人工智能領(lǐng)域存在第一性原理嗎

作者：郭平

這篇文章是郭平教授的一篇文章，本文采用“四問”的表述方式，解釋了人工智能的第一性原理。提出了在基于物理的人工智能基礎(chǔ)研究領(lǐng)域，運用第一性原理思維解決人工智能缺乏基礎(chǔ)自然科學(xué)常識的一種思路；并建議將最小作用量原理作為人工智能的第一性原理。

實現(xiàn)通用人工智能（Artificial General Intelligence，AGI）是一個長遠目標(biāo)。我們需要探索通往人工智能（AI）的道路，要以基礎(chǔ)研究作為出發(fā)點?！盎A(chǔ)研究是整個科學(xué)體系的源頭，是所有技術(shù)問題的總機關(guān)?！边@也說明了AI基礎(chǔ)理論研究的意義和重要性。要加強AI的數(shù)學(xué)物理基礎(chǔ)研究，可以將“第一性原理”（first principle）作為出發(fā)點，發(fā)展新一代AI基礎(chǔ)理論。

人工智能領(lǐng)域存在第一性原理嗎？

古希臘哲學(xué)家亞里士多德將第一性原理（或首要原則）表述為：“在每一個系統(tǒng)的探索中，存在第一性原理，這是一個最基本的命題或假設(shè)，不能被省略或刪除，也不能被違反。” 在20世紀以前，第一性原理主要用于哲學(xué)、數(shù)學(xué)和理論物理。在數(shù)學(xué)中，第一性原理是一個或幾個公理，且不能從系統(tǒng)內(nèi)的任何其他公理中推導(dǎo)出來。在理論物理中，第一性原理是指一個計算直接從物理定律建立，不做經(jīng)驗?zāi)Ｐ秃蛿M合參數(shù)等假設(shè)。生物學(xué)的第一性原理是達爾文提出的“物競天擇、適者生存”理論。在近代社會，第一性原理已經(jīng)擴展到許多學(xué)科，包括生命科學(xué)、化學(xué)、經(jīng)濟、社會科學(xué)等。

隨著人類認知的發(fā)展，第一性原理已經(jīng)從最初的哲學(xué)術(shù)語分化為專業(yè)性更強的表述，有些已不再使用“第一性原理”這個術(shù)語，而采用其同義詞表述。在哲學(xué)中采用了“先驗原理”（priori-principle），數(shù)學(xué)中統(tǒng)一使用了規(guī)范術(shù)語“公理”（axioms），而物理學(xué)則沿用了“第一性原理”。

AI領(lǐng)域是否存在第一性原理，是個有爭議的話題。有人認為AI不存在第一性原理，理由是第一性原理是在哲學(xué)、數(shù)學(xué)或物理規(guī)則定義的域內(nèi)定義了問題空間的邊界，而AI領(lǐng)域的第一性原理需要在明確定義了什么是“智能”之后才有意義。目前對“智能”還沒有明確定義，因此對AI還沒有一個精確的、人們普遍可以接受的定義。在學(xué)界有兩個定義可參考：一是斯坦福大學(xué)人工智能研究中心尼爾斯·約翰·尼爾遜（Nils J. Nilsson）教授提出的“AI是關(guān)于知識的學(xué)科——怎樣表示知識、怎樣獲得知識并使用知識的科學(xué)?！?二是麻省理工學(xué)院的帕特里克·溫斯頓（Patrick Winston）教授提出的 “AI就是研究如何使計算機去做過去只有人類能做的智能工作”。

有人認為AI沒有第一性原理，依據(jù)是尼爾遜教授撰寫的《人工智能原理》（Principles of Artificial Intelligence）一書［1］。在該書的第2頁，有一段話給我們明確呈現(xiàn)出這樣的概念：“AI目前沒有通用理論，因此接下來向您展示一些應(yīng)用程序?！币簿褪钦f，目前AI不存在第一性原理，現(xiàn)在應(yīng)把注意力放在與工程目標(biāo)相關(guān)的原理上，這些原理是衍生出來的原理。衍生的原理實際上告訴我們復(fù)雜系統(tǒng)的一些簡單結(jié)果，無論是自然還是AI，其本質(zhì)可能也是如此。智能是許多過程并行發(fā)生和相互作用的結(jié)果，而這些過程無法輕易地追溯到一個基本的物理原理。

