時間的力量——1991 人工智能大辯論 30 周年紀念：主義不再，共融互生｜GAIR 2021

整理 | 熊宇軒、琰琰、維克多

編輯 | 青暮

作為粵港澳大灣區的第一AI盛會，GAIR大會已成功舉辦五屆，留下眾多精彩、經典和令人驚嘆的瞬間。GAIR 2021則延續以往豪華陣容，以1場主旨論壇、2場行業峰會、9場高峰論壇，涵蓋自動駕駛、安防、集成電路、醫療、元宇宙、碳中和、隱私計算、新消費等熱門領域。

滾滾長江東逝水，浪花淘盡英雄。上世紀80年代末，以符號邏輯為基礎的傳統人工智能遭遇理論危機，新的人工智能理論陸續被提出，人工智能研究也進入了一個“百家爭鳴”的新時代，聯結主義、行為主義等學說迅速興起。

近十年來，得益于硬件設備和算法技術的提升，以深度學習為代表的聯結主義感知智能技術突飛猛進。然而，正如圖靈獎獲得者 Alan Kay 所言，盡管如今的深度學習研究空前繁榮，此類方法在數學原理上的突破仍十分有限。

在感知智能技術越來越成熟的今天，我們已經可以通過深度學習技術從各種數據來源中提取有效的表征。但是，深度學習技術在決策、規劃方面的能力卻十分有限。

為此，研究者們又將目光投向了各種學說的融合，試圖為未來的人工智能研究尋找破局之法，催生了“神經-符號計算”、“雙系統理論”等新型研究范式。人工智能研究社區再次面臨重要的路線抉擇。

在近期由粵港澳大灣區人工智能與機器人聯合會、雷峰網聯合主辦的第六屆GAIR全球人工智能與機器人大會（GAIR 2021）上，有六位重磅嘉賓作為這場里程碑式變革的重要見證者出席：

• 楊強，加拿大工程院院士、加拿大皇家科學院院士, 微眾銀行首席人工智能官，IEEE/AAAI Fellow；
• 張成奇，悉尼科技大學副校長，澳大利亞人工智能聯合會理事長；
• 周志華，南京大學計算機系主任兼人工智能學院院長，歐洲科學院院士，ACM/AAAI/IEEE Fellow；
• 趙峰，清華智能產業研究院首席科學家、國際歐亞科學院院士、IEEE Fellow、Sloan Fellow
• 林方真，香港科技大學計算機系教授，AAAI Fellow；
• 林德康，奇點機智聯合創始人。

圓桌論壇：1991人工智能大辯論三十周年紀念

六位頂級人工智能專家齊聚一堂，回顧當年人工智能大辯論的盛況及影響，以史為鑒，探尋人工智能下一個 30 年的發展道路。

1

風云變幻：1991 年人工智能大辯論

自 1956 年達特茅斯會議之后，人工智能研究者們主要形成了符號主義、聯結主義、行為主義等學說。上世紀 90 年代初，符號主義流派在人工智能研究領域占據了主導地位。在物理符號系統假設和基于知識的啟發式求解方法指導下，人工智能技術在專家系統、機器翻譯、機器視覺、問題求解方面已經嶄露頭角。

然而，80 年代個人計算機的普及對專家系統的需求產生了極大的沖擊。1991 年，被寄予厚望的日本“第五代計算機”（即“人工智能計算機”）研發計劃的失敗，以符號主義為主的傳統人工智能技術（GOFAI）遭遇了學術理論和產業應用上的瓶頸，人工智能研究陷入低谷。為了打破這一局面，新的聯結主義、行為主義理論和技術紛紛登場。

在聯結主義方面，Yann LeCun、Sepp Hochreiter 等學者在聯結主義人工智能技術方面取得了一定的進展，“黑盒”的神經網絡技術可以避開知識表示帶來的困難，但神經元間聯結的結構和權值選取又成了難題。在行為主義方面，Rodney A. Brooks 提出研究“無需表示、無需推理”的智能，并基于行為主義技術設計出了一系列具備避讓、前進、平衡等各種運動能力的機器人，技驚四座。

為了討論人工智能研究將何去何從，國際人工智能聯合會（IJCAI）在 1991 年的人工智能頂級期刊《Artificial Intelligence》的專刊上組織了一場人工智能的大辯論，就新的人工智能理論框架從五個問題、正反方面進行了討論：

       1. 知識與概念化是否是人工智能的核心?

