自1956年達(dá)特茅斯學(xué)院那場(chǎng)著名會(huì)議以來(lái)，人工智能研究走過(guò)了這么多年的旅途，經(jīng)歷許多高峰也走過(guò)很多低谷。前事不忘后事之師，這期間產(chǎn)生了很多經(jīng)驗(yàn)教訓(xùn)需要我們反復(fù)學(xué)習(xí)，而最重要的一條教訓(xùn)卻是很多研究者很難接受的。

從70年的人工智能研究中，我們得出的較大教訓(xùn)是，最大化利用計(jì)算能力的一般方法終究是最有效的方法，且具有很大優(yōu)勢(shì)。其根本原因在于摩爾定律，或者更確切地說(shuō)，摩爾定律使單位計(jì)算成本持續(xù)呈指數(shù)級(jí)下降的現(xiàn)象得以推廣。

大多數(shù)人工智能研究都是在智能體可用計(jì)算恒定的情況下進(jìn)行的，在這種情況下，利用人類知識(shí)將是提高性能的唯一方法。這不可避免地需要大量計(jì)算，花費(fèi)的時(shí)間也會(huì)比常見(jiàn)的研究項(xiàng)目稍長(zhǎng)一些。為了在短期內(nèi)取得長(zhǎng)足的進(jìn)展，研究人員試圖利用該領(lǐng)域已有的人類知識(shí)，但從長(zhǎng)遠(yuǎn)來(lái)看，真正有用的只有計(jì)算。

這兩者無(wú)需對(duì)立，但在實(shí)踐中它們卻往往如此?；〞r(shí)間研究這一個(gè)，自然會(huì)忽略另一個(gè)，這有點(diǎn)像投資中的心理承諾。人類知識(shí)方法容易復(fù)雜化，不利于采用計(jì)算的一般方法發(fā)揮比較大的作用。很多例子表明人工智能研究人員對(duì)這一慘痛教訓(xùn)認(rèn)識(shí)太晚，其中一些最典型例子會(huì)對(duì)我們有所啟發(fā)。

在1997年國(guó)際象棋人機(jī)大戰(zhàn)中，擊敗世界冠軍加里·卡斯帕羅夫的算法是以大量深度搜索為基礎(chǔ)的。當(dāng)時(shí)，大多數(shù)計(jì)算機(jī)國(guó)際象棋研究人員對(duì)此沮喪不已，畢竟他們一直都在探索各種方法，這些方法利用的都是人類對(duì)國(guó)際象棋特殊結(jié)構(gòu)的理解。

當(dāng)有事實(shí)充分證明，使用特殊硬件和軟件的這種相對(duì)簡(jiǎn)單的基于搜索的算法要更為有效時(shí)，這些以人類知識(shí)為基礎(chǔ)的國(guó)際象棋研究人員就輸不起了。他們狡辯“暴力”搜索這次可能贏了，但這不是通用的策略，而且這無(wú)論如何不是人們下國(guó)際象棋的方法。這些研究人員希望基于人類知識(shí)的方法獲勝，但結(jié)局令他們失望了。

計(jì)算機(jī)圍棋也有類似的研究進(jìn)展模式，只是晚了20年。最開(kāi)始人們通過(guò)利用人類知識(shí)或游戲特性，盡很大的可能避開(kāi)搜索，可一旦搜索被大規(guī)模有效應(yīng)用，所有努力都成了徒勞。

同樣重要的是學(xué)習(xí)，即通過(guò)自我對(duì)弈（self-play）來(lái)學(xué)習(xí)價(jià)值函數(shù)（就像在許多其他游戲甚至國(guó)際象棋中一樣，雖然這招在1997年第一次擊敗世界冠軍中沒(méi)有發(fā)揮太大用處）。通過(guò)自我對(duì)弈來(lái)學(xué)習(xí)和通用學(xué)習(xí)就像搜索，可以實(shí)現(xiàn)大量計(jì)算。

搜索和學(xué)習(xí)是在人工智能研究中利用大量計(jì)算的兩種最重要技術(shù)。計(jì)算機(jī)圍棋就像計(jì)算機(jī)象棋一樣，研究人員最初是想使用人類的理解力來(lái)達(dá)成目的，但很久以后他們不得不接納了搜索和學(xué)習(xí)，這才取得了更大的成功。

在語(yǔ)音識(shí)別領(lǐng)域，早在上世紀(jì)70年代，美國(guó)國(guó)防部高級(jí)研究計(jì)劃局就發(fā)起了語(yǔ)音識(shí)別競(jìng)賽。參賽作品利用了許多使用人類知識(shí)的特殊方法，例如利用詞匯知識(shí)、音素知識(shí)、人類聲道知識(shí)等等。另一方面，基于隱馬爾可夫模型（HMMs）的新方法本質(zhì)上更具統(tǒng)計(jì)性，計(jì)算量也更大。