我們認為這是把AI看作是一種技術(shù)，從技術(shù)的角度看問題，也就是說，把AI看作類似于建立在實驗基礎(chǔ)上的學(xué)科。

物理學(xué)家張首晟在一次演講時提到了第一性原理的思維方式：在20世紀以前，第一性原理的概念屬于人腦的歸納、演繹產(chǎn)生的邏輯自洽學(xué)科，包括數(shù)學(xué)、哲學(xué)和理論物理，其理論體系的基石都可稱之為第一性原理。它們可以明顯區(qū)別于諸如化學(xué)、生物等建立在實驗基礎(chǔ)上的學(xué)科。

在21世紀的今天，人們的認知水平與科學(xué)技術(shù)發(fā)生了很大的變化。在以實驗為基礎(chǔ)的學(xué)科上，均有基于第一性原理的成果。例如在生物科學(xué)方面，第一性原理也被重新發(fā)掘出來。最近，美國圣塔菲研究所（Santa Fe Institute）現(xiàn)任所長戴維·克拉考爾（David Krakauer）在《理論生物科學(xué)》（Theory Bioscience）期刊發(fā)表了一篇題為“個體信息理論”的文章，基于第一性原理的數(shù)學(xué)形式化理論，通過捕捉從過去到未來的信息流，能夠嚴格定義許多不同形式的個體。但也有人提出了質(zhì)疑：“作者試圖給出‘從頭計算’生命的一般框架，野心是很大的。但其給出一個調(diào)節(jié)參數(shù)γ，就不能不讓人懷疑其‘科學(xué)立場’了?！?/p>

對一種觀點有不同的看法是很正常的。目前大家公認的看法是，以深度學(xué)習(xí)為主導(dǎo)的AI沒有理論。但實現(xiàn)AI是以計算機技術(shù)為基礎(chǔ)的，計算機也是先有技術(shù)，后發(fā)展科學(xué)理論的。ACM圖靈獎獲得者雅恩·樂昆（Yann LeCun）認為理論往往是在發(fā)明之后構(gòu)建起來的，例如蒸汽機的發(fā)明在熱力學(xué)之前，可編程計算機在計算機科學(xué)之前，等等。有了理論基礎(chǔ)，即使只是概念上的基礎(chǔ)，也將大大加快該領(lǐng)域的研究進展。

尼爾遜教授的《人工智能原理》一書已經(jīng)出版了40余年，如今AI理論仍在發(fā)展，我們的思維認知水平也提高了，因此現(xiàn)在應(yīng)該重新考慮AI是否存在第一性原理這個問題了。李國杰院士認為，AI與計算機科學(xué)在本質(zhì)上是一門學(xué)科。AI系統(tǒng)就是用計算機技術(shù)對信息加工和處理的系統(tǒng)。既然是一個系統(tǒng)，那么依據(jù)定義，每一個系統(tǒng)中都應(yīng)該存在第一性原理。

我們知道，機器學(xué)習(xí)是AI的一個子集，AI基礎(chǔ)研究是建立在數(shù)學(xué)和物理基礎(chǔ)之上的。北京交通大學(xué)教授于劍出版了一本書《機器學(xué)習(xí)：從公理到算法》。這是一本基于公理研究學(xué)習(xí)算法的書，實際上就是把數(shù)學(xué)的第一性原理應(yīng)用于機器學(xué)習(xí)，只是沒有顯式地表述出來而已。于劍教授的這本書可謂將第一性原理應(yīng)用于機器學(xué)習(xí)的范例。