       2. 認知能力能否與感知分離開來研究?

       3. 認知的軌跡是否可用類自然語言描述?

       4. 認知能否從學習匯總分離進行研究?

       5. 所有的認知是否有一種統一的結構? 

林德康教授

林德康教授指出，1991年人工智能領域的主要爭論分成兩個派系——符號主義和行為主義，兩派的代表人物，正是 IJCAI 1991 計算機與思想獎的兩位得主——后來的康奈爾大學校長 Martha Pollack，以及麻省理工學院人工智能實驗室主任 Rodney Brooks。

Rodney Brooks 表示，行為主義的方法才是正確的AI范式，根據低層次感知信號去得到高層次決策。為此，他在論文《Intelligence without representation》中提出，人們通過符號主義研究表征的道路是失敗的，我們應該以漸進試錯的方式逐漸實現智能，讓智能體依賴于通過感知和行為與現實世界連接起來，消除對表征的依賴。

Martha Pollack 則指出AI應該通過符號邏輯表達出來的約束公式，來描述世界，再用約束滿足的方法把高層次的目標細化。她在論文《The Use of Plans》中指出，智能體存在于復雜的環境中，它們需要通過規劃實現對動作的操控。規劃不僅被用于指導行為，還被用于控制推理和實現智能體之間的協作，使復雜、動態的多智能體環境下的智能行為成為了可能。因此，規劃在人工智能學術體系中應該處于核心地位，

這次辯論的內容一經發表，就引起了人工智能研究社區的極大反響和討論，促進了聯結主義、行為主義的興起。從此，人工智能研究進入了新的紀元，并逐漸形成了如今的人工智能學術、產業格局。

2

異軍突起：華人 AI 研究迅猛發展

對于中國人工智能研究而言，1991 年也具有特殊的意義。在這一年的 IJCAI 91' 大會上，共有 6 位華人學者發表了研究成果，其中有五位學者在國外謀得教職，他們是：滑鐵盧大學的楊強、西安大略大學的凌曉峰、麥考瑞大學的張康、俄亥俄州立大學的趙峰、曼尼托巴大學的林德康。在 IJCAI 91' 上，“人工智能理論基礎大辯論”成為了中國參會者們熱議的話題。受此影響，華人學者們于 1992 年夏天在中科院計算所智能中心召開了“1992 AI Summer School”，報告者為國內外最早在頂級會議和期刊上發表研究工作的華人學者，包括：張鈸、李國杰、高文、白碩、楊強、張成奇、彭云、林德康、李明、趙峰、林方真，等。這次活動也為我國人工智能研究帶來了新的“火種”，為日后中國 AI 研究的騰飛奠定了基礎。

在本屆 GAIR 大會上，楊強、張成奇、周志華、趙峰、林方真、林德康等頂級人工智能專家從各自的角度出發回顧了當年這次“大辯論”的深遠影響。

張成奇教授

1982 年，張成奇教授正在吉林大學攻讀碩士研究生，從事專家系統方面的研究。那時，吉林大學是我國最早開始研究人工智能的單位之一，并在王湘浩院士的領導下發起了全國高校人工智能研究會。

1992 年，張成奇教授基于群論解決了分布式專家系統中不同的不確定性模型互相轉化的問題，這一成果發表在了人工智能頂級期刊《Artificial Intelligence》上，這是中國大陸學者首次在該期刊上發表論文。在張成奇教授看來，相較于當年，如今的感知智能、行為主義智能技術已經得到了長足的發展，分布式人工智能可以發展一條更為光明道路。同年，在張成奇教授成功于《Artificial Intelligence》上發表論文四個月之后，楊強教授的研究成果也首次發表在該期刊上。

