人工智能的現(xiàn)狀：局部有精彩，整體很無奈

對照“人類智能”的概念和規(guī)律，可以更好地認(rèn)識人工智能研究的現(xiàn)狀，也可以更好地找到解決這些問題、實(shí)現(xiàn)突破和創(chuàng)新的辦法。

迄今，人工智能存在三種不同的研究路徑：1943年發(fā)端的模擬人類大腦皮層生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)研究（稱為結(jié)構(gòu)主義研究路徑）（McCulloch and Pitts, 2021; Rosenblatt, 1958; Hopfield, 1982; Rumelhart and McClelland, 1986），1956年興起的模擬人類邏輯思維功能的物理符號系統(tǒng)／專家系統(tǒng)研究（稱為功能主義研究路徑）（Newell, 1980; Turing, 1963; Newell and Simon, 1963; Nilsson, 1982），1990年加盟的模擬智能生物行為的感知?jiǎng)幼飨到y(tǒng)研究（稱為行為主義研究路徑）（Brooks, 1991; 1990），形成了人工智能研究的三個(gè)學(xué)術(shù)信仰各異故一直分道揚(yáng)鑣的學(xué)派。

到目前為止，三大學(xué)派各自都取得了不少精彩的局部進(jìn)展。其中，結(jié)構(gòu)主義的人工神經(jīng)網(wǎng)絡(luò)研究取得的典型成果，包括：比人類識別得更為精準(zhǔn)的模式識別（人臉識別、語音識別、圖像識別等）系統(tǒng)，具有很強(qiáng)學(xué)習(xí)能力的各種深層神經(jīng)

網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)Deep Learning，自然語言處理的GPT系列等。功能主義的專家系統(tǒng)研究取得的典型成果，包括：戰(zhàn)勝國際象棋世界冠軍卡斯帕羅夫的Deep Blue系統(tǒng)，擊敗兩位全美問題搶答冠軍的Watson系統(tǒng)，擊敗李世石和柯潔等61位國際圍棋頂尖高手的基于深度學(xué)習(xí)的AlphaGo系統(tǒng)等。行為主義的感知?jiǎng)幼飨到y(tǒng)研究取得的典型成果，包括：自然語言人機(jī)對話的機(jī)器人Sophia，能在復(fù)雜環(huán)境中奔跑行進(jìn)和跳躍翻滾的波斯頓Dynamic機(jī)器人系列，能夠主持文娛晚會(huì)、在醫(yī)院陪護(hù)照料病人的服務(wù)機(jī)器人等。

這些精彩的人工智能進(jìn)展，加上一些人工智能科幻小說和科幻電影的渲染，使人們對人工智能取得的進(jìn)展大為訝異，甚至感到驚駭和恐懼，認(rèn)為人工智能機(jī)器的能力實(shí)在太厲害了，似乎很快就要達(dá)到超越人類能力的“奇點(diǎn)”并開始淘汰人類了。然而從全局的情況看，人工智能的研究其實(shí)面臨著十分嚴(yán)峻的挑戰(zhàn)和非常深刻的危機(jī)。具體的表現(xiàn)如下。

第一，由于人工智能三大學(xué)派“各自為戰(zhàn)”互不相容，因此，它們的所有進(jìn)展都是個(gè)案性、局部性和碎片性的應(yīng)用，難以移植，缺乏通用性，就連一些人們甚感驚嘆的效果表現(xiàn)也只是自然語言（圖形圖像也可以被理解為一種自然語言）處理領(lǐng)域的專用系統(tǒng)，而不是通用系統(tǒng)，更遑論統(tǒng)一的理論了。顯然，這對人工智能的普遍應(yīng)用和可持續(xù)發(fā)展十分不利。

