恰很容易，而“理解一個比喻”是極為困難的。這兩項任務(wù)的區(qū)別就在于前者所需要的背景知識是確定的，后者所需要的背景知識卻是無法準(zhǔn)確估計的。因為無法限定所解問題的范圍，所以計算機程序就難以做到足夠的近似。這就是為什么目前計算機可以解算很復(fù)雜的方程組，卻難以完成理解自然語言、理解場景等看似平凡的任務(wù)。因此，人工智能面臨真正的挑戰(zhàn)不是實現(xiàn)AlphaGo這樣的圍棋程序，而是去準(zhǔn)確模擬普通人在日常生活中的行為。

也許有人會提出異議，IBM的“沃森”不是在語言問答比賽中戰(zhàn)勝了人類冠軍嗎？人工智能不是已經(jīng)勝過人類了嗎？仔細(xì)分析一下“沃森”的技術(shù)細(xì)節(jié)就可以發(fā)現(xiàn)，比賽中的問題屬于知識性，與推理或問題求解關(guān)系不大；其次“沃森”的技術(shù)核心是利用關(guān)鍵詞去匹配網(wǎng)絡(luò)上海量的文本資源，找出最相似、最相關(guān)的句子來應(yīng)答，而這些現(xiàn)成答案里并沒有多少推理成分。其實關(guān)鍵詞的匹配僅需要比較淺層的近義詞或同義詞知識，并不需要更深層的語義蘊含知識。

日常生活中，一個看似簡單的問題求解可能會涉及很多復(fù)雜的概念關(guān)聯(lián)，以下兩個小故事很生動地對此作了詮釋。故事一：一匹小馬背著一袋鹽過河時，不小心摔了一跤，起來后發(fā)現(xiàn)身上變輕了。后來，它又背了一袋棉花過河，根據(jù)上一次的經(jīng)驗，于是它故意摔一跤，結(jié)果發(fā)現(xiàn)沒有得到預(yù)想的結(jié)果，身上的袋子反而更重了。故事二：在一個炎熱的夏天，一群小動物跑到一棵樹下躲避陽光，其中一個小動物提議把大樹砍了，把樹樁當(dāng)作桌子，這樣就可以在桌子上玩游戲了，砍樹的結(jié)果是再也沒有樹陰可以為它們遮陽了。前一個故事涉及鹽、棉花、水等概念以及它們的特性，而后者與樹陰、陽光等概念密切相關(guān)。稍大一點的孩子就知道小馬和那群小動物做法的欠妥之處，而“沃森”做不出這樣的推理和分析，其本質(zhì)與AlphaGo相近，都只是尋-找直接的映射。

人類智能的神奇之處在于總能想方設(shè)法應(yīng)對不期而遇的問題，然后靈活應(yīng)用自己的背景知識，用盡可能小的代價去逐步化解問題的難度。能如此游刃有余是由于人具有一個豐富內(nèi)涵的概念系統(tǒng)，這是提高基于知識庫的人工智能系統(tǒng)性能的關(guān)鍵。構(gòu)建一個概念數(shù)量充足、語義關(guān)聯(lián)豐富、適應(yīng)多任務(wù)性、可發(fā)展的概念系統(tǒng)是人工智能的重大挑戰(zhàn)之一，目前的人工智能技術(shù)還實現(xiàn)不了。

在1990年，人工智能界的許多學(xué)者回顧當(dāng)時近半個世紀(jì)以來本領(lǐng)域所取得的成果，同時總結(jié)出五個人工智能所面臨的核心科學(xué)問題。現(xiàn)在看來，這些問題的答案依然是很模糊的，甚至可以說此后的25年，人工智能界的主流力量在回避這些問題。人工智能早期發(fā)展階段遺留下來的“封閉世界假設(shè)”至今還是衡量某個人工智能系統(tǒng)是否成功的保護傘。

謹(jǐn)慎看待人工智能相關(guān)的熱門技術(shù)

隨著互聯(lián)網(wǎng)等技術(shù)的迅速普及，當(dāng)下一些新概念層出疊現(xiàn)，那么這些新技術(shù)能夠幫助人工智能解決那些懸而未決的問題嗎？

大數(shù)據(jù)、云計算、量子計算能夠解決人工智能問題嗎？回答這個問題之前，先來看看早期的人類。自石器時代，人類開始發(fā)明創(chuàng)造器物，每個個體都在使用自己的智力進行生存，原始人通過觀察地面的足印來判斷眼前消失已久的動物的類型、數(shù)量、逃走方向和時間等，并迅速做出是否追擊的決定。做出這些判斷的大腦都是基于生物學(xué)機制的，來源于自然進化?？梢姡匀唤缭跊]有大數(shù)據(jù)分析、云計算、量子計算這些豪華手段的情況下，早已找到了另外一種實現(xiàn)智能的手段，而且經(jīng)過600萬年的人類進化史檢驗，證明是可行的。