楊強教授

彼時，如今的“遷移學習”、“聯邦學習”旗手——楊強教授也醉心于符號主義人工智能研究，在規劃領域頗有建樹，試圖從邏輯角度尋找搜索路徑，探究高層次的推理技術。1989 年，楊強教授在 IJCAI 上發表了其第一篇頂會論文《Preprocessing Search Spaces for Branch and Bound Search》，在該論文中，楊強教授提出了一種名為“threaded decisions graph”的數據結構，通過事先在搜索空間中進行預處理的方式，降低了啟發式搜索問題求解方法的計算開銷。1990 年，楊強教授開發出的第一個開源規劃軟件“ABTWEAK”在工業界得到廣泛應用，該成果被 AAAI 1990 收錄。1991 年，楊強教授在 IJCAI 大會上發表論文《The Downward Refinement Property》，提出了一種層次化的邏輯表達關注度模型，在保證準確性的條件下大幅提高了推理速度。同年，楊強教授的論文《Characterizing Abstraction Hierarchies for Planning》也被 AAAI 大會收錄。1992 年，楊強教授首次在《Artificial Intelligence》期刊上發表論文。

回顧當年的人工智能發展轉折，楊強教授認為，1991 年的大辯論后，邏輯研究者們跳出了單調邏輯，轉向發展復雜邏輯。同時，IWML（即如今的 ICML）出現，機器學習開始進行數學化革命。隨后，隨機森林、集成學習、神經網絡等“黑盒”的機器學習逐漸為人所接受，可解釋性逐漸淡化，形成了人工智能領域文化的轉變。同時，行為主義也逐漸興起，該流派的研究者們認為智能不僅存在于人的大腦，也存在于人體的肌肉、骨骼中。此后，掃地機器人、谷歌機器狗以及火星探索者機器人紛紛涌現出來。這些機器人在不進行邏輯推理的情況下，實現了一定的智能行為。在楊強教授看來，當年的人工智能研究從符號主義推崇的“使用一套算法解釋智能現象”逐漸向“借鑒模型驅動的物理學，通過通用模型解釋智能現象”過渡。

趙峰教授

上世紀 80 年代末，在 MIT 人工智能實驗室求學的趙峰教授第一時間觸碰到了大洋彼岸行為主義興起的浪潮。當年，趙峰教授的研究方向是基于模型的人工智能，旨在讓計算機程序能夠理解、推理物理世界中的現象。

在如今的波士頓動力公司創始人MIT馬克雷伯特教授的實驗室中，趙峰教授發現，當時的機器人研究十分困難，因為我們需要對機器的動力系統作出非常精準的規劃，這大大延緩了該領域的研究進度。1989 年，趙峰教授MIT讀書時的Committee 老師Rodney Brooks基于行為主義思想設計了一款六足機器人，該機器人在無需進行推理的情況下，能夠輕松跨越涵蓋，引起了巨大轟動，并獲得了 1991 年的 IJCAI 計算機思維獎。Rodney Brooks 高喊“無需推理、無需表示”的口號，發表了著名的論文《Intelligence without representation》。

與此同時，“人工智能理論基礎大辯論”讓學術界在研究方向上出現了重要的分歧，即擁抱數據驅動還是堅持模型驅動和推理。在趙峰教授看來，要回答這一問題，可以從“工程”和“科學”兩個方面驗證。從工程的角度來說，我們需要考慮某種學術思路能否解決實際問題；從科學的角度來說，我們可以觀察某種學說能否經過時間的考驗回答基礎的智能問題。

林方真教授

當年在斯坦福大學讀博士的林方真教授認為，1991年的AI大辯論并不是真正的辯論。傳統AI偏向自頂向下，優先考慮人的高層推理和決策過程。Rodney Brooks則提倡自下而上，從簡單本體開始學習。他的觀點與前者并不矛盾，而是一種補充。這也反映了當年學術界“百家爭鳴”的狀況，研究者們紛紛提出自己對 AI 未來發展趨勢的見解。當年Nils Nilsson也因而倡導AI研究應該考慮融合智能本體。這個觀點甚至在當年最有影響的AI教課書上都有體現。

