李國杰：人工智能到底是一門什么學問？

人工智能作為一門發展近80年的學問，其發展過程中邊界持續擴大、研究方向不斷豐富，學界對其學科屬性、研究核心等問題仍存爭議。對人工智能的學科屬性進行了系統分析，剖析了人工智能的學科定位，分析了人工智能可以像人一樣思考、像人一樣行動、理性地思考和理性地行動這4個核心目標，指出了人工智能是一種方法而不僅是模擬人類，是求解復雜問題的新范式，人工智能已超越傳統計算機科學分支的范疇。強調了人工智能是科學技術的“元級探索方法”，目前仍處于“前范式科學”階段。

近日，中國科協會刊《科技導報》刊發了我國計算機專家、中國工程院院士李國杰教授的評論文章《人工智能到底是一門什么學問？》。我們特此摘錄，以饗讀者。

李國杰，“學術科協”科學智能專家委員會委員、計算機專家、中國工程院院士，研究方向為計算機體系結構、并行算法、人工智能、計算機網絡、信息技術發展戰略等。

人工智能到底是一門什么學問？

李國杰

人工智能(artificial intelligence,AI)作為一門學問已經發展了近80年。現在人們常將1956年稱為人工智能的元年，因為那一年召開的達特茅斯研討會上，最先采用了“人工智能”這個術語，但實際上那次為期2個月的研討會并沒有留下里程碑式的文獻。麥克洛克(Warren McCulloch)和皮茨(Walter Pitts)1943年在《Bulletin of Mathematical Biophysics》期刊上，發表了第一篇關于神經網絡模型的論文《A Logical Calculus of the Ideas Immanent in Nervous Activity》[1]，這個經典的M?P(McCulloch?Pitts)模型對當今人工智能的發展仍然發揮巨大作用。因此，人工智能這門學科從1943年算起，可能更加合理。

近80年來，人工智能的發展起起伏伏，但邊界一直在擴大，研究方向也在不斷增加。人工智能的研究方向不僅包括傳統的問題求解、知識表示、邏輯推理，自然語言理解、計算機視覺、機器學習、機器人等，還包括大量的AI+X的交叉融合內容[2]。長期以來，人工智能被認為是計算機學科的一個分支，但人工智能的發展已經超出了傳統的計算機學科的范圍。教育部已經將“智能科學與技術”設立為一級交叉學科，但對人工智能到底是一門什么學問，還是有很多疑問。

從人工智能誕生起，就一直面臨人工智能要研究什么的爭論。雖然眾說紛紜，但基本上是2條路線之爭，一條強調人工智能要模擬人的能力，目標是“像人”：從科學的意義上講，就是要弄清楚“智能”的奧秘。另一條是把人工智能當成一種解決復雜問題的方法，目標是設計正確而且高效的人造“智能體”。這兩條看起來完全不同的技術發展路線，為什么會長期糾纏，包含在一個學科中？從宇宙和人類進化史來看，包括人腦在內的“智能體”可能是進化至今的終極“產品”，因此探索智能的奧秘應當是人類需要解決的最重大的科學問題，但目前人工智能還處在科學范式形成前的百家爭鳴階段，沒有形成有共識的基礎理論。另一方面，人工智能的技術豐富多彩，已經走在科學的前面。作為一門學科，現在的人工智能的主流究竟是像數理化一樣的科學，還是一門工程技術，這也是需要澄清的問題。本文對人工智能究竟是一門什么學問發表一些看法，旨在拋磚引玉，引起討論。

01

人工智能的4個目標

人工智能的定義五花八門，但各種各樣的人工智能教科書也有一些共同的內容。其中斯圖爾特·羅素(Stuart Russell)和彼得·諾維格(Peter Norvig)1995年出版的《Artificial Intelligence:A Modern Approach》(《人工智能:一種現代方法》)是一本影響較大的經典著作，已經發行第4版[3]，被全球1500多所大學用作人工智能的教科書，說明這本書講的觀點得到許多人工智能學者的認同。在這本經典著作中，人工智能的核心目標被歸納為4類：像人一樣思考，像人一樣行動，理性地思考和理性地行動。這4個目標構成了人工智能研究的多元視角即前兩者關注與人類的相似性，后兩者強調理性效能。