由于物理是基礎(chǔ)科學(xué)，許多學(xué)科是以物理為基礎(chǔ)的，物理的第一性原理就可以應(yīng)用到這些學(xué)科。物理的第一性原理也被稱為“從頭計算”（ab initio），即只使用最基本的物理學(xué)定律，不使用經(jīng)驗參數(shù)，僅用電子質(zhì)量、光速、質(zhì)子、中子質(zhì)量等少數(shù)實驗數(shù)據(jù)去做量子計算。我們研究基于物理的AI，AI的第一性原理可以借用物理的第一性原理，將“從頭計算”應(yīng)用到AI，可以視為AI的第一性原理。但是“從頭計算”是狹義的第一性原理，廣義的第一性原理是“最小作用量原理”（the least action principle）。

為什么是基于物理的人工智能？

數(shù)學(xué)、物理不但是其他學(xué)科的基礎(chǔ)，更是AI的基礎(chǔ)。為什么要基于物理學(xué)研究AI基礎(chǔ)理論？這是因為物理學(xué)是研究物質(zhì)運動最一般規(guī)律和物質(zhì)基本結(jié)構(gòu)的學(xué)科，是自然科學(xué)的帶頭學(xué)科，其他各自然科學(xué)學(xué)科的研究基礎(chǔ)都建立在物理學(xué)科之上，而且哲學(xué)與物理的關(guān)系也非常緊密。著名物理學(xué)家斯蒂芬·霍金（Stephen Hawking）在他的論著《大設(shè)計》（The Grand Design）第一頁上就語出驚人地宣稱“哲學(xué)已死”，因為“哲學(xué)跟不上科學(xué)，特別是物理學(xué)現(xiàn)代發(fā)展的步伐。在我們探索知識的旅程中，科學(xué)家已成為火炬手?！?雖然這是一個被人批評為極為傲慢的“宣言”，但也從中說明物理學(xué)促進了哲學(xué)的發(fā)展。

雅恩·樂昆在IJCAI 2018（國際人工智能聯(lián)合會議）的演講中指出了目前AI系統(tǒng)的幾個缺點：缺乏獨立于任務(wù)的背景知識，缺乏常識，缺乏預(yù)測行為后果的能力，缺乏長期規(guī)劃和推理的能力。簡言之就是沒有世界模型，沒有關(guān)于世界運行的通用背景知識，我們需要學(xué)習(xí)一個具備常識推理與預(yù)測能力的世界模型。因此，未來關(guān)于AI的研究需要形成一種新型的理論，該理論的目標(biāo)是構(gòu)建可以實現(xiàn)的世界模型。也有學(xué)者認為，為了更好地描述神經(jīng)網(wǎng)絡(luò)和神經(jīng)系統(tǒng)，我們需要一套新的數(shù)學(xué)語言和框架，但這個新的框架究竟在哪里，目前學(xué)術(shù)界還沒有統(tǒng)一的思路和共識。我們認為基于物理的AI可能是最有希望實現(xiàn)的一個新框架。

對于AI缺乏常識的問題，基于物理的AI框架可能會提供一種解決思路。要想將常識賦予AI，首先需要搞清楚什么是常識。通俗地講，常識就是大部分人都知道的普通知識。按照網(wǎng)絡(luò)百科的描述，普通知識就是一個生活在社會中的心智健全的人所應(yīng)該具備的基本知識，包括生存技能（生活自理能力）、基本勞作技能、基礎(chǔ)的自然科學(xué)以及人文社會科學(xué)知識等。關(guān)于常識的一種較為專業(yè)的釋義是：一般指從事各項工作以及進行學(xué)術(shù)研究所需具備的相關(guān)領(lǐng)域內(nèi)的基礎(chǔ)知識。而這些基礎(chǔ)知識來源于對自然規(guī)律、自然現(xiàn)象或者人類社會活動的歸納總結(jié)。

如何讓人工智能具有常識？

雅恩·樂昆解釋過AI為什么沒有常識：“我們沒有能力讓機器去學(xué)習(xí)龐大的背景知識，而嬰兒在出生以后的最初幾個月里就可獲得關(guān)于這個世界的龐大的背景知識。”這就是說，AI要掌握常識，需要搞清楚物理世界的運作方式并做出合理決定，它們必須能夠獲取大量的背景知識、了解世界的運行規(guī)律，進而做出準(zhǔn)確的預(yù)測和計劃。不難看出，本質(zhì)上這是歸納性的思維方式。而我們的常識，大多數(shù)是運用歸納法獲得的。