3

九九歸一：學派融合，螺旋上升的感知與認知智能

周志華教授

進入 21 世紀，我國在機器學習領域研究的進步速度與日俱增，涌現出了一大批杰出的人工智能科學家，周志華教授就是其中的代表人物之一。

在周志華教授眼中，人工智能的概念和內涵一直在動態發展，今天的“AI”和90年代初的“AI”實質上并不是一回事，當年的AI主要是指“智能行為的符號化建模”這條研究路線，并且當年的神經網絡是“與AI對立”的事物。

1991年提出的幾個問題，體現的是當時研究者們對“符號主義”的反思，以及對引入其他路線的思考。這個論辯的直接結果之一是使得大家承認了人工智能的“三大主義”（符號主義，連接主義，行為主義）。

機器學習的發展已經讓現在的AI超越當年的內涵，不能再簡單歸類為三大主義，例如規則學習和決策樹大體上可以歸入符號主義，神經網絡可以歸入連接主義，強化學習和演化學習可以歸入行為主義，但統計學習、貝葉斯學習很難歸入以往的三大主義。事實上AI已形成五大主義：符號主義，連接主義，行為主義，頻率主義，貝葉斯主義。但回過頭來看，它們任何單方面或許都不夠，就像機器學習中的集成學習一樣，要多方融合集成，兼收并蓄，例如知識推理與機器學習的融合。周志華教授說他個人可謂是“集成主義(ensemblism)"者，這是他自己造的一個詞。

1. 黑盒模型 vs 邏輯推理

目前流行的深度學習模型大多具有“黑盒屬性”，隨著深度學習模型的瓶頸逐漸凸顯出來，許多學者又將目光投向了邏輯推理。

楊強教授指出，認知智能和感知智能的發展過程是一個螺旋式交替上升的過程，二者相輔相成。上世紀，我們研究人工智能問題，涉及的感知表達往往很簡單，而考慮的認知過程卻非常復雜。隨著軟硬件我們可以思考如何通過研究感知智能的方法促進對認知智能的研究，是否可以通過成功的感知系統解決認知問題。

在張成奇教授看來，圖靈測試似乎定義了人工智能研究“只重結果，不看過程”的論調——只要結果達到特定指標，人們就不會有太多質疑和爭論。人工智能研究發展至今已經快 70 年，但一直沒有跳出圖靈測試的“范疇”。

大多數人認為，人類獨有的認知才是真正的智能，任何動物都具備的感知不屬于智能。所以，早期的人工智能研究之所以聚焦于認知智能，首先是因為我們認為認知智能是高級智能；其二是因為那時很難清晰地描述和定義感知。但如今，得益于算力、算法的發展和大數據驅動，感知智能已經相對成熟，很多感知智能方法在應用中取得了不錯的效果，符合圖靈測試的要求。

然而，感知智能對智能發展的推動作用有限，所以越多越多的人開始寄希望于認知智能，從目前的趨勢來看，在深度學習時代，大數據和知識雙輪驅動是認知智能取得新突破的一個頗有潛力的路徑。 

林方真教授認為，在深度學習流行的今天，我們仍然需要堅持對知識表示和推理技術的研究。人工智能是個漸進發展的和交叉學科，需要通過不同的方法解決不同的問題。知識表示和推理是智能的重要基石，而邏輯則是推理的數學基礎。事實上，人類從古希臘時期就開始嘗試使用邏輯來形式化人類的推理，這是眾多哲學家和數學家上千年來的研究結晶。在林方真教授看來，用神經網絡取代邏輯推理的方式并不可行，應結合各種 AI 工具，而不是用某種工具取代其它的工具。