“模擬人類”和“理性的思考/行動”這2條路徑表面上目標不同，但本質上卻深度相關，它們共享以下核心假設。(1)相同的信息處理觀：不論是人腦還是機器，智能的本質都是對信息的接收、加工與利用，強調在信息不充分的條件下有效解決問題的能力。(2)一致的目標驅動：無論模擬人類思維還是追求理性效能，最終目標均為構建具有自主決策、學習和適應能力的智能系統。兩者從不同角度切入，共同回答“什么是智能”這一根本問題。(3)應對不確定性：認知行為和復雜任務求解都面臨模糊、未知與動態變化的環境，人工智能研究必須面對復雜性和不確定性。

像人一樣思考/行動的研究關注智能體的“人類兼容性”，從人類認知與行為中提取智能的表象特征(如語言、情感、社會互動)，重視機器的智能行為能否被人類理解或接受。理性思考/行動的研究關注智能體的“效能”，從數學邏輯與優化中提煉智能的本質規律，如邏輯一致性、最優決策等，目標是在復雜環境中高效達成目標。人工智能的發展逐漸實現了從模擬人類到實際應用的融合：“像人一樣思考”往往正是解決問題的最佳參考。模擬人類可為理性思考提供啟發，人類思維(如直覺、常識)常包含非形式化但高效的決策模式，可為理性算法提供靈感。理性優化也可以為模擬人類提供工具，邏輯推理、概率模型等理性方法可提升模擬人類的精確性和泛化能力。兩者通過方法互補和目標統一緊密關聯，最終服務于AI學科的終極命題：創造既能理解人類，又能超越人類局限的智能系統。這種多元統一性是AI作為獨立學科的核心凝聚力。

人工智能的4類目標如同“智能”的四維坐標，像人一樣思考/行動定義了智能的“人文維度”(與人類兼容)；理性思考/行動定義了智能的“科學維度”(與客觀規律一致)。現代AI融合了四者，形成“人類啟發+理性優化”的混合范式。在實際應用系統中，四者常需要結合。這樣的案例很多，例如：大模型結合了人類語言數據與自監督學習；在自動駕駛中，既需要模擬人類駕駛行為(像人一樣行動)，又需要理性規劃路徑(理性行動)；在醫療診斷AI中，既需理解醫生的決策邏輯(像人一樣思考)，又需通過數據提高診斷準確率(理性思考)。

02

人工智能是設計智能體的現代方法

對人工智能研究和應用而言，上述4個目標的重要性是不同的。模擬人類的思考和行動不是最終的目標。圖靈提出的驗證機器是否具有思考能力的方法，就是采用機器是否做出類人行為的測試(稱為圖靈測試)，但這種測試實際上是關于人類易受騙性的測試，是否通過圖靈測試并不重要。人工智能的研究應該發展科學技術，給人類提供更聰明更有用的工具，進一步走向人機協作，而不是為了讓測試者上當。如果航空工程學也采取類似圖靈測試的目標，應該是制造“能像鴿子一樣飛行，甚至可以騙過真鴿子的機器”。好在飛機發明家和航空工程師沒有模仿鳥類，轉而研究空氣動力學并使用風洞，人工飛行的探索才取得成功。

《人工智能：一種現代方法》這本經典教科書中，雖然提到人工智能的4類研究目標(或稱為4種范式)，但全書的重點是講“理性行為”，書中明確指出，“在人工智能的大部分歷史中，基于理性智能體的方法都占據了上風”，“人工智能專注于研究和構建做正確的事情的智能體”。智能體比傳統的計算機程序能完成更多的任務，包括感知環境、自主運行、自適應調控和實現目標。所謂“正確的事情”是人類提供給智能體的目標定義。為了區別于“模擬人類的思考和行為”，這本書的取名非常明確地告訴大家，人工智能是以機器理性為核心的一種“現代方法”。這種理性是“目標函數+算法策略”的理性，不一定像人那樣思考，也不一定像人那樣行動。人造智能體與人的最大區別是，其理性是被建模出來的，其本質不是“模仿人類”，而是設計出來能夠在復雜環境中“合理行動”的機制。這種“現代方法”可以定義為一個統一的框架：一個理性智能體是感知其環境并做出行動選擇的實體，其目標是最大化某種性能度量函數下的期望結果。無論任務多么復雜，都可以形式化為“輸入感知→狀態估計→行為選擇→性能優化”這一鏈條。這個框架是一種通用范式，可以稱之為人工智能的“標準模型”。