為什么讓AI具有常識這么難？數(shù)十年來，該研究一直進展甚微，可能的原因之一是沒有按照第一性原理思考。一提到AI沒有常識，從大多數(shù)學(xué)者舉的例子來看，他們潛意識地認為AI的常識包括了所有領(lǐng)域的基礎(chǔ)知識。其實，常識是領(lǐng)域相關(guān)的，有生活常識、基本勞作技能，還有基礎(chǔ)的自然科學(xué)常識等。如果上來就想賦予AI具有所有的、沒有分類的常識，不考慮常識的領(lǐng)域相關(guān)性，這顯然是按AGI要求的。但是主流AI學(xué)界目前的努力從來就不是朝著AGI方向的，現(xiàn)有技術(shù)的發(fā)展也不會自動地使AGI成為可能。目前可以實現(xiàn)的都是在考慮某種特定類型的智能行為，也就是所謂的“弱人工智能”。實際上，我們完全有理由認為，采用類比思維，即使能精確地觀察和仿制出神經(jīng)細胞的行為，也無法還原產(chǎn)生出智能行為。因此，依據(jù)第一性原理思維，在復(fù)雜的現(xiàn)象中找到最根本的原理，才能解決根本的問題。按照第一性原理思維，需要從頭計算，即先訓(xùn)練AI，學(xué)習(xí)基礎(chǔ)的自然科學(xué)常識。這也就是新加坡國立大學(xué)教授顏水成所提出的嬰兒學(xué)習(xí)（baby learning）方法，即模擬嬰兒自學(xué)習(xí)逐步獲取知識的方法。

為了讓AI擁有常識，我們需要化繁為簡，把常識限定到特定的領(lǐng)域，例如將掌握物理科學(xué)常識作為現(xiàn)階段的首要目標(biāo)。用第一性原理的思維方式，把基于物理的科學(xué)常識灌輸給AI。因此，我們需要轉(zhuǎn)變一下思維方式，從純數(shù)據(jù)處理邏輯邁向某種形式的“常識”，即從基本物理原理出發(fā)，讓AI先掌握科學(xué)常識，從而學(xué)習(xí)推理。

為什么先讓AI學(xué)習(xí)基礎(chǔ)的自然科學(xué)常識，而不是生活常識或其他領(lǐng)域的常識呢？基礎(chǔ)的自然科學(xué)常識背后的物理原理是有明確定義的，且可以由數(shù)學(xué)公式描述的。第一性原理是通過少數(shù)的幾個公理演繹出事物目前的狀態(tài)，而物理的定律往往是用偏微分方程來描述的。牛頓的一部《自然哲學(xué)的數(shù)學(xué)原理》為經(jīng)典力學(xué)定義了一套基本概念，提出了力學(xué)的三大定律和萬有引力定律，從而使經(jīng)典力學(xué)成為一個完整的理論體系。從物理定律出發(fā)，用牛頓力學(xué)的公式演繹出各種運動現(xiàn)象，至少能使AI具有用經(jīng)典力學(xué)可以解釋的自然現(xiàn)象的科學(xué)常識。

實際上在這方面已經(jīng)有了先例。AAAI 2017的最佳論文《基于物理和領(lǐng)域知識的神經(jīng)網(wǎng)絡(luò)無標(biāo)簽監(jiān)督》，就是基于萬有引力定律推算出枕頭的運動軌跡，利用網(wǎng)絡(luò)的輸出必須滿足物理定律的約束來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，從而實現(xiàn)了神經(jīng)網(wǎng)絡(luò)的無標(biāo)簽監(jiān)督學(xué)習(xí)。這里面的常識就是：一個物體如果沒有其他外力作用，例如桌面的支撐力，則在萬有引力作用下做自由落體運動。而我們的IJCNN 2017論文，本質(zhì)上也是基于惠更斯-菲涅爾成像原理，實現(xiàn)了對光譜圖像校正的神經(jīng)網(wǎng)絡(luò)無標(biāo)簽監(jiān)督學(xué)習(xí)。

