人工智能有很多流派、各種說法和定義。早在幾十年前，人們就把人工智能分成三個(gè)學(xué)派，分別稱為符號(hào)主義、連接主義和行為主義。除此之外，還有各種不同的定義。學(xué)派和定義多了會(huì)把人搞糊涂，就要對(duì)概念本身做點(diǎn)思考。
我們要問：為什么這樣劃分學(xué)派、為什么沒有其他學(xué)派？對(duì)此，鐘信義先生從一個(gè)角度有點(diǎn)意思：他認(rèn)為這三個(gè)學(xué)派其實(shí)都是模擬：模擬神經(jīng)結(jié)構(gòu)、大腦功能和動(dòng)物行為。這個(gè)分類的視角很有啟發(fā)性——三個(gè)學(xué)派其實(shí)是三個(gè)層次。
從工程師的角度講，我們研究智能是有目的的：是為了應(yīng)用、而不是玄乎的概念。古人講究“知行合一”，就是“腦體的有效協(xié)同”、就是在行動(dòng)總體現(xiàn)智能。所以，單純從理念上說，“行為主義”是站在了智能概念的制高點(diǎn)上。但是，理念落地的時(shí)候會(huì)遇到一些困難，其中有些困難需要用模擬人的大腦功能來解決——這就是“符號(hào)主義”。但符號(hào)主義仍然有些問題難以解決。于是，學(xué)者們想到模擬大腦的結(jié)構(gòu)，這就是“連接主義”。這大體就是三個(gè)學(xué)派的關(guān)系。由此可見，另外兩個(gè)學(xué)派解決的主要是概念落地時(shí)面臨的部分問題——所以，識(shí)別這兩個(gè)學(xué)派時(shí)，不僅考慮目的還附帶手段。換句話說：很多標(biāo)準(zhǔn)算法即便可以解決同樣的問題，也往往不算作人工智能的范疇。
下面再詳細(xì)地分析一下各個(gè)學(xué)派的關(guān)系。模擬智能行為的一個(gè)重要問題是如何決策。這是任何智能系統(tǒng)都不可避免的問題，行為主義也不例外。長期以來，行為主義（也就是控制論學(xué)派）是應(yīng)用最廣泛、影響力最大的一個(gè)學(xué)派，其影響力甚至遠(yuǎn)遠(yuǎn)超出了“人工智能”學(xué)科本身。究其原因是：該學(xué)派能夠針對(duì)一類相當(dāng)廣泛的實(shí)際問題，找到一般性的解決方法。這就是反饋控制理論（經(jīng)典控制論）和現(xiàn)代控制理論的內(nèi)容。
但是，這兩項(xiàng)控制論是有很大局限性的?，F(xiàn)實(shí)中最主要的局限性是對(duì)象模型一般要用常微分方程組來描述——這種對(duì)象適合于動(dòng)態(tài)系統(tǒng)的變化范圍不大的情況，其控制器可以用電感、電阻和電容等電子線路來搭建。在控制論剛剛出現(xiàn)時(shí)（甚至在我讀大學(xué)時(shí)），這都是一個(gè)極大的優(yōu)勢：可以落地。
但無論如何，這種模型是有局限性的，難以用于復(fù)雜非線性、離散或者混雜系統(tǒng)。對(duì)于復(fù)雜的系統(tǒng)，其實(shí)也有一般性的解決方法：數(shù)學(xué)模型——因?yàn)閹缀跞魏螌?duì)象都可以建立數(shù)學(xué)模型。數(shù)學(xué)模型有這么大的好處，但也有不足：其廣泛應(yīng)用要等到計(jì)算機(jī)性能足夠好以后才逐步步入歷史舞臺(tái)，否則就會(huì)受到極大的約束——20年前我剛到寶鋼時(shí)，就能體會(huì)到這種約束、稍微復(fù)雜一點(diǎn)就不能實(shí)時(shí)計(jì)算?，F(xiàn)在，這個(gè)約束沒有了，CPS就呼之欲出了。CPS之所以受到重視，就是因?yàn)檫@種技術(shù)具備高度的一般性、能解決各種問題。現(xiàn)在成為熱點(diǎn)的原因是計(jì)算、存儲(chǔ)、傳輸數(shù)據(jù)的能力不再是瓶頸，其價(jià)值就會(huì)被釋放出來——此外，我常常強(qiáng)調(diào)問題的另外一面：廣泛應(yīng)用的另外一個(gè)條件是實(shí)際問題需要足夠的復(fù)雜才行，否則就是“高射炮打蚊子”，沒有多大必要性。而智能制造和工業(yè)互聯(lián)網(wǎng)的應(yīng)用，恰恰就讓這種必要性體現(xiàn)出來了。這就是我常說的：要想雪中送炭，也得先有下雪的地方。