第二，由于堅(jiān)持應(yīng)用“分而治之”和“純粹形式化”的研究方法，完全閹割了信息、知識和智能的內(nèi)涵（它們的價(jià)值因素和內(nèi)容因素），使得人工智能系統(tǒng)的智能成為了一種“空心的智能”“純形式的智能”，而非真正意義上的可以被理解的智能。它們的結(jié)果不可解釋，因而也不可信賴。正是因?yàn)榇嬖谶@種缺陷，人們戲稱“人工智能不智能”。

第三，更為嚴(yán)重的問題是，長期以來，人工智能研究形成了三大學(xué)派“各自為戰(zhàn)”的格局，無法形成合力，使人工智能的整體理論研究始終沒有取得明顯的進(jìn)展，而且這一狀況至今沒能得到解決。雖然在20世紀(jì)與21世紀(jì)之交出現(xiàn)了一批試圖建立通用人工智能理論的巨著（Nilsson，2006；羅素、諾維格，2006），但都沒有取得預(yù)期的成功。事實(shí)上，“整體被肢解，內(nèi)涵被閹割”成為了世界人工智能研究所遭受的最大傷痛。

因此，總的來說，人工智能研究的現(xiàn)狀是：局部有精彩，整體很無奈。

系統(tǒng)學(xué)原理表明：有機(jī)系統(tǒng)的整體不等于它所有的部分之簡單和，或者說，所有部分的簡單和，不可能構(gòu)成相應(yīng)的有機(jī)整體。顯然，整體的作用也遠(yuǎn)遠(yuǎn)大于各個(gè)部分作用之和。這就表明，如果繼續(xù)沿著三大學(xué)派“各自為戰(zhàn)”的研究路徑走下去，那么，無論它們將來各自取得怎樣豐富多彩的個(gè)案性、局部性、淺層性應(yīng)用成果，都不可能指望通過這些成果的“簡單和”就使“局部精彩”轉(zhuǎn)化為“整體精彩”，換言之，不可能指望通過這些成果的“簡單和”實(shí)現(xiàn)人工智能基礎(chǔ)理論的重大突破。

至此，不能不對ChatGPT和GPT-4的表現(xiàn)略加評述。許多人都對GPT系列作出了非常正面的評價(jià)，認(rèn)為沿著這個(gè)方向發(fā)展下去，具有自主意識而且全面超越人類能力的通用人工智能出現(xiàn)就指日可待。更有甚者，有些人開始宣稱：GPT系列已經(jīng)通過了圖靈測試，人類要接受這些“有意識”“有生命”的強(qiáng)大的“新物種”，要學(xué)會(huì)與它們共處。

這是莫大的誤解。如上所說，無論是GPT系列，還是其他人工智能系統(tǒng)，它們所利用的信息全都是形式化的“空心信息”。直覺告訴我們，沒有價(jià)值沒有內(nèi)容的純形式化的信息是無法理解的（除非這些信息是已知的舊信息）。然而，人工智能系統(tǒng)又不能不去理解它們，于是只能采取“統(tǒng)計(jì)方法”。他們設(shè)想，只要擁有足夠大（統(tǒng)計(jì)方法要求必須滿足樣本的遍歷性）的同類樣本，利用超高速的計(jì)算機(jī)就可以在這個(gè)超大樣本庫里搜索到與當(dāng)前面對的“問話樣本（關(guān)鍵詞組）”最相關(guān)（統(tǒng)計(jì)相關(guān)性最大）的樣本作為“答案”。因此，GPT系列必須擁有超大規(guī)模的預(yù)訓(xùn)練樣本庫，必須擁有超高速的計(jì)算系統(tǒng)，才能及時(shí)找到與“問話（關(guān)鍵詞組）”統(tǒng)計(jì)相關(guān)性最大的“答案”，才能使問話者感到系統(tǒng)的回答是足夠合理的，系統(tǒng)是有智能的。

