通向下一代人工智能之路

[ AI未来的发展路径并不算明晰，但我们一定要融合应用区块链技术，区块链的分布式架构与意识的多节点结构可以相通。如果说AI给人类带来的是生产力的改变，那么区块链技术则能够改变生产关系，两者在未来社会构建中都有着不可取代的价值，而从目前来看，已经具备较为完整体系的区块链技术能够应用于解决AI的发展问题。区块链技术需要用来平衡AI技术的发展，以及维护数据的不可篡改，助力数据的真实性。 ]

人工智能（AI）从1956年提出至今，已经出现了AlphaZero等专业领域的超强AI，但通用的超级AI何时到来还不可预知，有学者（John McCarthy，1977） 提出如果我们要在概念上突破，可能需要5~500年的时间，也就是说既有可能很快就实现，也有可能要很久才会发生。

AI的发展逐渐多元化，我们可以逐步从不同角度切入到这个主题，比如相关因果、感知认知、符号主义、脑科学以及发展基础数学等。

从因果角度切入，机器学习需要从感知过渡到认知，关键在于如何使机器形成因果推理的能力。模型如果要包含因果，就要能够模拟由行为产生的结果的不同，为了建立这样的模型，一些必要的数学工具是必不可少的，比如概率图模型、独立因果分析框架、有关反事实的数学模型等。从认知和脑网络进行切入，可以将大脑视作动力学系统，很多动力学的基本原理对AI目前的致命缺陷有重大补充，因果或逻辑可能蕴含在动力学里，而且临界很重要；人脑的稀疏表示与符号注意AI和因果有重要联系；可以充分利用平行回路设计AI系统。

从认知科学的角度切入，就可能触及悬而未决的意识问题，这一直是认知科学和AI交叉领域的研究热点且进展缓慢。1988年，科学家们首次发现了意识的实验证据，随后人们从不同领域（比如神经科学、哲学、计算机等）进入意识的研究。

意识的功能是一个从长期记忆力提取短期记忆内容的提取器（类似一个指针），因为人的长期记忆事实上处于无意识状态，这个内容的数量又十分庞大，而短期工作记忆却是大家都可以意识到的，但它通常可能只有几个字节。这个信息瓶颈可能就需要意识来实现，它需要根据当下的任务和情景把和任务最相关的因子提取出来。全局工作空间模型就是针对这个问题，可以迅速把长期记忆的关键因素抽取到工作内存里，方便执行当前任务，加强系统的灵活性。

中国工程院院士、中国人工智能学会名誉理事长李德毅近期谈到了AI和脑科学的交叉研究，指出脑认知的三个内涵在于记忆力、计算认知和交互认知。他认为，脑认知的核心是记忆认知，记忆不是简单地存储，它伴随有一定的取舍，取舍过程就是计算、简约和抽象。计算认知中，计算机做算法做得很多，而人脑只有一个计算方法——相似计算。交互认知具有两重性：既有神经网络内部的交互，也有大脑通过感知系统与外部世界交互。

清华大学人工智能研究院院长、中国科学院院士张钹最近分享了关于AI发展的思考，并指出AI经历了两种发展范式，即符号主义和连接主义（或称联结主义），分别称之为第一代和第二代AI，这两种范式发展至今都遇到瓶颈：符号主义影响的第一代AI具有一定程度的可解释性，能模仿理性智能，但不能随机应变，无法解决不确定问题；以深度学习为代表的第二代AI，使用门槛较低能够处理大数据，极大地推动了AI应用，但具有不可解释、易受攻击、不易推广和需要大量样本的局限性；今后发展的方向是“第三代人工智能”，这是一条前人没有走过、需要大家去探索的道路，将对科学研究、产业化和人才培养产生重大影响。

AI的三大流派

麻省理工的Brook教授可以看作是行为主义者，他的研究生涯几乎都在研究AI行为主义，他做出了一个模拟螳螂的机器，简单理解就是机器按照外界的刺激来反应。行为主义大多认为意识不仅是大脑的事，而是整个身体的事情，由约而博体现的是imitating（学），由博而约体现的是practicing（习）的过程，背后反映的是具身哲学、控制论、机器人学等思想。

