人工智能统治人类？先得打开认知智能这扇门（二）

因此，我个人的粗浅理解是，对于认知智能而言，它的核心就是知识到底怎么表示、怎么获取、怎么运用。目前人工智能在这三方面也有着不同的进展，我们可以将其分为“三大流派”。

三大流派

　　第一个就是现在特别火的“连接流派”，基于神经网络深度学习。上图左边三位获得了2019年的图灵奖，右边这一位也是深度学习的另一位领袖。他们提出了现在特别流行的一些概念，例如深度学习里的卷积神经网络，还有循环神经网络等等。这些概念非常有用，也取得了很多成绩。可以说，连接流派是通过模拟生物神经网络的方法来做人工智能的。

　　举个简单的例子，勾股定理（毕达哥拉斯定理），很早就被发现了，那么现在给深度学习一个神经网络，比方说一亿个直角三角形，它能够学得会勾股定理吗？恐怕很难，因为它很难学习结构化知识。在表示上面，表示结构化知识的时候，也遇到了很大的问题。连接流派在学习上面做得还不错，但表示和推理还有一些缺陷和问题。

　　另外一个很重要的流派现在虽然不经常被提到，但在机器人领域有很多应用，叫做行为流派。MIT的Rodney Brooks提出了所谓的包容式体系结构，就是不同的层面都做简单的反应式推理，就像条件反射一样，但是从不同的层次来做。已经得到广泛应用的扫地机器人产品，iRobot，就来他和学生开的公司。除了扫地机器人之外，他也在尝试新的机器人公司，包括通用工业机器人等等。

　　那么基于反应式的行为流派在知识的表示、推理和学习上面做得怎么样呢？。其实行为流派最大的优势在推理效率快，因为反应快，只要给它一个刺激，它就能推出来。但它在表示和学习上面却遇到了很大的困难，比方说反应式的规则怎么得到，是不是能够表示更复杂的知识等等。

　　第三个就是基于逻辑学的符号流派，这其实是原来人工智能的一个主流的流派。20世纪80年代第二波人工智能潮，就主要是由基于符号流派的专家系统引起的。符号流派在人工智能历史中很辉煌，除了刚才说的三位图灵奖之外，其他的人工智能图灵奖获得者基本上都是符号流派的或与符号流派密切相关，包括达特茅斯会议的那几位先驱 McCarthy、Minsky、Simon、Newell，还有后面的Pearl这些人。此外，人工智能的祖师爷图灵，他本身就是个逻辑学家、符号学家。机器本身也需要建立在逻辑以及语言的一些基础之上，所以符号流派当时在人工智能领域占据了很重要的地位。

　　那为什么现在符号流派没有在领域内占据更多声音？因为它也遇到了很多困难，主要集中在学习和推理方面。当关于人工智能的讨论还停留在学术层面的时候，符号流派很吃香。因为当时讨论的前提是假设知识已经有了，机器也已经学习到了，大家去讨论该怎么用这些知识去解决问题。然而这些理论在后来真正跟应用结合起来时，大家才发现一个惨痛的事实：这个假设不成立。知识并不是天生就有的，需要通过某种方法去获取知识。而符号流派的方法就很简单粗暴——专家去写。这也是为什么专家系统一度很“火”，后来又遭遇了很大瓶颈的其中一个原因。

　　符号流派在表示上面做得不错，比如像勾股定理之类的知识，甚至更复杂的知识，用符号的方法都可以比较好地表示出来。但是在推理和学习上，它遇到了一些很大的问题。如果连知识都没有的话，所有的东西都是空中楼阁。所以这一流派现在有些萎靡不振。

　　通过这三个人工智能的重要流派，可以看出有一个很有意思现象：每个流派都在某一方面有专长。连接流派在学习上面做得不错；行为流派在推理上面；符号流派则在表示上面做的不错。于是，有一个很自然的想法出现了：是不是可以把它们折中或者说把它们融合起来？最近几年这一想法正在有越来越多的实践和尝试，例如现在还比较火的知识图谱技术。但总地来说，这些尝试仅仅是在“折中”，各方面的优点确实是取了一点，但是同时也牺牲了它们的一些特性。

　　分析之后大家就会发现，人工智能目前在知识表示、知识推理和知识学习上面，都遇到了一定的问题。这就是现在认知智能为什么难做的一个很大的原因。

　　人工智能的6E目标

　　而对人工智能抱有期盼的人们真正想要的是什么？毫无疑问是这么一个“完美三角形”。人们希望人工智能在知识的表示、知识的推理和知识的学习上面都能做得很好，至少像人这么好，但这是无疑一个很困难的事情。个人浅见，为此，至少有下面几点是必须要做到的，即6E：简洁（Elegant），可扩展（Extensible），强表达（Expressive），高效（Efficient），可教育（Educable），可演化（Evolvable）。

　　人工智能想要达到完美三角形的能力，依旧有很长的路要走，任重而道远。就我个人的粗浅的理解，为了达到这个目标，需要开发新的人工智能方法，来做到6E。事实上，如果基于已有的人工智能理论和方法，6E是相互冲突的。比如说在符号流派里，表达能力跟效率之间的权衡，一直是一个核心问题。但事实上这些在应用的时候都需要良好发挥，怎么去突破这些理论上的瓶颈，是非常困难的事情。

　　但转念想想，反观人类自己，是不是某种意义上在6E的各个方面都能表现出色？我们以自然语言为基础的知识表示、推理和学习相对简单、可扩展性超级好、表达能力非常强、虽然不特别高效但也足够用。也是可教育、可演化的：既能够总结经验、又能学习新的知识。我个人的理解，这才是现在的人工智能跟人真正的差距所在。

　　个人认为，达到完美三角形是人工智能最重要的事情。届时，针对以下一些认知智能的关键科学问题，包括：什么是知识？是否存在统一的知识（数学）模型？机器（人类/脑）如何编码、获取、运用知识？知识和数据、知识和智能的关系是什么？认知智能和知识科学会有哪些杀手级应用？人工智能领域将会给出一个更好的回答。在此基础上，我相信人工智能会有长足的进展，会有一个从感知智能到认知智能的范式转变，会有一个从数据科学到知识科学的范式转变。

　　注：本文内容根据周熠博士于墨子沙龙现场演讲编译整理而来。