問題就在這里發(fā)生了：就算GPT系統(tǒng)找到了與“問話（關(guān)鍵詞組）”統(tǒng)計(jì)相關(guān)性最大的“答案”，絲毫也不表示系統(tǒng)就“理解了答案”，因?yàn)樗皇前凑战y(tǒng)計(jì)相關(guān)性的大小來挑選“答案”，并不真正理解這個(gè)答案是什么意思。這在某種程度上就像人們訓(xùn)練鸚鵡說話的情形。主人訓(xùn)練鸚鵡：當(dāng)有客人進(jìn)來的時(shí)候就高喊“歡迎光臨”。這種預(yù)訓(xùn)練是可以成功的：當(dāng)鸚鵡看到客人（在形態(tài)上與家人不同的人）進(jìn)來的時(shí)候，它就會(huì)高聲喊出：“歡迎光臨！”但這并不能說鸚鵡理解它喊出的是什么意思。

所以，GPT系統(tǒng)能夠與人們交談，而且有問必答，對答如流，但其實(shí)它并不知道其中含義。即GPT系統(tǒng)只具有統(tǒng)計(jì)相關(guān)性的計(jì)算能力，而沒有對概念的理解能力，當(dāng)然也就沒有解釋能力，因此，它不可信賴。

有人爭辯說：GPT系統(tǒng)通過了圖靈測試，難道還不能證明它有智能嗎？是的，通過了圖靈測試也不見得真有智能。其實(shí)，圖靈測試本身存在許多問題。只看表面的效果，不問過程的實(shí)質(zhì)，是圖靈測試的最大問題之一。因此，除了在游戲類領(lǐng)域之外，在那些需要對結(jié)果“較真兒”的大部分實(shí)際領(lǐng)域，圖靈測試方法不可應(yīng)用。

由于現(xiàn)有人工智能的研究堅(jiān)持了“純形式化”的方法，閹割了信息、知識、智能的內(nèi)涵，因此走上了“通過統(tǒng)計(jì)方法來實(shí)現(xiàn)認(rèn)知”的道路。然而，“統(tǒng)計(jì)方法”本身卻不是一個(gè)高明的認(rèn)知方法，不是一種高等的認(rèn)知途徑，因?yàn)檫@種認(rèn)知方法和道路不可能達(dá)到“理解”的目的。而“理解”則是“智能”的必要前提。

實(shí)際上，人類實(shí)現(xiàn)認(rèn)知的方式主要有三大類型，依次是：（1）嬰幼兒時(shí)期的“強(qiáng)記認(rèn)知”方式；（2）青少年時(shí)期的“從眾認(rèn)知”方式；（3）成年人時(shí)期的“理解認(rèn)知”方式。它們代表了人類認(rèn)知方式的進(jìn)步與成長歷程。

具體來說，“強(qiáng)記認(rèn)知”也稱為“盲從認(rèn)知”，這是嬰幼兒時(shí)期的認(rèn)知方式，也是人類的最初級認(rèn)知方式。嬰幼兒的活動(dòng)范圍局限于家庭，父母長者天然地成為嬰幼兒認(rèn)知的絕對權(quán)威。因此，父母長者說什么，他們就記住什么，基本上是死記硬背，幾乎沒有理解的成分。強(qiáng)記是一種最初級的認(rèn)知方式，但是，對一張白紙般的嬰幼兒來說卻是一種不可或缺的認(rèn)知方式。計(jì)算機(jī)的灌輸，就是“強(qiáng)記認(rèn)知”的技術(shù)版。

“從眾認(rèn)知”是青少年時(shí)期的認(rèn)知方式，相較于“強(qiáng)記認(rèn)知”進(jìn)了一步。青少年的活動(dòng)范圍突破了家庭限制，走進(jìn)了社會(huì)和學(xué)校，“公眾（包括媒體、書本、教師等社會(huì)知識傳播主體）”成為了青少年認(rèn)知的權(quán)威。因此，它的準(zhǔn)則是“多者為真”：只要是多數(shù)人認(rèn)可的，即使自己不理解也會(huì)被認(rèn)可、被接受。統(tǒng)計(jì)技術(shù)，就是“從眾認(rèn)知”方式的學(xué)術(shù)版。統(tǒng)計(jì)，對于處理隨機(jī)事件來說是一個(gè)科學(xué)的方法；可是作為一種認(rèn)知方式卻只算是一種“二流”的方式。