為什么要強調人工智能是一種方法而不僅僅是模擬人類？筆者認為至少是出于2方面的考慮。首先，模擬人類一定要先清楚人腦如何思考和行動，這實際上是腦科學和認知科學的任務。在人工智能發展的初期，學者不只滿足于設計的程序能正確地求解問題，而是更關心將推理步驟與求解相同問題的人類進行比較，在一段時間內，人工智能和認知科學是混淆的。后來認識到腦科學和認知科學還需要作長期的基礎研究，腦科學與認知科學就與人工智能相對分離地發展了。現在的人工智能基本上是一種技術，求解的問題不限于人類的認知，更多的是考慮在科學研究和工程實踐中傳統科學技術解決不了的復雜問題。近幾年AI for Science和各行業機器學習垂類模型蓬勃發展就反映了這個趨勢。另一方面，如果只專注于模擬人類，人工智能可能會引向錯誤的方向。發展人工智能絕對不是為了替代人類，而是為了增強人類。模擬人類的所有能力，發展完全替代人類的“人類掘墓者”，不應該是人工智能的追求目標。因此，應當根據人類的需求，對模擬人類的研究方向做出取舍。未來，AI可能不僅是一門技術，而是成為繼演繹邏輯與實證科學之后的知識生產和問題求解的新范式，為人類應對客觀世界的不確定性與復雜性開辟新的途徑。

03

人工智能是求解復雜問題的新范式

為了應對客觀環境，通過長期的經驗積累，人類掌握了很多技術和竅訣。自從哥白尼、伽利略、牛頓等科學家開創第一次科學革命以來，人類在天文、數學、物理、化學、醫學、工程等領域掌握了大量的科學技術，相對簡單的問題用現有的科學技術都可以解決，但還有很多復雜的問題用現有的科學技術找不到滿意的解決方案，必須尋求新的解決辦法。通過近百年的努力，人類找到了一條解決復雜問題的新途徑，這就是人工智能。

所謂復雜問題往往具有以下特征。(1)多元性：問題中包含數量極多的相互作用的變量或因素；(2)非線性：不滿足線性疊加原理，可能導致混沌等復雜行為；(3)模糊性：問題沒有明確定義，邊界模糊；(4)不確定性：結果難以預測；(5)動態性：問題輸入和邊界條件隨時變化。人工智能面對的復雜問題主要是以下2大類。

3.1 引起組合爆炸的復雜問題

組合爆炸在數學界被稱為“維度災難”(curse of dimensionality)，是指隨著問題規模(維度)增加，求解難度和所需數據量呈指數級增長的現象，反過來說，就是高維空間中數據極端稀疏、距離度量失效的現象。例如，若一維空間用10個點可以充分采樣，那么在100維空間中，達到類似的采樣密度就需要10100個樣本。科學研究和工程實現中常常需要在指數爆炸的解空間中進行組合搜索，尋找滿足某種要求的答案或多目標最優解。做蛋白質結構預測，1個包含100個氨基酸的蛋白質三維結構，理論解空間大小約為9100≈1095。集成電路設計的理論解空間高達10540，幾乎是無限大。

