智能的本質：從工程師的角度看

人工智慧有很多流派、各種說法和定義。早在幾十年前，人們就把人工智慧分成三個學派，分別稱為符號主義、連接主義和行為主義。除此之外，還有各種不同的定義。學派和定義多了會把人搞糊塗，就要對概念本身做點思考。

我們要問：為什麼這樣劃分學派、為什麼沒有其他學派？對此，鍾信義先生從一個角度有點意思：他認為這三個學派其實都是模擬：模擬神經結構、大腦功能和動物行為。這個分類的視角很有啟發性——三個學派其實是三個層次。

從工程師的角度講，我們研究智能是有目的的：是為了應用、而不是玄乎的概念。古人講究「知行合一」，就是「腦體的有效協同」、就是在行動總體現智能。所以，單純從理念上說，「行為主義」是站在了智能概念的制高點上。但是，理念落地的時候會遇到一些困難，其中有些困難需要用模擬人的大腦功能來解決——這就是「符號主義」。但符號主義仍然有些問題難以解決。於是，學者們想到模擬大腦的結構，這就是「連接主義」。這大體就是三個學派的關係。由此可見，另外兩個學派解決的主要是概念落地時面臨的部分問題——所以，識別這兩個學派時，不僅考慮目的還附帶手段。換句話說：很多標準演算法即便可以解決同樣的問題，也往往不算作人工智慧的範疇。

下面再詳細地分析一下各個學派的關係。模擬智能行為的一個重要問題是如何決策。這是任何智能系統都不可避免的問題，行為主義也不例外。長期以來，行為主義（也就是控制論學派）是應用最廣泛、影響力最大的一個學派，其影響力甚至遠遠超出了「人工智慧」學科本身。究其原因是：該學派能夠針對一類相當廣泛的實際問題，找到一般性的解決方法。這就是反饋控制理論（經典控制論）和現代控制理論的內容。

但是，這兩項控制論是有很大局限性的。現實中最主要的局限性是對象模型一般要用常微分方程組來描述——這種對象適合於動態系統的變化範圍不大的情況，其控制器可以用電感、電阻和電容等電子線路來搭建。在控制論剛剛出現時（甚至在我讀大學時），這都是一個極大的優勢：可以落地。

但無論如何，這種模型是有局限性的，難以用於複雜非線性、離散或者混雜系統。對於複雜的系統，其實也有一般性的解決方法：數學模型——因為幾乎任何對象都可以建立數學模型。數學模型有這麼大的好處，但也有不足：其廣泛應用要等到計算機性能足夠好以後才逐步步入歷史舞台，否則就會受到極大的約束——20年前我剛到寶鋼時，就能體會到這種約束、稍微複雜一點就不能實時計算。現在，這個約束沒有了，CPS就呼之欲出了。CPS之所以受到重視，就是因為這種技術具備高度的一般性、能解決各種問題。現在成為熱點的原因是計算、存儲、傳輸數據的能力不再是瓶頸，其價值就會被釋放出來——此外，我常常強調問題的另外一面：廣泛應用的另外一個條件是實際問題需要足夠的複雜才行，否則就是「高射炮打蚊子」，沒有多大必要性。而智能製造和工業互聯網的應用，恰恰就讓這種必要性體現出來了。這就是我常說的：要想雪中送炭，也得先有下雪的地方。

說數學模型是一種一般性辦法，是指它有能力為所有對象建模。但在實際應用過程中，數學模型卻不是那麼容易建的——不像常微分方程組那樣有成熟的、一般性的辦法。實際操作的時候可謂「八仙過海各顯神通」。而邏輯規則就是一種簡單而常用的模型，很多決策可以用邏輯規則來解決。在寫程序的時候，往往就是用IF語句這類土辦法來解決的。如果這種邏輯關係簡單，理論上也就沒什麼好研究的了。學者們總要找一些難題來解決——如何解決複雜推理問題。為此，若干年前出現了Prolog和LISP語言，相關理論也就被稱作人工智慧或專家系統，也就是所謂的「符號學派」或「計算機學派」。從本質上說，這些系統就是邏輯推理複雜了一點，和多用幾條IF語句沒有多大區別。所以，若干年前就有人用把有三條IF語句的演算法成為「智能控制」——道理是對的，大家笑話他的原因是有點誇張。

我曾經很奇怪：符號學派為什麼沒有發展起來。後來意識到，一個重要的原因是：對於具體問題，人們完全可以用普通的計算機語言來編程序、具體問題具體分析，沒有必要繞個大彎子。也就是說，合適的應用場景少了：你是想「雪中送炭」，怎耐沒有下雪的地方。