顯然，最高級的認(rèn)知方式是理解認(rèn)知：無論什么問題，只有自己理解了，才會(huì)被接受，才會(huì)被認(rèn)可。在這里，所謂“理解”了某個(gè)事物，就是既懂得了這個(gè)事物的外部“形態(tài)”，尤其懂得了這個(gè)事物對于自己所追求的“目標(biāo)”而言究竟是有利還是有害、利害幾何，因而懂得這個(gè)事物的內(nèi)涵。所以，在理解的基礎(chǔ)上去做決策，決策會(huì)更明智合理、有智能水平。這是成年人特別是接受了高等教育的成年人的自主認(rèn)知方式。

由此可見，現(xiàn)有人工智能理論和系統(tǒng)的認(rèn)知方式只是基于形式信息和形式知識的“從眾認(rèn)知”，也就是統(tǒng)計(jì)認(rèn)知，它們“認(rèn)可”的結(jié)論“很可能是對的（但也可能是錯(cuò)的）”，但卻沒有“理解”的保障：統(tǒng)計(jì)的結(jié)果“最好”，不等于現(xiàn)實(shí)的“最好”。這就是為什么人們總在不斷追究和質(zhì)疑現(xiàn)有人工智能的“理解能力”、“可解釋性”和“可信賴性”的原因。

對照前文分析的“人類智能”的基本概念和基本原理可以看到，當(dāng)今“局部有精彩，整體很無奈”的人工智能研究現(xiàn)狀與“人類智能”的原型榜樣之間確實(shí)存在巨大的差異。于是，人們便不能不嚴(yán)肅地思考：為什么人工智能的研究存在這么嚴(yán)重的問題？這些問題的根源是什么？人工智能基礎(chǔ)理論的重大突破與創(chuàng)新，究竟路在何方？

人工智能現(xiàn)狀的根源：學(xué)科范式“張冠李戴”

作為學(xué)科的源頭而且影響學(xué)科全局的學(xué)科研究范式（科學(xué)觀和方法論）在人工智能的研究中發(fā)生了偏差。在《科學(xué)革命的結(jié)構(gòu)》一書中，庫恩把“范式”主要理解為世界觀和行為方式（庫恩，1980）。在科學(xué)研究領(lǐng)域，世界觀就是科學(xué)觀，行為方式就是科學(xué)研究的方法論?？茖W(xué)觀在宏觀上闡明“這個(gè)學(xué)科的本質(zhì)是什么”；方法論在宏觀上闡明“應(yīng)當(dāng)怎樣研究這個(gè)學(xué)科”。于是，作為科學(xué)觀和方法論有機(jī)整體的范式，就在宏觀上規(guī)范了這個(gè)學(xué)科應(yīng)當(dāng)遵循的研究方式。

盡管庫恩也曾經(jīng)把“范式”解釋為模式、模型、典范、范例、案例等，同時(shí)，“范式”這一詞語也常常被用來表達(dá)更為具體的“工作方式”，如實(shí)驗(yàn)的范式、計(jì)算的范式、編程的范式等，但是更為嚴(yán)謹(jǐn)?shù)睦斫飧嬖V我們，學(xué)科“范式”更為準(zhǔn)確的理解應(yīng)當(dāng)是“學(xué)科的科學(xué)觀和方法論的統(tǒng)稱”。這是因?yàn)?，具體的模式、模型、典范、范例、案例，具體的編程范式、計(jì)算范式、實(shí)驗(yàn)范式等，只能描述和表征一些具體的局部的工作程式，它們都不足以成為“學(xué)科是否要革命”的最高判據(jù)，只有學(xué)科的科學(xué)觀和方法論才具備這種表征能力。

