AI的三个学派：理解AI的全貌

30多年前我读研的时候，就知道AI有三个学派：控制论学派、符号学派、神经元学派。这些学派有些不同的叫法，但实质是一样的。控制论学派最早成功并且取得巨大成就，许多大学里有相关的系和学院。但另外两个学派却不成气候，往往只是某些专业的选修课，最近才有了相关的专业。30多年前，AI主要讲符号学派的专家系统、神经元学派是次要的；最近10年讲AI，主要是讲神经元学派、符号学派逐渐淡出了。

但奇怪的是：一直没人把三个学派的关系讲清楚。观念的混乱引发了不少荒谬的观点，典型的就是某院士所谓“智能制造=人工智能+制造”。现在人们说的人工智能，默认的是神经元学派的技术；而智能制造最关键的思想却是控制论学派的。所以，必须从AI的全貌上认识问题。

在我看来：控制论对智能的认识是最本质的、最广泛的。它是把“以变应变”、“知行合一”作为智能的特征。所以，只要系统具有应变能力，就称为智能系统。我们知道：以变应变的前提是需要决策的。现实中，这些决策的逻辑可以很简单，传统的方法就可以做许多决策。控制理论中的控制器设计，其实就是给出决策方法。我经常说的“把人的决策逻辑交给计算机、让计算机决策”也是一种常见的简单决策逻辑。智能制造之所以成为热点，所以因为机器获得信息和计算的能力强了，带来了很多机会。

但是，符号学派、神经元学派对智能的认识不一样。这两个学派关心的问题缩小为决策算法，而且是常规的简单算法无法有效计算、而人类却容易做出决策的算法。所以，这两个学派对人工智能的理解，恰恰是针对常规算法无法解决的、与复杂推理和模糊知识相关的问题。从这种意义上讲，可以认为控制论学派是广义的人工智能，而符号学派、神经元学派是狭义的人工智能。在狭义的人工智能中，符号学派、神经元学派是互相竞争的关系。

经过几十年的竞争，结果基本上出来了。符号学派虽然也有一定的用处（比如用在生产计划），但总体上是竞争失败了；神经元学派虽然有一些问题，但总体上成功了。而这个成功当然依赖于外来的机会。这个机会就是大数据的条件和算力的提升；人类的贡献则是辛頓等人做出的算法。

大家注意到，前面讲的这些观点，符合我创新课的基本逻辑：

1、技术首先在难度低或者价值高的地方突破，然后逐渐进入难度高或者价值低的地方。

2、技术突破的关键是抓住机会，机会是基础条件和需求的改变。

这个创新的逻辑不仅可以解释过去，还可以预见未来、寻找突破点。比如，突破点有什么特点？首先，它是进入新领域的难点、有“一夫当关万夫莫开”的特点；其次，是有新技术能够突破它。下面，我用4张图来表示AI发展的过去和未来。

在第一张图中，我们用控制论的思想，定义AI的边界。在这个定义下，有个空间是没有突破的。这个空间，就是复杂的决策、还可能需要模糊的知识。

第二张图，符号学派试图突破这个问题，用来解决复杂逻辑推理问题，但是遇到的困难是隐性知识及推理的问题：人说不清楚的知识，就没有办法变成计算机的代码。

第三张图，是神经元学派的突破。因为隐性知识和推理都可以在神经网络中做，就不需要人来写代码描述知识了。这个学派突破后，符号学派原来的空间小了。在这张图中，我把控制论学派的圈子改成虚线了。意思是：数字化技术的发展，同时让这个学派的应用范围大大拓展了。需要注意的是：即便是没有神经元学派的AI 的突破，控制论学派的应用范围同样扩大了。这样的机会，是信息通信技术的发展带来的。而且，这种机会可能用不着我们用复杂的算法。

在第四张图中，还有些问题不能用AI解决。这些问题与机器获取知识、信息和权限的局限性有关。对于这样的问题，可以用人机结合、人机协同的办法来解决。在这个空间中，价值创造和技术发展的机会有很多。

多年来，我在这个公众号里曾经谈过多次三个学派的问题。我谈这个问题，不是为了咬文嚼字、是为了便于工程师理解机会、看到更多的机会。最后重申一下工程师的价值观：抓住机会、用简单的方法做有价值的事情。