說數(shù)學(xué)模型是一種一般性辦法，是指它有能力為所有對(duì)象建模。但在實(shí)際應(yīng)用過程中，數(shù)學(xué)模型卻不是那么容易建的——不像常微分方程組那樣有成熟的、一般性的辦法。實(shí)際操作的時(shí)候可謂“八仙過海各顯神通”。而邏輯規(guī)則就是一種簡單而常用的模型，很多決策可以用邏輯規(guī)則來解決。在寫程序的時(shí)候，往往就是用IF語句這類土辦法來解決的。如果這種邏輯關(guān)系簡單，理論上也就沒什么好研究的了。學(xué)者們總要找一些難題來解決——如何解決復(fù)雜推理問題。為此，若干年前出現(xiàn)了Prolog和LISP語言，相關(guān)理論也就被稱作人工智能或?qū)＜蚁到y(tǒng)，也就是所謂的“符號(hào)學(xué)派”或“計(jì)算機(jī)學(xué)派”。從本質(zhì)上說，這些系統(tǒng)就是邏輯推理復(fù)雜了一點(diǎn)，和多用幾條IF語句沒有多大區(qū)別。所以，若干年前就有人用把有三條IF語句的算法成為“智能控制”——道理是對(duì)的，大家笑話他的原因是有點(diǎn)夸張。
我曾經(jīng)很奇怪：符號(hào)學(xué)派為什么沒有發(fā)展起來。后來意識(shí)到，一個(gè)重要的原因是：對(duì)于具體問題，人們完全可以用普通的計(jì)算機(jī)語言來編程序、具體問題具體分析，沒有必要繞個(gè)大彎子。也就是說，合適的應(yīng)用場景少了：你是想“雪中送炭”，怎耐沒有下雪的地方。
講到這里大家應(yīng)該明白：符號(hào)學(xué)派是當(dāng)初是解決相對(duì)復(fù)雜的、傳統(tǒng)控制論方法難以解決的決策推理才提出來的——如果太簡單了也就沒有必要了。同樣，連接學(xué)派是因?yàn)榉?hào)學(xué)派解決不了的問題才提出來的。我們知道：人的很多知識(shí)是感性認(rèn)識(shí)，很難表達(dá)出來、自然也就很難編碼。比如，“張三很漂亮”、“衡水老白干好喝”、“這是一棵樟樹”、“這步棋很重要”。這些感覺性的東西都是很難用編碼的辦法表達(dá)的。于是，才有了“連接學(xué)派”的用武之地——其特點(diǎn)就是機(jī)器自己學(xué)習(xí)。機(jī)器學(xué)習(xí)會(huì)遇到新的問題：有沒有條件學(xué)好、如何學(xué)好？其實(shí)，大數(shù)據(jù)解決了有沒有條件學(xué)好的問題、深度學(xué)習(xí)解決了如何學(xué)好的問題。
從我們工程師的角度看，我們做事是為了解決問題的。什么辦法最好用就用什么辦法。比如，我們造飛機(jī)是為了起飛、需要模仿飛鳥。但是，飛機(jī)卻沒有模仿鳥類撲扇翅膀。所以，模仿是為了追求目標(biāo)的搭成，而未必是手段的一模一樣。這樣看來，三個(gè)學(xué)派的關(guān)系就清晰了：模擬神經(jīng)元的結(jié)構(gòu)是為了模仿大腦的功能，但實(shí)現(xiàn)大腦的推理過程未必需要神經(jīng)元這種結(jié)構(gòu)。同樣，實(shí)現(xiàn)人或動(dòng)物的行為，未必需要模仿大腦的復(fù)雜功能。所以，行為學(xué)派是最本質(zhì)的——雖然從算法的角度看，似乎不太怎么像“智能”。提到ArtificialIntelligent時(shí)，人們常常并不包括控制論學(xué)派、而是主要針對(duì)另外兩個(gè)學(xué)派——這是從學(xué)問角度看問題，而不是從解決問題的角度看問題。但智能制造、CPS的很多理念，就是從控制論學(xué)派發(fā)展而來的。