事實(shí)上，科學(xué)研究的活動(dòng)存在井然有序的層次體系，從低到高依次是：（1）研究的具體問題、與問題相關(guān)的數(shù)據(jù)、研究問題所需要的目的要求等屬于“研究的原始資源層次”；（2）開展研究活動(dòng)所需要的編程語言、算法工具、算力工具、測量工具、記錄工具等屬于“研究的工具層次”；（3）支持研究活動(dòng)的學(xué)科理論、分析方法、研究模型等屬于“研究的理論層次”；（4）在全局上和整體上引領(lǐng)和規(guī)范研究活動(dòng)的科學(xué)觀和方法論屬于“研究的指導(dǎo)思想層次”。

可見，一個(gè)學(xué)科的科學(xué)觀和方法論是指導(dǎo)、引領(lǐng)和規(guī)范這個(gè)學(xué)科的整體研究活動(dòng)的最高力量，是“看不見”然而又時(shí)時(shí)刻刻、實(shí)實(shí)在在發(fā)揮著指導(dǎo)作用的“指揮棒”。因此，只有科學(xué)觀和方法論才能成為“學(xué)科是否要發(fā)生革命”的關(guān)鍵判據(jù)。

這樣，就可以用一個(gè)表達(dá)式來定義學(xué)科的范式：

P=Int(V,M)

其中，P代表學(xué)科的范式，V代表與學(xué)科性質(zhì)相符的科學(xué)觀，M代表學(xué)科應(yīng)當(dāng)遵循的方法論，Int代表科學(xué)觀與方法論的整體作用。
為了

追根尋源查明造成人工智能現(xiàn)狀的根本原因，最重要的是要站在學(xué)科研究的制高點(diǎn)——“范式”的高度上深入考察學(xué)科發(fā)展的情況，以便從中找到問題的根源，并從根源上解決問題。這是一切原創(chuàng)性科學(xué)研究所不能回避的原則。

表1用直觀清晰的列表方式，描述了學(xué)科的“范式”在學(xué)科的科學(xué)研究活動(dòng)（包括學(xué)科的自下而上摸索和自上而下建構(gòu)）體系中所處的地位和作用。

表1說明，學(xué)科的發(fā)展一般都要經(jīng)歷前后相繼的兩個(gè)基本階段，即首先是自下而上摸索范式的初級階段，接著是自上而下貫徹范式有序建構(gòu)的高級階段。這兩個(gè)階段是辯證統(tǒng)一的，既不可或缺，也不可顛倒。

初級階段的任務(wù)是要摸索：（1）這個(gè)學(xué)科的本質(zhì)是什么；（2）應(yīng)當(dāng)怎樣來研究和發(fā)展這個(gè)學(xué)科。顯然，前者就是關(guān)于這個(gè)學(xué)科的科學(xué)觀，后者就是研究這個(gè)學(xué)科所需要遵循的方法論。如上所述，科學(xué)觀和方法論的統(tǒng)稱就是范式?？梢?，初級階段的任務(wù)就是要明確學(xué)科的范式，也就是明確學(xué)科的定義。而一旦明確了學(xué)科的定義，就具備了必要的條件可以轉(zhuǎn)入學(xué)科研究與發(fā)展的高級階段，即學(xué)科的有序建構(gòu)階段。

需要特別指出的是，自下而上的摸索階段是最為困難的工作階段，需要經(jīng)過特別漫長的試探、摸索、失敗、停頓、反思、再摸索、局部成功、局部的檢驗(yàn)、盲人摸象式的爭論、逐步總結(jié)等痛苦的過程，因此往往經(jīng)歷很長（大約是世紀(jì)級）的時(shí)間。