2. 感知、認知智能的融合

如今，感知、認知融合技術的融合已漸漸成為了一種趨勢。如何實現感知信號、認知推理、行為決策之間的遞進是融合各個主義學說的關鍵問題。

對此，周志華教授認為，作為計算機學科出發的人工智能研究者，更關心的是受智能行為的啟發解決實際問題，而不必過分拘泥于“認知”“感知”等概念和說法。從技術方法論上看，傳統基于邏輯的人工智能主要是基于自頂向下的“演繹”，比較容易利用領域專家知識，而目前機器學習主要是基于自底向上的“歸納”，比較容易利用數據事實，現在差不多是考慮將自頂向下的演繹和自底向上的歸納結合起來的時候了，或許可以解決當前的人工智能技術所不能解決的一些問題。

趙峰教授指出，我們需要從兩個方面考慮各種主義的融合：（1）人與動物的差別。從感知角度來看，有些動物在某種感知模型里，比人更加敏感。但是人能夠把經驗總結下來，形成體系化知識，并且在人與人之間互相傳播和交流這些知識，所以從這個角度來講，認知行為理論是值得借鑒的。（2）機器學習。目前機器學習的知識挖掘仍然局限在基礎的“關聯”層面，未有效地觸及因果關系。如今，學術界和工業界對可解釋的 AI、可信 AI 技術的需求與日俱增。相比于 30 年前，如今的算力基礎和數據準備達到了前所未有的高度，如果把機器學習、結構化知識、認知行為理論有機的結合起來，或許有望突破模型推理的黑盒挑戰。

3. 知識從何而來？

“知識”是人工智能系統發揮作用的重要基礎，在周志華教授看來，我們大致可以通過以下兩種方式獲取知識：（1）將人類的一些常識和經驗總結下來形成知識。該過程通常需要用邏輯表達的方式實現。（2）借助龐大的互聯網，作為人工智能獲取知識的來源。通過以上兩種方式獲取知識的方法各有千秋。人類基于邏輯關系的知識表達精確性高，對人工智能系統非常友好，從互聯網中挖掘出的知識，不可避免地會存在大量的噪聲和沖突。而互聯網中蘊含的知識量往往更大，獲取知識的成本較低。為了將二者結合起來，可能在某種程度上會犧牲互聯網知識的靈活性，以及邏輯知識的精確性。機器學習或許可以作為結合二者的“粘合劑”。

楊強教授認為，從遷移學習的角度來看，以人類為例，人類在兒時獲取的知識的主要來源于父母，相當于給小孩賦予了一個預訓練模型。經過教育后，人類在“調參”過程中掌握了學習的規律和方法。長大后，人類不需要接觸很多案例，就可以通過遷移學習訓練模型，適配新的場景，學會很多新知識。如今，“預訓練+調優”的范式在人工智能領域被廣泛應用，這一方向前景十分光明。

張成奇教授指出，認知知識和感知知識的結合是很一個長遠的研究課題。人類不需要大數據感知，基于小樣本數據就可以完成學習任務，但對于人工智能系統而言，這是一項非常有挑戰的事情。對于一輛自動駕駛汽車來說，為了了解道路周圍的環境，它需要用到感知智能。在行駛過程中，為了避免道路擁堵，規劃兩個位置之間的路徑，需要用到認知智能技術。在掌握了認知和感知知識后，它還需要學習駕駛技術，實現具體的動作，這本身是一件非常難的事情。從現階段來看，我們可以嘗試分開研究感知和認知知識。

4

結語

凡是過往，皆為序章。自 1991 年“人工智能理論基礎大辯論”已過去 30 年。30 年來，世界人工智能發展格局迅速變化，中國的人工智能研究者們前赴后繼，完成了對世界先進國家人工智能技術跟跑、并跑、到領跑的過程。如今，各種學說的互相交融逐漸成為了人工智能研究社區的共識。讓我們一同期待人工智能研究社區迎來下一個百花齊放、萬紫千紅的 30 年。

雷峰網雷峰網(公眾號：雷峰網)

雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。