我一直認(rèn)為，智能與工業(yè)界的結(jié)合，多數(shù)情況下并不是現(xiàn)在流行的人工智能（即與深度學(xué)習(xí)相關(guān)的智能），而是用計(jì)算機(jī)代碼寫出來，形象地說就是“用N條IF語句”或者是我常說的“吳淑珍式的智能”。人們過去并非不知道這么做，而是問題不夠復(fù)雜。是智能制造的復(fù)雜性逼迫人們把自己的做法告訴計(jì)算機(jī)，讓機(jī)器快速?zèng)Q策，也就是必要性增加了。這個(gè)道理我說過很多次了：人在制造環(huán)節(jié)中最重要的要求是規(guī)范化、而不是自由發(fā)揮，關(guān)鍵就是要說明白在什么條件下怎么做。
當(dāng)然，現(xiàn)在流行的人工智能當(dāng)然也有用，主要用于產(chǎn)品質(zhì)量的檢測（主要是圖像）、設(shè)備診斷和服務(wù)等場合，而不是生產(chǎn)制造的控制環(huán)節(jié)。
很多人認(rèn)為，“通過模仿結(jié)構(gòu)實(shí)現(xiàn)模仿功能、再模仿功能”是一條不錯(cuò)的路子。所以，科學(xué)院的很多人花了很大力氣去研究人的大腦。這種事科學(xué)家可以做，企業(yè)不能做：投入產(chǎn)出不合算。對(duì)企業(yè)來說，就是要用最有效的辦法解決問題。比如，如果人的知識(shí)能夠通過代碼寫下來，就不一定要讓機(jī)器去自己學(xué)習(xí)。
我們再把眼光放大一點(diǎn)：智能就一定要模擬人腦嗎？也不一定。因?yàn)橛?jì)算機(jī)處理信息的方式和人不一樣，為了達(dá)到智能的目的，不一定要模擬人的思維方式。計(jì)算機(jī)的存儲(chǔ)和運(yùn)算能力是人類不能比的，對(duì)人來說的很多“笨辦法”可以被計(jì)算機(jī)運(yùn)用得出神入化——在我看來，大數(shù)據(jù)就是一種不同于人類常規(guī)思維方式的智能。我把大數(shù)據(jù)的思維方式提煉為：把成功或者失敗的案例記下來，跟著學(xué)（避免）就是了。顯然，當(dāng)數(shù)據(jù)量非常大的時(shí)候，人類的大腦是不可能記住這么多案例的。換句話說，智能不一定模仿人的思維方式。
走向智能從書的編委們曾經(jīng)一起寫過一本《三體智能革命》的書。在這本書中，我們用20字箴言來描述智能：狀態(tài)感知、實(shí)時(shí)分析、自主決策、精準(zhǔn)執(zhí)行、學(xué)習(xí)提升。這20個(gè)字是從功能模擬為出發(fā)點(diǎn)，解析出對(duì)功能的需求，并不受限與具體的結(jié)構(gòu)和功能模擬方法：因?yàn)槲覀兊哪康氖菓?yīng)用，何必被手段來束縛呢？
按照學(xué)術(shù)界的觀點(diǎn)，智能是用來處理復(fù)雜問題的、處理普通算法無法解決的問題。否則就不要叫人工智能了。從這個(gè)角度看問題，有人提出了對(duì)智能的一種觀點(diǎn)：智能是在巨大的搜索空間中迅速找到較優(yōu)解的能力。顯然，人工智能的兩個(gè)主要學(xué)派常常是具有這個(gè)能力的。我們注意到：不論是圖像、語音識(shí)別還是阿爾法狗下棋，都需要“在巨大的搜索空間中迅速找到較優(yōu)解的能力”。事實(shí)上，谷歌公司在成立之初，就把自己定位為人工智能公司——或許就是借鑒了這種定義。從某種意義上說，這是從大腦的“行為”來定義智能的。大數(shù)據(jù)的很多算法，就符合這種定義。
最后討論一個(gè)問題：智能為什么重要？我有個(gè)觀點(diǎn)，可以與ICT技術(shù)起來說：
互聯(lián)網(wǎng)為什么重要？因?yàn)榛ヂ?lián)網(wǎng)可以讓我們離開物理空間——通過控制Cyber空間，來控制物理空間。
智能為什么重要？因?yàn)橹悄芸梢宰屛覀冸x開Cyber空間，讓計(jì)算機(jī)做得更好、讓人去做更重要的事情。
大數(shù)據(jù)為什么重要？因?yàn)槟軌虮ＷC以上兩點(diǎn)的落地。
對(duì)于我們工程師來說，不論辦法土不土，達(dá)到目的就好；特別地，不要把問題想得太玄了。想得太玄、把自己下著了，就做不成事了。