盡管目前單人無法對太字節(jié)（TB）的數(shù)據(jù)進行數(shù)據(jù)挖掘，只有機器能夠?qū)崿F(xiàn)，但這不意味只有使用大量硬件資源才能實現(xiàn)人工智能，也許好算法能在更經(jīng)濟的環(huán)境下成功解決問題。所以，大數(shù)據(jù)、云計算、量子計算等手段在解決人無法應(yīng)對的海量數(shù)據(jù)的問題上是必需的利器，但它們不是實現(xiàn)人工智能的關(guān)鍵途徑。

機器學(xué)習(xí)能解決人工智能問題嗎？機器學(xué)習(xí)可能是計算機科學(xué)領(lǐng)域當(dāng)前最熱門的研究分支，它幾乎成了“圣餐杯”，有一種席卷所有應(yīng)用領(lǐng)域的趨勢。有人甚至表示“我認(rèn)為人工智能的根本出路就是降維（一種機器學(xué)習(xí)手段）”。

機器學(xué)習(xí)方法大致可以分為三大類，一是符號學(xué)習(xí)方法，二是統(tǒng)計學(xué)習(xí)方法，三是人工神經(jīng)元網(wǎng)絡(luò)。前兩類中的歸納學(xué)習(xí)、類比學(xué)習(xí)、基于解釋的學(xué)習(xí)等有著明顯的人類思維痕跡。第三類則不同，對于任何一種應(yīng)用只要有一些輸入數(shù)據(jù)和輸出結(jié)果相對應(yīng)的訓(xùn)練樣本，幾乎都可以套用統(tǒng)計機器學(xué)習(xí)算法，而不需要了解這個任務(wù)的中間環(huán)節(jié)究竟是怎樣的。AlphaGo使用了屬于第三種類型的深度學(xué)習(xí)技術(shù)，宣稱學(xué)習(xí)過幾千萬局圍棋的數(shù)據(jù)。機器學(xué)習(xí)方法中除第一種類型之外，其余兩類都有點像排球中的“短平快”打法，它們不求中間的加工細(xì)節(jié)是否接近于真實過程，只求最后的輸出結(jié)果成立。它們把所有應(yīng)用都簡化為“分類問題”，即把輸人數(shù)據(jù)映射到它應(yīng)該屬于的那類中，而這個類別的標(biāo)記已被賦予某種特殊意義。岡此，它們也被視為“黑箱操作”。機器學(xué)習(xí)看起來與人的學(xué)習(xí)過程有相似之處，但是它沒有人類學(xué)習(xí)的低成本、高效率特性，“黑箱操作”的屬性使得它無助于探索很多智能信息加工的任務(wù)內(nèi)在機制。

自動駕駛技術(shù)能替代出租車司機的工作嗎？現(xiàn)在自動駕駛技術(shù)也很熱，甚至有人預(yù)計它會替代出租車司機的工作。其實這個預(yù)測把司機的職業(yè)素質(zhì)過于簡單化了。在運送客人的過程中，司機可能會頻繁遇到以下問題：行車路線規(guī)劃、交通信號與標(biāo)志判別、路況判別、解答乘客的問詢、導(dǎo)游/導(dǎo)購服務(wù)等，這些都是典型的人工智能問題。其中的任何一種在不做任何簡化的情況下都是復(fù)雜的問題求解，更何況這些任務(wù)往往是交織在一起的，要順利地完成任務(wù)就會涉及信息流的融合問題。

對人工智能而言，平凡的駕駛?cè)蝿?wù)其實是一種全方位的挑戰(zhàn)。試想一個司機要順利將乘客送到目的地，需要先驗知識（如地圖、交通規(guī)則與指揮手勢、當(dāng)?shù)氐娘L(fēng)土人情、駕車技能、解題步驟等），融合多通道的信息（如交通燈和道路的視覺刺激、喇叭和乘客語音的聽覺刺激、駕車的本體感覺等），把知識和經(jīng)驗與當(dāng)前的情景天衣無縫地整合到一起，最終高效推演出一個可行的解題方案。如果換成智能機器來充當(dāng)司機，就會發(fā)現(xiàn)這個看似平常的任務(wù)所顯示的難度是當(dāng)前理論與技術(shù)手段都無法克服的，因為很顯然，把傳統(tǒng)人工智能中分立解決每個步驟的各種方法，如機器規(guī)劃、模式識別、自然語言理解、推理、問題求解、搜索技術(shù)以及機器學(xué)習(xí)簡單地集成在一起是不可能達(dá)到目的的，這些現(xiàn)成的方法在理論依據(jù)、所面向領(lǐng)域、問題描述、求解機制、知識采納、系統(tǒng)表示體制等方面存在巨大的差異。目前，僅有汽車?yán)锿馀鋫涞囊恍爸悄堋痹O(shè)備，它們僅解決了有限環(huán)境下的駕駛問題。