数学、物理世界充满了各种逻辑符号，图灵机本身也可以看作是符号主义的尝试。司马贺（Herbert Simon）是图灵奖和诺贝尔经济学奖得主，也是符号主义的代表，他提出的“物理符号系统”假设从信息加工的角度研究人类思维。

符号主义的由约而博可以看作是符号的演绎过程，由博而约则是归纳，背后的哲学思想与柏拉图主义相通，都相信或立足于“本质”的存在，如果能够发现并定义本质，或者把这个本质的公式写清楚，那么其他所有内容都是这个本质公式的展开和演绎（比如公理系统）。

研究者们很早就发现神经元之间有很多连接，信息传递的同时还有放电现象，而联结主义最初就是试图模拟大脑而来。深度学习、强化学习都可以看作是联结主义，联结主义的由约而博对应的是learning（学），由博而约对应的是thinking（思），背后与心学、现象学等理念相关。很多研究者希望找到新的框架，甚至通用AI的框架，他们认为深度学习、强化学习不足够模拟人脑的学习，其中也包括清华大学人工智能研究院院长张钹。

行为主义、联结主义和符号主义分别从不同角度切入AI，相互补充并各有局限。现在的AI算法中有一类强调注意力机制，但注意力是较为上层的概念，根本原因依然在于认知坎陷（cognitive attractor）的作用。认知坎陷是一个更基础的概念，人的所有思维产物或意识片段都可以被理解为认知坎陷：它们都是对真实物理世界的扰乱，但也是人类自由意志的体现。坎陷，给人一种陷入其中无法抽离的既视感，值得强调的是，这些具有传播性、生命力的意识片段一旦产生就难以磨灭。机器只有注意力机制还不足以形成连续的意识或认知坎陷，我们必须从更底层切入AI，才有可能让机器实现“理解”而非“存储”。

从认知坎陷的角度可以将AI三大流派贯通。行为主义与联结主义的关系是什么？行为主义可以通过动物行为来理解。动物、简单生命甚至单细胞生物，都能应对外界的刺激，行为主义更多的是模拟这种动作上的反应或反射。比如羽毛球运动员，在平时需要经过大量的训练，让身体形成记忆式的反应，在赛场上，运动员的主要注意力就不再是肌肉如何协调，而是对球的跟踪、与对手的博弈。行为主义与这些身体动作的相关度更大，主体需要做的是大脑如何控制协调身体的练习。这种练习需要练到位，这个练到位的过程也体现了“由博到约”，将大量复杂的刺激最后练成几套代表的反应模式。儿童发展早期就是行为主义的内容比较多。随着个体成长，大脑不断发育发展，联结主义的内容才逐渐增多。

联结主义与符号主义也有关系，符号主义可以看作是把内容坎陷化或炼化到了很简洁的程度，从而形成了各种符号或模型。比如古人讲的“天圆地方”就是一种极简的世界模型，现代的道路大多笔直，但古人看到的未经加工的外部环境是绵延起伏的，在这种条件下抽象出“地是方的”非常难得。有了这个模型之后，会影响我们对道路的修葺，行军打仗也不容易迷失方向，懂和不懂这个模型就会产生实际的差异。逻辑学中的形式逻辑也是一个极简的模型，或数学中的一些公理，都会让我们觉得世界的神奇，似乎物理世界真的是按照公式发展的，但问题在于事实并非总是如此。我们面临的外部世界比所有的公式都要更复杂，因为公式系统并不完整，1900年希尔伯特二十三问之一就是如何提出一套公理系统来统一数学，其沿用了莱布尼茨的思路，即如何找出一套符号系统来模拟整个世界。很多学者尤其是符号主义者，一直怀有这种梦想。比如爱因斯坦就想要找到一种统一的方程，但是这个梦想终究无法实现。

