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：MES、ERP、APS、PLC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。

我的随笔，随便写写，不当之处勿怪。