在計算機科學中，這一類計算時間隨問題規模指數級增長的問題，稱為NP困難問題，尋找NP困難問題的滿意解是計算機科學的重大挑戰，幾十年來雖然有些進展，但不令人滿意。基于人工神經網絡的機器學習將高維數據的無結構搜索，轉化為有結構的函數逼近，不用遍歷所有維度組合，而是只關注局部相關、共享的模式和少數潛在特征，巧妙地減少了有效維度，極大地緩解了維數爆炸帶來的參數暴漲和數據需求。這種“以深度換寬度”的策略，使得深度網絡能夠用合理數量的參數表達某些本來需要幾乎無窮多的參數才能表達的函數，提供了繞開維度爆炸的有效途徑。近幾年，機器學習在蛋白質結構預測、新材料發現、集成電路全自動設計等領域的突破表明，人工智能以組合搜索為切入口，有望成為一種發現自然規律、設計物理結構、合成新材料、發明數學算法的新工具。這不只是工具的更新，而是一種新型“組合智能”的誕生，未來潛力可能比深度學習本身更為深遠。

3.2 定義不明確，邊界模糊的“臟問題”

科學發展史中，所謂科學問題常常被形象地比喻為“鐘表”——結構精密、因果明確、規則清晰。牛頓力學、電磁場理論等經典科學，多以這種可預測、可解析、可驗證的“鐘表式”知識為基礎。拉普拉斯認為宇宙運行完全由初始條件和物理定律決定，宇宙的過去、現在和未來是一個連續的因果鏈。若已知某一時刻的完整信息，理論上可通過數學計算推演出宇宙的全部歷史與未來軌跡，甚至能“像回顧歷史一樣預見未來”。然而，隨著科學技術問題的復雜化，科學家和工程師們越來越多地面對一些邊界模糊的“臟問題”(wicked problems)，不再具有鐘表式的知識。

所謂“臟問題”這一概念，最早由霍斯特·雷特爾(Horst Rittel)和梅爾文·韋伯(Melvin Webber)在1973年發表的論文《Dilemmas in a general theory of planning》[4]中提出，學術界也翻譯成“棘手問題”或“抗解問題”。“臟問題”往往具有以下特征：(1)問題無明確定義，問題邊界模糊，不同人對“問題是什么”有不同理解；(2)解決方案沒有絕對的“對”或“錯”，只有“更好”或“更差”，解法具有主觀性，常取決于價值觀和判斷標準；(3)問題具有獨特性，沒有通用解決方法，無法套用通用公式或模板來解決問題；(4)問題之間相互交織，難以切割為小問題單獨處理；(5)許多解決方案是一次性嘗試，一旦嘗試過某種策略，情況可能發生改變，不能“重來”，有些問題嘗試求解后可能帶來不可逆的后果，難以通過試驗來學習；等。對人類的感知和認知的模擬也屬于這類問題。例如機器翻譯，將一本中文古典名著翻譯成英文，翻譯是否正確并沒有公認的判斷標準。在這個背景下，人工智能作為一種新興的通用技術，對“臟問題”處理能力的表現令人矚目。有學者將人工智能比喻為“抹布”——能把現實世界中各種“臟”的表面擦干凈。這一比喻生動形象，突出了AI處理模糊問題的能力。從“解空間已知+目標明確”到“解空間未知+目標模糊”的轉變，正是AI方法本質性的特點。

人工智能目前的處境和量子力學誕生時非常相似，當時大多數科學家不接受量子力學模棱兩可的表示。測不準原理的提出者沃納·卡爾·海森堡(Werner Karl Heisenberg)認為，量子力學用“騎墻者”的語言描述微觀世界可能是一個“語言學問題”，而不是“物理學問題”，將來經典力學和量子力學也許會共享同一個話語體系，彼此和諧共處。量子力學哥本哈根學派的奠基人尼爾斯·玻爾(Niels Bohr)一口回絕了這種可能，他用“抹布”比喻來反駁海森堡：語言其實就是一塊“抹布”，你無法要求存在一塊“絕對干凈的抹布”，在擦拭桌子之后依然保持“干凈”。

