人工智能的学派:为什么要搞清楚

在中国学术界,只会纸上谈兵的大人物太多,也太能忽悠。我特别担心的是:他们用人工智能的概念,把智能制造的路子引歪了。

昨天,看到某著名学者讲人工智能的材料。他提到了智能的三个主流学派:控制学派(行为主义、进化主义)、计算机学派(符号主义、逻辑主义)、连结学派(生理学派、人工神经元)。我从他的演讲中惊讶地发现:他没有搞清各个学派的关系。

那么,为什么要搞清楚各个学派的关系?

搞不清三者的关系,就难以在解决实际问题的过程中灵活运用、就常常会做“高射炮打蚊子”的事情。有人提出:“智能制造=人工智能+制造”的人,其实就没有搞清楚这些关系。 当然,即便搞不清三个主流学派的关系,也能按照某个学派的观点去进行深入的研究、也不影响发表论文;而搞清三者的关系,也不一定对发表论文有好处。工程师的视野要宽、才便于选择合适的方法;学者的深度要深,才能在学术上有突破。所以,搞清三者的关系,对做事的工程师有用、对写论文的学者不一定有用。

如何认识三个学派的关系呢?

我想,可以先问自己一个问题:三个学派是“耕种的是不同的地块”,还是“耕种一个地块的三种方法”?

在我看来,从应用的角度来看,“智能”是一个大的地块。这个地块就是:把信息感知、决策、执行自动地统一起来,做到“随时、随地、不随人”(宁振波先生的观点,意思是人不在的时候机器也能做)。这个“地块”,其实就是“控制论之父”维纳划出来的。

但是,这个大的地块中,有几个小的地块就像“山地”一样,不好“种”。比如,有些决策过程需要用复杂的推理。有人觉得:这种复杂的推理,不能用传统的计算机方法来做,需要模拟人脑的推理机制,这种推理的机制,才叫做智能。这种观点,相当于把控制论学派划出的地块中,再划出“自留地”——这就是符号主义。这块“地块”遭遇的问题比较特殊,方法和特点也比较特殊。故而又引发出其他的一些定义。例如,有人根据这块地的特点,把智能的特点总结为:“在大的搜索空间中迅速找出较优解”的能力。

人们后来发现,符号主义也有短板。决策需要知识,很多与直觉相关的知识,并不容易用符号推理来表述,需要计算机从数据中自己学习。为此,提出要模拟生物的神经元学习过程。于是,就诞生了“连接主义”。在我看来,这就相当于在“自留地”再划出一块更小的“自留地”。然而,“连接主义”的“这块地”其实一直没怎么“耕好”——直到在大数据的基础上提出“深度神经网络”理论,才突然有了起色。于是,引来了“新一代人工智能”的说法。

再回过头来看:“控制论学派”对其传统领地“画地为牢”:多年来,控制理论的主流是用传递函数、状态方程来描述的。而很多对象是不能用这种函数描述的。那么,其他的“地块”是“荒芜”的吗?其实也不是:MESERPAPSPLC等其实早就占领了这块地,企业很早就喜欢这些地块。但是,学术界、尤其是中国的学术界却不怎么喜欢这块地:学术界喜欢用复杂数学公式描述的东西;对他们来说,这里的理论“太简单了”。

ICT技术的发展,相当于种地水平的提升:大数据和工业互联网,就像送来了化肥、有条件带来经济性;工业软件,相当于发明了农用机械,用于解决业务问题的复杂性;劳动力成本的企业竞争压力的上升,相当于靠这块地吃饭的人开始增多,也推动了经济性。于是,智能制造成了热点:因为收获大大增加了。

“人工智能”的学派划分,更多是从学术角度看的。如果企业家和工程师迷信于学术本身,工作上就很容易“钻牛角尖”。我认为工程师遇到实际问题,首选的应该最简单的逻辑——除非有必要,才会用复杂的算法。选用简单逻辑的原因,是工业对象太复杂。需要用简单的逻辑才能驾驭复杂性。如果方法太复杂、人脑就不容易想清楚,代来的风险和不确定性就强——这是工业人最不愿意看到的。

学术界说的人工智能,主要指的计算机学派和连接主义学派。鉴于这种情况,“智能制造=人工智能+制造”是很容易误导人的说法。以至于有些人认为,只有有了这些高大上的东西,才能搞智能制造。于是,一下子就掉到坑里去了。马云强调“工业智能”的说法,其初衷可能也是想让企业界避开学术界挖的这个大坑。

THE END
分享
二维码
< <上一篇
下一篇>>