人工智能未來的發(fā)展方向

人工智能中的一些深深植根于各分支領(lǐng)域，且為各分支共有的核心難題并沒有取得突破，這妨礙了人工智能應(yīng)用廣度與深度的進一步拓展?，F(xiàn)在普遍認(rèn)為，人工智能的基礎(chǔ)理論研究方面已陷入了低谷。人類應(yīng)從更本源的角度來思考智能的機器模擬與實現(xiàn)問題，不應(yīng)忽視人工智能研究除模擬智能之外的另外一個目標(biāo)，即探求智能的本質(zhì)。當(dāng)前，機器智能與生物智能在“質(zhì)”上的差距遠(yuǎn)超在“量”上的差距，這從計算機模擬任意一項需要多種智能行為參與協(xié)作才能完成任務(wù)的復(fù)雜程度就能看出，比如現(xiàn)在根本無法制造山一個稱職的“秘書”。想當(dāng)然地接受智慧帶來的好處，而忽略其內(nèi)在的機理，這皆源于長期自然選擇的結(jié)果，智能的執(zhí)行被高度自動化了，雖然具備極高的可靠性和通用性，但對外完全屏蔽了這個復(fù)雜巨系統(tǒng)，對腦功能熟視無睹。從本質(zhì)上來說，絕大多數(shù)人工智能模型是“再現(xiàn)智能”的系統(tǒng)，而非“解釋智能”的系統(tǒng)。

人工智能若要進一步發(fā)展，需要把對智能行為的模擬置于一個更為廣泛的學(xué)科基礎(chǔ)上進行考慮，對研究方法與模型在發(fā)展（漸進）性、系統(tǒng)性、整體性和相關(guān)性方面有嚴(yán)格要求。認(rèn)知科學(xué)作為在深層次上融合神經(jīng)科學(xué)、認(rèn)知心理學(xué)、心理語言學(xué)、哲學(xué)、信息科學(xué)、數(shù)理科學(xué)的綜合領(lǐng)域，為闡述“智能的突現(xiàn)”問題、“大腦的信息加工機制”問題、“神經(jīng)信息處理”問題或“腦功能的細(xì)胞與分子基礎(chǔ)”問題提供了唯一全面的方法。該領(lǐng)域中一些重大科學(xué)問題哪怕是非常細(xì)微的進展，都可能會給智能的機器模擬提供很不尋常的啟示。基于信息加工“類腦”模型的機器智能新方法對傳統(tǒng)人工智能的改變是全局性的。

已有的人工智能各類問題在描述、范型、方法上千差萬別，這并不符合科學(xué)認(rèn)識向統(tǒng)一的理論發(fā)展的規(guī)律。而這樣的規(guī)律在物理學(xué)關(guān)于物質(zhì)組成的研究，生物學(xué)關(guān)于生物進化的研究，天文學(xué)關(guān)于天體運行規(guī)律與宇宙起源的研究，化學(xué)關(guān)于化學(xué)元素的研究中都可以找得到?？茖W(xué)研究的進步在于發(fā)現(xiàn)簡單性和統(tǒng)一性，達(dá)爾文也說過“尋找自然的、平凡的、單純的原因”，若智能模擬機制五花八門，沒有邏輯上的簡單性就不能稱之為找對了路。神經(jīng)系統(tǒng)動力學(xué)過程可將智能行為無縫地、毫不牽強地一致化起來，達(dá)爾文的生物進化論已經(jīng)證明生命形式可以由簡單演化為復(fù)雜，有充分理由可以相信，復(fù)雜智能行為通過模擬手段至少是可逼近的。

在20年前，已有人工智能的發(fā)展遇到了瓶頸的說法。其實在筆者看來，這依然是對人工智能發(fā)展的過高評價。因為“遇到瓶頸”的潛臺詞是“我們把別的地方看得很通透”“我們還發(fā)現(xiàn)了出路在哪”“我們都臨近了它的出口”。事實上，人工智能界并沒有就“出路在哪”達(dá)成一致，因此瓶頸說還是人類不曾夠到的境界。對人工智能現(xiàn)狀更確切的描述應(yīng)該是“瞎子摸象”，視角、技術(shù)路線等方面依然眾說紛紜。

人工智能至今尚無類似于原子之于化學(xué)、細(xì)胞之于生物、力之于物理、DNA之于遺傳學(xué)、達(dá)爾文主義之于生物進化、大爆炸假說之于天文學(xué)那樣的核心概念或中心理論，這是非常嚴(yán)峻的形勢。客觀上認(rèn)為，人工智能尚不能稱為嚴(yán)格意義上的“科學(xué)”，其核心思想尚未取得統(tǒng)一，仍處于摸索階段。人工智能甚至也不能稱為夠“技術(shù)”，因為在人工智能領(lǐng)域，按部就班、按圖索驥不一定能成功，大多數(shù)方法在可移植性、穩(wěn)定性方面都表現(xiàn)一般，似乎只有用對了某種“暗力量”才能成功。從上述角度看，人工智能更像是“藝術(shù)”，成功需要一點點運氣和一點點靈感。

人工智能真正出路可能是表征，用復(fù)雜的表征加相對簡單的算法，而不是反過來用簡單的表征加復(fù)雜的算法，后者只會使得智能系統(tǒng)的融合性越來越差，分立性越來越強，復(fù)雜度越來越高。因此人工智能系統(tǒng)不是靠算法繁化，而是靠體系結(jié)構(gòu)繁化來實現(xiàn)的。

（本文為作者2016年3月10日在上?？茀f(xié)大講壇上的演講，內(nèi)容略有修改，經(jīng)作者同意發(fā)表。）