AlphaGo戰勝世界圍棋冠軍李世石時，許多人下結論：人工智能只適合于解決像圍棋一樣邊界清楚、規則明確的問題。但是，深度學習在文本圖像生成、機器翻譯等領域的成功改變了人們對人工智能的認識。人工智能不但在解決邊界清晰、規則明確的問題上表現出色，目前正在獲得“模糊任務理解”“自我建模邊界”的能力[5]。它不是只適合封閉系統，而是從封閉系統出發，向開放世界的泛化智能系統演進。人們不再要求必須先明確定義問題和規則，而是通過大量實例數據學習輸入與輸出之間的關系，從中找到規律和問題的滿意解。人工智能不是鐘表，也不只是抹布，而是融合模式識別、策略演化、語言表達與邏輯推理的全新的“智能生成范式”。它既能在混沌中找秩序，也能在嚴謹中找突破；既能輔助人類，也在重構人類的知識定義方式。未來的AI可能是一種“超級認知系統”，將人類的經驗、理性與機器的“認知”密切結合，成為人類面對復雜世界不可或缺的合作伙伴。

04

人工智能已經不只是計算機科學的一個分支

人工智能促進協會(AAAI，原稱美國人工智能學會)對人工智能的定義曾經是“人工智能是計算機科學的一個分支”。筆者過去的文章也強調人工智能是計算機學科的分支。但是，近幾年人工智能的發展讓我改變了看法。筆者現在認為人工智能已經不只是計算機學科的一個分支，它研究的領域和研究方法，都與傳統的計算機學科大不一樣了。

在傳統計算機科學中，問題通常具有以下特點：(1)求解的問題是形式邏輯、算法性問題；(2)解空間由離散、可枚舉的解構成；(3)目標是求正確解或最優解；(4)解決范式強調推理，主要采用規則推導、算法計算、邏輯演繹，傳統編程是“人寫規則→計算機執行”；(5)輸入、輸出、約束、目標函數都有精確、清晰的形式化定義；(6)可驗證性強，是否正確通常有唯一標準答案。

而對于人工智能，問題邊界常常是模糊的，評價標準主觀性強。機器翻譯、圖像識別、對話系統的“好壞”往往依賴于人類評價或任務上下文。解決方式具有非確定性，往往依賴概率模型、統計推斷、啟發式搜索、機器學習而非精確推導。求解目標不一定是最優解，往往是滿意解。從科學范式上講，當前的AI與計算機科學主要的區別，是從“規則驅動”走向“數據驅動”，從“用已知算法求解”到“通過機器學習求解”，這是一種范式轉變。表1歸納了傳統計算機科學和人工智能的區別。

從歷史淵源看，人工智能最初確實是計算機科學的一個子領域。但隨著AI的發展，它在研究目標、方法論、評價體系等方面，逐漸展現出與計算機科學其他分支(如編譯原理、操作系統、計算復雜性理論等)顯著不同的學科特征。人工智能越來越多地借鑒了其他學科的知識和方法，正在實現跨學科的融合。計算機科學關注“如何構建計算系統解決精確定義的問題”，而AI關注“如何構造能夠自己學習解決問題的機器”，包括那些人類不能完全形式化定義的問題。人工智能用概率建模代替精確定義，在圖像識別中，不是問“某張圖像是不是貓”，而是問“它是貓的概率是多少？”用目標函數代替顯式規則，優化問題變為最小化某種損失函數，讓模型自己學習達到最優。人工智能用數據驅動的“經驗空間”逼近問題空間，無法明確定義“貓”，就收集數百萬“貓圖像”的樣本，建模其高維特征分布。這些方法本質上是用逼近策略來形式化模糊問題，使其可訓練、可優化、可評估。現在的AI更像是一個跨學科的新學科，而非計算機科學的一個分支。表2歸納了人工智能借鑒其他學科的內容。

在傳統的計算機科學中，是對一個問題類中的所有待計算的問題特例(problem instance)，都采用同一個明確的固定的程序來計算。例如排序算法就是針對所有的序列進行排序，即使序列趨向無窮長，也可以用同一個方法求解。而在人工智能中，往往沒有精確定義的問題類，實際上是對問題的特例求解。這是人們經常忽略的一個重要區別，因為面對給定的特例，就有可能利用此特例中一切可以利用的特點，如對稱、規律、局部模式等，使得消耗的資源盡可能減少。通用人工智能(AGI)的倡導者王培對智能的定義是：智能是在有限資源的情況下，做出最佳適應的能力。這個定義實際上是把智能和計算復雜性聯系起來了。克服復雜性是驅動智能產生和發展的原動力，智能正是為了超越計算復雜性而形成的能力。目前的大模型大量采用猜測加驗證的求解方法。所謂猜測就是一種試錯，通過試錯可以獲得反饋，通過反饋可以更好地尋找搜索方向。智能體與過去的程序不同之處在于能夠和給定的特例互動。針對特例的計算和非確定圖靈機有非常密切的關系，非確定圖靈機既是計算理論的重大問題，也是人工智能的重大理論問題。過去只有理論界關心非確定圖靈機，針對問題特例的猜測加驗證求解方法推動非確定性圖靈機的研究走向實用。這是近幾年人工智能取得重大突破的重要原因。