哥德尔不完全定理就指出，不论给出什么公理系统，我们总是能找到一个命题，这个命题在这个公理系统中既不能被证实也不能被证伪，就是说永远都会有公理以外的东西。换一种方式理解，就是不管列多少条规则出来，总有内容被落在框框外面。有一个经典的例子是芝诺悖论（或阿基里斯悖论），这类论证者在自己限制的范围内是没错的，但是这个描述系统不是一个开放的系统，在这个封闭系统中时间是有上限的，所以阿基里斯永远跨不过那个时间， 在空间上也永远追不上乌龟。

这个悖论正好说明假设本身可能有局限性，我们假定的世界并非真实世界，这是关键。符号主义很可能也面临类似的问题，不管制定多少严谨的规则，总有一件事是会真实发生但是却不被规则包含的。因此符号主义会失败就不难理解，因为它无法涵盖所有可能。联结主义则是不停迭代，它由博到约、由约到博不断往复，总能“折腾”到一个比较好的状态，只是现在的深度学习还没到这种状态，依然有进步空间。深度学习存在一个所谓的“极小问题”的瓶颈。人类大脑有一个信息精炼的过程，有利于跳出极小等这些机器在深度学习里遇到的问题。

引入区块链技术突破AI瓶颈

在7月9日的世界人工智能大会开幕式上，百度小度、小米小爱、B站泠鸢、微软小冰四位虚拟歌手领唱了大会主题曲，从音乐领域来看，AI很可能马上就能达到“以假乱真”的水平，甚至创作出被人们欣赏的、广泛流行的音乐作品。AI 已经在很多专业领域逐项超越人类，在作诗、电子竞技等开放领域也有出色表现。

一方面，我们相信机器已经产生了智能并且仍在成长；另一方面我们也自信人类仍有不可取代的部分。我们在创造工具的过程中创造出了AI，但其能力超过了简单工具的范畴。AI有改变人类的生活方式、情感方式，甚至是延续方式的可能，因此人类应该更多思考的不是我们能做到什么，而是我们应该做什么。AI能取代人类机械的工作，还能帮助能力强的人取代能力弱的人、资源占有丰富的人取代资源占有少的人。面对这种趋势我们更应该不断提高自己的修养、反思自身独特性，找到自己不能被机器、被他人取代的地方。

在不可挣脱的物理定理束缚之外，人类仍然可以具有极大的自由度，尤其可以靠AI帮助进一步拓展能力的边界。世界上仍然会有少数人，在涌现出一些前所未有的想法后，能够真的去努力实现，这就是创新，是改变世界发展方向的人类意识产物。我们反对决定论、不认可强计算主义，就在于我们相信世界上存在很多并不是由前置条件推断出来的偶然性。既然这个世界是开放的、存在诸多可能性的，我们就应该朝着我们所相信的方向努力，而不是根据一种现状去推断未来定将如何，这是我们在科技发展过程中要始终相信的。

AI未来的发展路径并不算明晰，但我们一定要融合应用区块链技术，区块链的分布式架构与意识的多节点结构可以相通。如果说AI给人类带来的是生产力的改变，那么区块链技术则能够改变生产关系，两者在未来社会构建中都有着不可取代的价值，而从目前来看，已经具备较为完整体系的区块链技术能够应用于解决AI的发展问题。

AI技术发展迅速，机器的能力进化超出了大多数人的预估，其速度和力量比人类强大太多，仅凭人类自己已经无法完全掌控AI的发展趋势，同时技术进步使得数据种类与复杂度大大提高，个人数据的真实性越来越难以被认定与证实，也越发重要。因此区块链技术需要用来平衡AI技术的发展，以及维护数据的不可篡改，助力数据的真实性。

引入区块链的思想，就能让机器和人在重大问题上、在同一时间尺度上达成共识并做决策。两者虽然在物理上没有连接，但能够把机器速度跟人类速度匹配起来，避免机器在远超过人类的地方可能做出造成危害的决策，让未来不至于脱离人类掌控。

突破当前AI瓶颈的方案在即，区块链技术可以用来协助人类治理人类与机器共存共荣的未来，其与AI技术的相互赋能并不是要将绕开人类或者全面取代人类，相反是为了能够使得机器和人类在未来的网络空间中，在同一时间尺度上进化博弈，为人机共融奠定基础。

（作者任职于武汉大学计算机学院卓尔智联研究院）