高級階段的任務(wù)是要自上而下地完成：（1）根據(jù)自下而上摸索總結(jié)出來的范式（學(xué)科的定義）來落實(shí)學(xué)科的定位（建立學(xué)科框架，包括構(gòu)筑學(xué)科全局模型和確立學(xué)科研究路徑）；（2）基于學(xué)科的定義和定位確立學(xué)科的精確定格（闡明學(xué)科的規(guī)格，包括學(xué)科內(nèi)涵結(jié)構(gòu)的規(guī)格和學(xué)科數(shù)理基礎(chǔ)的規(guī)格）；（3）根據(jù)學(xué)科的定義、定位和定格，實(shí)現(xiàn)學(xué)科內(nèi)容的完整定論（形成學(xué)科的理論，包括學(xué)科的基本概念和基本原理），完成學(xué)科理論的整體建構(gòu)。

可見，學(xué)科的建構(gòu)就是要由宏觀的定義（范式），到整體的定位（框架），再到精準(zhǔn)的定格（規(guī)格），最后到內(nèi)容的定論（理論），一步一步地走向具體、走向落實(shí)。于是，作為學(xué)科宏觀定義的范式，是整個(gè)學(xué)科研究與發(fā)展的源頭和根本，影響著整個(gè)學(xué)科建構(gòu)的全程。

由此可以作出明確的判斷：造成人工智能理論現(xiàn)狀的根本原因，必定是作為學(xué)科的源頭而且影響學(xué)科全局的學(xué)科研究范式（科學(xué)觀和方法論）發(fā)生了偏差，而不會(huì)僅僅是某些中低層次（如資源層次、工具層次、理論層次）的缺陷?？傊?ldquo;整體很無奈”的根源必定在范式，這就是結(jié)論。

人工智能研究所實(shí)際遵循的范式，并不是信息學(xué)科的范式，而是傳統(tǒng)物質(zhì)學(xué)科的范式。人工智能是開放、復(fù)雜、高級的信息系統(tǒng)，是信息科學(xué)的高級篇章。表2所列出的信息技術(shù)演進(jìn)歷史有力地證實(shí)了這個(gè)判斷。

信息學(xué)科的定義也支持了這個(gè)判斷。這個(gè)定義指出：信息學(xué)科的研究對象是信息及其生態(tài)過程，研究內(nèi)容是信息的性質(zhì)及其信息生態(tài)規(guī)律，研究方法是信息生態(tài)方法論，研究目標(biāo)是擴(kuò)展“作為人類全部信息功能有機(jī)整體”的智能功能。

可見，擴(kuò)展信息獲取、信息傳遞、信息處理、信息執(zhí)行等信息功能以及這些信息的復(fù)合功能只是信息科學(xué)的初等研究目標(biāo)；擴(kuò)展人類的智能功能才是信息科學(xué)的長遠(yuǎn)研究目標(biāo)。

按照學(xué)科范式的定義，具有不同研究對象的各個(gè)學(xué)科大類，都應(yīng)當(dāng)擁有自己的科學(xué)觀和方法論，遵循自己的研究范式。既然人工智能是信息學(xué)科的高級篇章，人工智能學(xué)科的研究與發(fā)展就應(yīng)當(dāng)遵循信息學(xué)科的范式。

然而一個(gè)令人驚訝的發(fā)現(xiàn)卻是（鐘義信，2021a）：數(shù)十年來，人工智能研究所實(shí)際遵循的范式，并不是信息學(xué)科的范式，而是傳統(tǒng)物質(zhì)學(xué)科的范式（見表3）。

表3說明，現(xiàn)行人工智能的研究范式犯了“張冠李戴”的大忌：它實(shí)際所遵循的科學(xué)觀基本是“物質(zhì)學(xué)科范式的科學(xué)觀”，而它所遵循的方法論是完全的“物質(zhì)學(xué)科范式的機(jī)械還原方法論”。