杨立昆是当现代界顶尖的人工智能专家，为他的新书作序，颇具寻衅性。
好在浩瀚专家已在人工智能领域探索了近70年，本文希望通过反思已走过路径的合理性及局限性，探索人工智能的未来发展方向。

就像人可以分为精神和肉体两个层次，机器智能也可以分为载体（具有特定构造的机器）和智能（作为一种征象的功能）两个层次，两个层次同样主要。
因此，我偏好用机器智能这个观点替代人工智能。

《科学之路：人，机器与未来》，[法]杨立昆著，李皓、马跃译，中信出版社2021年8月出版，定价：88元

与机器智能比较，人工智能这个观点的重心在智能。
“人工”二字高高在上的特权感主导了人工智能研究的前半叶，集中表示为符号主义。
符号主义主见（由人）将智能形式化为符号、知识、规则和算法，认为符号是智能的基本元素，智能是符号的表征和运算过程。

符号主义的思想起源是数理逻辑、生理学和认知科学，并随着打算机的发明而步入实践。
符号主义有过辉煌，但不能从根本上办理智能问题，一个主要缘故原由是“纸上得来终觉浅”：人类抽象出的符号，源头是身体对物理天下的感知，人类能够通过符号进行互换，是由于人类拥有类似的身体。

打算机只处理符号，就不可能有类人感知和类人智能，人类可融会而不能言传的“潜智能”，不必或不能形式化为符号，更是打算机不能触及的。
要实现类人乃至超人智能，就不能仅仅依赖打算机。

与符号主义自顶向下的路线针锋相对的是连接主义。
连接主义采纳自底向上的路线，强调智能活动是由大量大略单元通过繁芜连接后并走运行的结果，基本思想是，既然生物智能是由神经网络产生的，那就通过人工办法布局神经网络，再演习人工神经网络产生智能。

人工神经网络研究在当代打算机发明之前就开始了，1943年，沃伦·麦卡洛克和沃尔特·皮茨提出的M-P神经元模型沿用至今。
连接主义的困难在于，它并不知道什么样的网络能够产生预期智能，因此大量探索归于失落败。

20世纪80年代神经网络曾经兴盛一时，掀起本轮人工智能浪潮的深度神经网络只是少见的成功个案，不过这也是技能探索的常态。

人工智能的第三条路线是行为主义，又称进化主义，思想来源是进化论和掌握论。
生物智能是自然进化的产物，生物通过与环境以及其他生物之间的相互浸染发展出越来越强的智能，人工智能也可以沿这个路子发展。

这个学派在20世纪80年代末90年代初兴起，近年来颇受瞩目的波士顿动力公司的机器狗和机器人便是这个学派的代表作。
行为主义的一个分支方向是具身智能，强调身体对智能形成和发展的主要性。
行为主义碰着的困难和连接主义类似，那便是什么样的智能主体才是“可塑之才”。

机器学习从20世纪80年代中期开始引领人工智能发展潮流，本书给出了很普通的定义：学习便是逐步减少系统偏差的过程，机器学习便是机器进行考试测验、犯错以及自我调度等操作。
机器学习对人工智能最主要的贡献是把研究重心从人工授予机器智能转移到机器自行习得智能。
近年来，最成功的机器学习方法是深度学习和强化学习。

深度学习是连接主义和机器学习相结合的产物，最大的贡献是找到了一种在多层神经网络上进行机器学习的方法，本书作者杨立昆和约书亚·本吉奥、杰弗里·辛顿因此得到2018年度图灵奖。

深度学习首先回答了什么样的神经网络可以演习出智能，包括多层神经网络和卷积神经网络，也回答了演习（学习）方法问题，包括受限玻尔兹曼机模型、反向传播算法、自编码模型等。
深度学习对连接主义的重大意义是给出了一条演习智能的可行路子，对机器学习的重大意义则是给出了一个凝聚学习成效的可塑载体。

强化学习的思想和行为主义一脉相承，可追溯到1911年行为生理学的效用法则：给定情境下，得到褒奖的行为会被强化，而受随处分的行为会被弱化，这便是强化学习的核心机制——试错。
1989年，沃特金斯提出Q学习，证明了强化学习的收敛性。

2013年，谷歌子公司DeepMind将Q学习和深度神经网络相结合，取得AlphaGo、AlphaZero（阿尔法元）和AlphaStar等重大打破。
最近，DeepMind更是强调，只须要强化学习，就能实现通用人工智能。

与DeepMind极力推崇强化学习不同，杨立昆认为强化学习不过是锦上添花，传统监督学习标注本钱高，泛化能力有限，也只是点缀，自监督学习才是机器学习的未来。

自监督学习是通过不雅观察创造天下内在构造的过程，是人类（以及动物）最紧张的学习形式，是“智力的实质”，这便是本书第九章的核心不雅观点。
最近，杨立昆和其余两位图灵奖得到者揭橥的论文Deep Learning for AI（《面向人工智能的深度学习》）中，也重点谈了这个不雅观点。

有了三位图灵奖得到者的大力倡导，相信自监督学习将会掀起一波新的研究浪潮，但我不认为这便是“智力的实质”。
根本缘故原由在于，这只是从机器学习层次看问题，或者更一样平常地说，是从功能层次看问题。
我认为，学习方法（功能）固然主要，从事学习的机器（构造）同样主要，乃至更主要，由于构造决定功能。
正如我开始时强调过的，永久不要忘却作为智能载体的机器。

杨立昆在第九章开篇提到了法国航空先驱克莱芒·阿代尔，他比莱特兄弟早13年造出了能飞起来的载人机器。
杨立昆从这位先驱身上看到的紧张是教训：“我们考试测验复制生物学机制的条件是理解自然机制的实质，由于在不理解生物学事理的情形下进行复制一定导致惨败。
”

