人工智能期待更深刻的哲学思考

昨天，朱松纯教授一篇关于人工智能的文章在我的朋友圈刷屏了。文章谈了很多具体的技术和进展、讲得很实在，用专业的知识给过热的“人工智能”泼了点冷水。对我个人的启发也很大。

回想起来，从人工智能产生的时候起，就一直被寄予很高的期望；正是这种高的期望，让多次陷入低谷的人工智能再次崛起。20多年前我读硕士的时候，是人工智能的上一次高 潮。在我的硕士论文里，还涉及到相关内容并透露出我当年的忧虑：数据量不够、算法不可靠；找不到合适的算法结构.....当年，我怀着这种忧虑、看不到发展的希望，离开了这个领域。后来我还对人说：搞人工神经元的人，90%是骗子或被人骗。现在看来，人工智能的再次崛起，恰恰是从数据（大数据）、算法结构（深度学习）领域突破的。

然而，大数据和深度学习真的能把人工智能永远地送到高速公路上去吗？在朱老师文章中，关于乌鸦吃坚果的例子，让我们看到到当今人工智能和动物智能的巨大差别：

乌鸦要吃坚果，就把坚果放在马路上让汽车压碎；乌鸦知道马路上车子多，去吃坚果太危险；它就把坚果放在斑马线上，等汽车遇到红灯的时候再去吃。

按流行的说法就是“乌鸦甩了人工智能几条大街”了。我们注意到：乌鸦并不是在海量的观察、无数次失败的基础上得到这么好的方法的。与现在深度学习、大数据的思想似乎有一定的不同。

这类的机制又是什么呢？或许应该去思考一些哲学问题：人是怎么认识的？

过去的哲学研究，关注点常常是感性认识如何上升为理性认识。然而，乌鸦用的不是理性知识；我们日常生活也很少用理性知识、科学探索涉的直觉也不是理性知识。换句话说，感性认识的重要性可能大大被低估了。

从感性认识到理性认识的过程，可谓知识求精的过程：准确表达知识的边界和内涵。但是，人类历史上有很多读书很少、做事却有很有智慧的人。他们的优势往往是知识有深度、也有广度。换句话说，知识的发展方向似乎可以归结为：精度、深度、广度三个维度。其中，我说的广度主要是跨界，深度就是以跨界为基础的、认识的层次。从感性到理性的发展方向其实重点是求精这一个维度。

当人的知识向广度和深度发展时，其实是对各种知识建立各种复杂的联系。也就是把知识“结构化”起来。当我们写一本书、一篇文章时，常常感到千言万语却难以下笔，其原因往往就是在知识的“结构化”上遇到困难：碎片化的观点之间，到底是什么联系？当人们准备建立一个信息系统的时候，IT人员面临困难其实也是要把业务人员的知识结构化、让计算机去使用——而“流程”就是结构化知识的一个常见办法。

结构化的一个好处，是极大可能地“举一反三”。也就是在新旧问题之间建立联系，把“新问题”转化成“老问题”，借用“老办法”解决“新问题”。而“日光底下无新事”，现在的很多新问题，都与过去的老问题有着千丝万缕的联系——乌鸦的智能应该就是这个逻辑吧？

我的师傅王洪水先生说，“宝钢的下一步应该是结构化知识”。其实，各行各业推进智能制造不就是这个道理吗？PLM、SYSLM不就是在结构化知识吗？工业越复杂、互联网的应用越广泛、人类的认识越深越广，结构化的困难和价值也就越大。

当然，现在“结构化知识”的工作主要是人来做的，机器只会做非常简单的事情。未来的人工智能，是不是也应该朝着这个方向去发展呢？但朝着这个方向的发展，肯定会遇到各种困难。

因为人类结构化知识的本领，往往来自于“见多识广”：了解到的人和事越多，结构化知识的潜力就越大。正所谓“读万卷书不如行万里路；行万里路不如阅人无数”;知识来源于广，结构化的知识基础才牢靠。单独这一点，计算机就很难做到。即便有了这些素材，“结构化知识”本身也很困难：“阅人无数不如高人指路，高人指路不如自己感悟”——高人指路就是高人替我们结构化，而自己感悟就是自己进行结构化。

几年前我就意识到：在英语中，与制造相配合的“智能”有两个词：“Smart”和“Intelligent”。我想，要做到Smart，需要人把自己的知识传给计算机、帮助计算机结构化知识；要是做到Intelligent，则应该是让计算机自己去结构化知识。

当然，人类结构化知识和机器结构化知识可以结合起来。在我看来，现在的大数据分析，其实就是在试探性地走出这样的路子。从这种角度看，从“Smart”到“Intelligent”的路径可能是：人类结构化知识=》机器辅助人类结构化知识=》人类辅助机器结构化知识=》机器自动结构化知识。从某种意义上说，这样可以把人类结构化知识的经验逐渐积累起来，再把这种本事教给计算机。那时主流的人工智能工作，或许不是科学研究、也不是技术问题，而是涉及尺度更大的工程问题。

以上是随便想到的一些想法。不当之处，权当胡说。