講到這裡大家應該明白：符號學派是當初是解決相對複雜的、傳統控制論方法難以解決的決策推理才提出來的——如果太簡單了也就沒有必要了。同樣，連接學派是因為符號學派解決不了的問題才提出來的。我們知道：人的很多知識是感性認識，很難表達出來、自然也就很難編碼。比如，「張三很漂亮」、「衡水老白乾好喝」、「這是一棵樟樹」、「這步棋很重要」。這些感覺性的東西都是很難用編碼的辦法表達的。於是，才有了「連接學派」的用武之地——其特點就是機器自己學習。機器學習會遇到新的問題：有沒有條件學好、如何學好？其實，大數據解決了有沒有條件學好的問題、深度學習解決了如何學好的問題。

從我們工程師的角度看，我們做事是為了解決問題的。什麼辦法最好用就用什麼辦法。比如，我們造飛機是為了起飛、需要模仿飛鳥。但是，飛機卻沒有模仿鳥類撲扇翅膀。所以，模仿是為了追求目標的搭成，而未必是手段的一模一樣。這樣看來，三個學派的關係就清晰了：模擬神經元的結構是為了模仿大腦的功能，但實現大腦的推理過程未必需要神經元這種結構。同樣，實現人或動物的行為，未必需要模仿大腦的複雜功能。所以，行為學派是最本質的——雖然從演算法的角度看，似乎不太怎麼像「智能」。提到ArtificialIntelligent時，人們常常並不包括控制論學派、而是主要針對另外兩個學派——這是從學問角度看問題，而不是從解決問題的角度看問題。但智能製造、CPS的很多理念，就是從控制論學派發展而來的。

我一直認為，智能與工業界的結合，多數情況下並不是現在流行的人工智慧（即與深度學習相關的智能），而是用計算機代碼寫出來，形象地說就是「用N條IF語句」或者是我常說的「吳淑珍式的智能」。人們過去並非不知道這麼做，而是問題不夠複雜。是智能製造的複雜性逼迫人們把自己的做法告訴計算機，讓機器快速決策，也就是必要性增加了。這個道理我說過很多次了：人在製造環節中最重要的要求是規範化、而不是自由發揮，關鍵就是要說明白在什麼條件下怎麼做。

當然，現在流行的人工智慧當然也有用，主要用於產品質量的檢測（主要是圖像）、設備診斷和服務等場合，而不是生產製造的控制環節。

很多人認為，「通過模仿結構實現模仿功能、再模仿功能」是一條不錯的路子。所以，科學院的很多人花了很大力氣去研究人的大腦。這種事科學家可以做，企業不能做：投入產出不合算。對企業來說，就是要用最有效的辦法解決問題。比如，如果人的知識能夠通過代碼寫下來，就不一定要讓機器去自己學習。

我們再把眼光放大一點：智能就一定要模擬人腦嗎？也不一定。因為計算機處理信息的方式和人不一樣，為了達到智能的目的，不一定要模擬人的思維方式。計算機的存儲和運算能力是人類不能比的，對人來說的很多「笨辦法」可以被計算機運用得出神入化——在我看來，大數據就是一種不同於人類常規思維方式的智能。我把大數據的思維方式提煉為：把成功或者失敗的案例記下來，跟著學（避免）就是了。顯然，當數據量非常大的時候，人類的大腦是不可能記住這麼多案例的。換句話說，智能不一定模仿人的思維方式。

走向智能從書的編委們曾經一起寫過一本《三體智能革命》的書。在這本書中，我們用20字箴言來描述智能：狀態感知、實時分析、自主決策、精準執行、學習提升。這20個字是從功能模擬為出發點，解析出對功能的需求，並不受限與具體的結構和功能模擬方法：因為我們的目的是應用，何必被手段來束縛呢？

按照學術界的觀點，智能是用來處理複雜問題的、處理普通演算法無法解決的問題。否則就不要叫人工智慧了。從這個角度看問題，有人提出了對智能的一種觀點：智能是在巨大的搜索空間中迅速找到較優解的能力。顯然，人工智慧的兩個主要學派常常是具有這個能力的。我們注意到：不論是圖像、語音識別還是阿爾法狗下棋，都需要「在巨大的搜索空間中迅速找到較優解的能力」。事實上，谷歌公司在成立之初，就把自己定位為人工智慧公司——或許就是借鑒了這種定義。從某種意義上說，這是從大腦的「行為」來定義智能的。大數據的很多演算法，就符合這種定義。

最後討論一個問題：智能為什麼重要？我有個觀點，可以與ICT技術起來說：

互聯網為什麼重要？因為互聯網可以讓我們離開物理空間——通過控制Cyber空間，來控制物理空間。

智能為什麼重要？因為智能可以讓我們離開Cyber空間，讓計算機做得更好、讓人去做更重要的事情。

大數據為什麼重要？因為能夠保證以上兩點的落地。

對於我們工程師來說，不論辦法土不土，達到目的就好；特別地，不要把問題想得太玄了。想得太玄、把自己下著了，就做不成事了。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！