他的态度也很清楚：“我认为，我们必须探究智能和学习的根本事理，不管这些事理因此生物学的形式还是以电子的形式存在。
正如空气动力学阐明了飞机、鸟类、蝙蝠和昆虫的翱翔事理，热力学阐明了热机和生化过程中的能量转换一样，智能理论也必须考虑到各种形式的智能。
”

我的意见和他不同，我认为克莱芒·阿代尔（和莱特兄弟）不仅没有“惨败”，而且取得了伟大的成功。

缘故原由很大略：克莱芒·阿代尔1890年和莱特兄弟1903年分别发明飞机，而空气动力学是1939—1946年才建立起来的。
两次天下大战中发挥重大浸染的飞机，紧张贡献来自克莱芒·阿代尔和莱特兄弟的工程实践，而不是空气动力学理论的贡献，由于空气动力学还没涌现。

另一个基本事实是，至今空气动力学也没能全面阐明飞机翱翔的所有秘密，更没有全面阐明各种动物的翱翔事理。
空气动力学很伟大，但它是“事后诸葛亮”，对付优化后来的飞机设计意义重大，但它不是辅导飞机发明的理论导师。

智能比翱翔要繁芜得多，深度学习成功实现了智能，但是能够阐明这种成功的理论还没涌现，我们并不能因此否定深度学习的伟大意义。
杨立昆和其余两位图灵奖得到者的伟大，和克莱芒·阿代尔及莱特兄弟之伟大的性子相同。

我们当然要追求智能理论，但是不能迷恋智能理论，更不能把智能理论当作人工智能发展的条件。
如果这里的智能理论还试图涵盖包括人类智能在内的“各种形式的智能”，则这种理论很可能超出了人类智能可理解的范围。

以是，只管自监督学习是值得探索的一个主要方向，它也只是探索“智力的实质”漫漫长途中的一个阶段。

人类和很多动物具有自监督学习能力，并不是自监督学习多神奇，而是由于他（它）们拥有一颗可以自监督学习的大脑，这才是智力的实质所在。
机器要进行自监督学习，也要有自己的大脑，至少要有深度神经网络那样的可塑载体，否则自监督学习无从发生。

比较之下，强化学习的哀求大略得多，一个对温度敏感的有机大分子就能进行强化学习，这正是生命和智能涌现的缘故原由。
以是，强化学习才是更基本的学习方法。

当然，从零开始强化学习，确实大略粗暴、摧残浪费蹂躏巨大，这也是强化学习思想提出百年并没取得太大进展的主要缘故原由。
强化学习近十年来溘然加速，是由于有了深度神经网络作为演习的构造根本，因而在围棋、《星际争霸》等游戏中超越人类。
不过，人类输得并不心甘情愿，抱怨的紧张情由是机器花费的能源远高于人类大脑。

我认为这种抱怨是片面的，人类棋手大脑的功耗确实只有数十瓦，但演习一个人类棋手要花费十多年韶光。
更主要的是，人类棋手学围棋时是带着大脑这个先天根本的，这颗大脑是亿万年进化来的，花费了巨大的太阳能，这都该当记到能耗的总账中。
这样比较，到底是机器棋手还是人类棋手能耗更大呢？

从节省能源角度看，机器智能确实不应该从头再进化一次，而是该当以进化演习好的生物神经网络为根本，这便是纯粹的连接主义：布局一个逼近生物神经网络的人工神经网络。

1950年，图灵的开辟性论文《打算机与智能》中就表达了这个不雅观点：“真正的智能机器必须具有学习能力，制造这种机器的方法是，先制造一个仿照童年大脑的机器，再教诲演习它。
”这也是类脑智能或神经形态打算的基本出发点。

干系科研实践开始于20世纪80年代，基本理念便是布局逼近生物神经网络的神经形态光电系统，再通过演习与交互，实现更强的人工智能乃至强人工智能。

除了改进演习工具的先天构造，演习不可或缺的另一个要素是环境。
环境才是智能的真正来源，不同环境孕育不同智能。
人们每每把本日人工智能系统的成功归结为三个要素：大数据+大算力+强算法，个中数据是根本，其余两个要素紧张影响效率。
演习更强智能，须要更大数据，这是智能发展的基本规律。

但即便是大数据，也不能完全有效地表达环境，数字孪生能更全面地刻画物理环境，更好地保留环境自有的时空关系，因此也能够哺育出更强的人工智能。
物理天下的模型化本来便是科学最核心的任务，以前从中创造规律的是人类，未来这个创造主体将扩展到机器。

行文至此，我们已经从人工智能发展史中小心翼翼地挑出三根可靠的基本支柱：一是神经网络，二是强化学习，三是环境模型。
在这三根支柱中，杨立昆最突出的贡献是对神经网络的贡献，特殊是卷积神经网络。
至于想到用卷积神经网络，是由于借鉴了生物神经感知系统，这便是卷积神经网络在图像识别和语音识别等领域大得胜利的紧张缘故原由——深度神经网络已经借鉴了生物神经网络的部分构造。

总而言之，人工智能经典学派有三个：符号主义、连接主义和行为主义。
符号描述和逻辑推理不是智能的根本，而是一种表现，读写都不会的文盲就拥有的“低级”智能才更根本。
因此，连接主义和行为主义虽然困难重重，但有着更强的生命力，从中发展出的深度学习和强化学习两套方法，成为当今支撑人工智能的两大紧张方法。

末了须要强调的是，人类智能是地球环境造就出的最俏丽的花朵，我们在为自己骄傲的同时，也要当心人类中央主义。

（作者系北京智源人工智能研究院院长、北京大学教授，本文为《科学之路：人，机器与未来》一书媒介，有删减，标题为编者所加）