05

人工智能是科學技術的“元級探索方法”，

還處在“前范式科學”階段

人工智能不只是模擬人類認知的特定工具集，而是一種用于探索未知、發現規律、生成模型的“元級探索方法”。人工智能是一種“通用問題求解框架”，能夠在知識不完備、資源不充分的條件下獲得滿意解，可廣泛用于數學、物理、化學、生物等領域的基礎科學研究，也能在各個領域的技術開發、工程實施中發揮重大作用。對處理政治、經濟和社會管理問題，人工智能也是一把利器。因此，不能簡單地把人工智能當成一個學科專業，它是驅動知識前沿不斷擴展的新興技術科學范式。可以把人工智能比作“科學技術的望遠鏡”與“認知的發動機”。

人工智能的巨大作用體現在它引起的認知革命，在人類的理性之外，人工智能創造了一種“機器理性”，或者稱“機器認知”。機器理性不同于人類理性，兩者區別見表3。人類理性是“自然界演化出來的有限智慧”，機器理性是“設計出來的最優化程序”。AI的最終目標不是看起來像人類，也不是思考方式模仿人，而是在特定環境下，采取最大化效用的策略。這也是強化學習、智能體規劃、多目標優化等技術成為AI核心方法的原因。人類理性強調“適應性與意義”，機器理性強調“可控性與效率”。下一代AI，也許不是更像人，而是更理解人。人類的身邊多了一個能“思考”的“協作伙伴”，這是人類從未遇到過的科技革命和認知革命，對其影響絕不能低估。人類理性不容易形式化，機器理性也不易類人化。理解它們的差異，是確保AI向安全可控方向發展的前提。只有“工具理性”的AI可能給人類帶來重大的風險，如果目標函數設置錯誤或者AI完全自主地設置目標，AI可能高效完成“有害任務”。

AI對人類社會的影響遠遠超過一門普通的學科，必須充分估計它的潛力。經過幾十年的努力，AI已經不是像煉金術和占星術一樣停留在假說階段的“前科學”，而是一個可以廣泛應用的通用技術，已包含較深厚的科學基礎和較成熟的技術棧(各種學習算法、推理引擎、知識表示方法等)。它不僅僅是“準備成為科學”，它本身就是一個正在快速發展的、融合了科學、工程和應用技術的混合體。但是了解“智能”的奧秘是一個極難攻克的科學目標，總體來講，人工智能目前還處在“前范式科學”階段。科學哲學家托馬斯·庫恩(Thomas Samuel Kuhn)指出“前范式科學”階段的特點是：(1)沒有統一的研究范式，主要依賴試錯、經驗和直覺進行探索；(2)存在多個互相競爭的理論體系；(3)基本概念、研究方法和標準尚未統一；(4)學者之間對“什么是重要的問題”“什么是好的解釋”還沒有達成共識。目前的AI明顯具有上述特征。近幾年雖然Transformer架構主導了“深度學習”子領域，但還沒有在符號推理、因果學習、具身智能等方向起到關鍵作用，并未成為整個人工智能領域的統一研究范式。當前的基準測試雖帶來一定共識，但仍無法全面評價“智能體是否真正具有智能”。因此，從AI領域整體來看，尚未進入庫恩定義的“常規科學”階段。目前的AI是在尚無統一理論指導的前提下，幫助人類進行認知探索與問題求解的“通用前置方法”，這是一種用于探索“尚未被系統化理解的領域”的通用方法。