統(tǒng)計(jì)方法再次戰(zhàn)勝了以人類知識(shí)為基礎(chǔ)的方法，導(dǎo)致自然語(yǔ)言處理領(lǐng)域發(fā)生重大變化。經(jīng)過(guò)幾十年的發(fā)展，統(tǒng)計(jì)和計(jì)算逐漸占據(jù)了該領(lǐng)域的主導(dǎo)地位，最近語(yǔ)音識(shí)別領(lǐng)域中深度學(xué)習(xí)的興起就是朝著這一方向邁出的最新一步。深度學(xué)習(xí)方法更少地依賴于人類知識(shí)而更多地使用計(jì)算，加上學(xué)習(xí)大量的訓(xùn)練集，這樣創(chuàng)造出的語(yǔ)音識(shí)別系統(tǒng)要比原來(lái)的好得多。

就像在游戲中一樣，研究人員總是試圖讓系統(tǒng)按照他們自己的思維方式運(yùn)行。他們?cè)囍鴮⒅R(shí)放入系統(tǒng)中，但當(dāng)根據(jù)摩爾定律，大量計(jì)算變得可行，有效利用計(jì)算的方法也找到之后，這最終被證明是適得其反的，同時(shí)會(huì)極大地浪費(fèi)了研究人員的時(shí)間。

計(jì)算機(jī)視覺(jué)領(lǐng)域也有類似的模式。早期的方法認(rèn)為視覺(jué)是搜索邊緣、廣義柱體或者通過(guò)SIFT特征搜索，但今天這些觀點(diǎn)都被拋棄了?，F(xiàn)代的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)只使用卷積的概念和某些不變性，這些好用得多。

這是一個(gè)重要的教訓(xùn)。我們不斷犯著同樣的錯(cuò)誤，始終沒(méi)能徹底了解人工智能領(lǐng)域。想要避免再次犯錯(cuò)，就必須弄明白是什么導(dǎo)致了錯(cuò)誤的發(fā)生。從長(zhǎng)遠(yuǎn)來(lái)看，以我們的思維方式來(lái)構(gòu)建系統(tǒng)是行不通的，這是必須吸取的慘痛教訓(xùn)。

這一慘痛教訓(xùn)來(lái)源于歷史觀測(cè)：人工智能研究人員經(jīng)常試圖將知識(shí)構(gòu)建到智能體中，這在短期內(nèi)總是有用的，也令研究者個(gè)人感到滿意。但從長(zhǎng)遠(yuǎn)來(lái)看，這種方法是停滯不前的，甚至?xí)璧K進(jìn)一步的發(fā)展。通過(guò)基于搜索和學(xué)習(xí)的規(guī)模計(jì)算這一相反的方法，研究人員最終取得了突破性進(jìn)展。

這樣的成功略帶苦澀，而且往往難以被完全接受，這種成功不是通過(guò)一種受人支持、以人為中心的方法獲得的。

我們應(yīng)該從慘痛教訓(xùn)中學(xué)到的是，通用方法有巨大的威力，即使可用計(jì)算變得非常巨大，這些方法也會(huì)隨著計(jì)算量的增加而不斷擴(kuò)展，搜索和學(xué)習(xí)似乎正是兩種以這種方式隨意擴(kuò)展的方法。

我們應(yīng)該學(xué)到的第二點(diǎn)是：思想的內(nèi)容實(shí)際上是極其龐雜的。我們不該再用簡(jiǎn)單方法去探尋思想內(nèi)容，例如思考空間、物體、多智能體或?qū)ΨQ性。這些都是外部世界的一部分，而外部世界是任意的、本質(zhì)上是復(fù)雜的。它們不該被固化，因?yàn)樗鼈兊膹?fù)雜性無(wú)窮無(wú)盡。

相反，需要構(gòu)建的只有可以發(fā)現(xiàn)和捕獲這種任意復(fù)雜性的元方法。這些方法的關(guān)鍵在于，它們可以獲取很好的近似值，但這種捕獲應(yīng)該由我們的方法來(lái)完成，而不是我們自己。人工智能體要做的是像人類一樣去發(fā)現(xiàn)，而不是儲(chǔ)存我們的發(fā)現(xiàn)。在人類發(fā)現(xiàn)的基礎(chǔ)上進(jìn)行構(gòu)建會(huì)令人更難看清發(fā)現(xiàn)過(guò)程是如何完成的。

70多年的探索讓這些事實(shí)越來(lái)越清晰地浮現(xiàn)在研究人員的眼前，即便再不愿面對(duì)，也需要認(rèn)清這些現(xiàn)實(shí)了。避免犯錯(cuò)的方法是面對(duì)錯(cuò)誤。