1962年庫恩在他的經典著作《The Structure of Scientific revolutions》(《科學革命的結構》)中提出“科學范式”概念，至今已經60多年了。隨著科技的發展，科研范式的形式可能也會發生變化。人工智能可能會形成不同于庫恩闡述的范式演進的新途徑，人機協作就是人工智能帶來的新科研范式。這種范式的特點是：在不確定的環境中，基于數據和模型，通過機器學習先找到某種潛在結構或經驗規律；再由科學家解釋、驗證，構建普適理論；最后形成工程規范或學科定律。AlphaFold2通過深度學習預測蛋白質結構，它本身并未提出生物化學新理論，但卻為理論建構提供了前所未有的“結構猜測”。這種模式可能會成為今后科學研究的常態。需要指出的是，對機器學習的認知局限性要有清醒的認識，機器理性不可能完全替代人類理性。發現新規律需要靈感和頓悟，發現新材料、新藥物等仍需要人類做大量艱苦細致的測試和臨床實驗。應當由人類完成的事不可能完全交給機器，自媒體上關于完全替代甚至征服人類的所謂“硅基新物種”的種種“預言”，目前還只是一種科學幻想，無需過分關注。

長期以來人們普遍認為，采用演繹推理和簡潔的公式表達知識是科學研究進入常規階段的必要條件，試錯性的搜索和統計推理是科學范式不成熟的表現。但是，人工智能技術的發展表明，數據驅動和概率推理可能會在科研工作中發揮越來越重要的作用，成為今后普遍采用的科研模式。人工智能的核心是應對不確定性、復雜性和知識不充分性，這一特點決定了AI研究是一種與以往任何科學研究不同的范式。現在的語言大模型有千億級以上的權重參數，這些參數的統計分布可以看作人工智能的通用語言，結構相同的大模型有可能通過直接交換權重參數進行交流和學習，成為機器理性的一種新范式。之所以認為當前的人工智能還處在前科學范式階段，是因為人工智能要走的路還很長，今后的人工智能是不是還是以統計推理為核心技術，現在還說不準。人工智能的范式仍在快速演進中，尚未完全固化。但有一點可以肯定，在相當長的時間內，人工智能是一個范式快速演進、技術不斷拓展的學科，不要期望它很快成為像物理、化學一樣穩定的“常規科學”。

人工智能還有一個與眾不同的“自我消解”的特點，所謂“自我消解”是指，當一項人工智能技術被深入研究，形成了可靠、系統化的規則、算法或知識庫，并且其求解過程變得透明、可預測甚至“平凡化”之后，人們往往就不再認為它是“人工智能”了，而是將其歸入某具體應用領域的常規技術或軟件。圖像處理、數據庫、光學字符識別(OCR)和專家系統等，都曾經歷或正在經歷這個過程。這就是說，AI不是理論的終點，而是理論發現的起點。AI可能永遠進不了庫恩定義的“常規科學”的大門，而是永不畢業的“前范式科學伴侶”。

“人工智能究竟是一門什么學問”是一個永遠開放的問題，已經問了幾十年，今后還會問下去。老的疑惑解決了，新的疑惑又會冒出來。“不識廬山真面目，只緣身在此山中”，也許只有走出這座大山以后，才能真正看清人工智能的真面目。

參考文獻

[1]McCulloch W S, Pitts W. A logical Calculus of the ideas immanent in nervous activity[J]. Bulletin of Math-ematical Biology, 1990, 52(1/2):99?115.

[2]李國杰. 智能化科研(AI4S)里程碑式重大成果綜述[J]. 計算, 2025, 1(4): 6?15.

[3]Russell S, Norvig P. Artificial intelli-gence: A modern approach[M]. 4th edition. London: Pearson, 2020.

[4]Rittel H W J, Webber M M. Dilem-mas in a general theory of planning [J]. Policy Sciences, 1973, 4(2): 155?169.

[5]李國杰. DeepSeek引發的AI發展路徑思考[J]. 科技導報, 2025, 43(3): 14?19.

供　　稿：科技導報社

責　　編：李蕙帆

審　　核：張敬一

值班編委：宋玉榮