基于第一性原理思維需要花費更多的精力，而基于第一性原理構(gòu)建世界模型要比模仿計算可能需要更大的計算量。一方面，目前我們還沒有足夠的算力讓機器去學(xué)習(xí)龐大的背景知識，但只限定于基礎(chǔ)的自然科學(xué)的背景知識還是有可能的。最近有文獻表明GPT-3（OpenAI于2020年5月發(fā)布的Generative Pre-training Transformer語言模型第3版）具有1750億個參數(shù)，所使用的數(shù)據(jù)集容量達到了45TB，說明目前的算力已經(jīng)有了很大的提高。另一方面是運用物理思維做合理的近似，簡化問題復(fù)雜度，把不可計算的問題約減為可計算的問題。例如基于平均場理論，把多體問題近似為兩體問題。數(shù)學(xué)家總是想精確求解問題，而物理學(xué)家會在無法精確求解的情況下采用近似方法。因此有人戲稱數(shù)學(xué)家總愛把簡單的問題復(fù)雜化，而物理學(xué)家則盡力把復(fù)雜的問題簡單化。如果說為什么要研究基于物理的AI，這也算得上是一條理由吧。

追求和諧、統(tǒng)一與完美是物理學(xué)家的最高境界，這也是AI科學(xué)家以及所有科學(xué)家追求的境界。AI的第一性原理也應(yīng)該是對完美追求的典范。物理學(xué)中的最小作用量原理就是一個非常簡單而優(yōu)雅的原理，可看作是整個物理學(xué)的第一性原理。該原理是現(xiàn)代物理學(xué)和數(shù)學(xué)的核心，在熱力學(xué)、流體力學(xué)、相對論、量子力學(xué)、粒子物理學(xué)和弦理論都有廣泛的應(yīng)用。對最小作用量原理更詳細的介紹請參考文獻，物理學(xué)家理查德·費曼（Richard Feynman）對此有非常精彩的講解，本文不再贅述。在具體實現(xiàn)上，從具有可操作性的角度考慮，我們認為應(yīng)該將最小作用量原理作為AI的第一性原理，期望能在最小作用量原理這塊基石上，建立基于物理的AI宏偉大廈。

為什么要用和如何應(yīng)用第一性原理？

近幾百年來，哥白尼、牛頓、愛因斯坦、達爾文等科學(xué)巨匠對科學(xué)革命做出了巨大的貢獻。而科學(xué)革命帶來的技術(shù)進步，促進了社會生產(chǎn)力快速發(fā)展和社會文化進步，對人類文明產(chǎn)生了巨大影響。他們共同的思維方式，都是簡潔而優(yōu)美的第一性原理。愛因斯坦說過：“適用于科學(xué)幼年時代的以歸納為主的方法，正在讓位于探索性的演繹法”，應(yīng)該“由經(jīng)驗材料作為引導(dǎo)，研究者寧愿提出一種思想體系，它一般是在邏輯上從少數(shù)幾個所謂公理的基本假定建立起來的”。這段話不但告訴我們其科研方法是第一性原理思維，還告訴我們要使用演繹法。第一性原理的本質(zhì)是邏輯學(xué)中的演繹性思維。

我們知道，深度學(xué)習(xí)是機器學(xué)習(xí)的一個子集，而機器學(xué)習(xí)是人工智能的一個子集，其局限之一在于無法解釋因果關(guān)系。因果關(guān)系是一個事件和另一個事件之間的作用關(guān)系，其中前一個事件是原因，后一事件被認為是前一事件的結(jié)果。一般來說，一個事件可能是很多發(fā)生在較早時間點的原因綜合產(chǎn)生的結(jié)果，而該事件又可以成為發(fā)生在之后時間點的其他事件的原因。因果關(guān)系亦稱“因果律”，哲學(xué)上有一種對第一性原理的說法：“第一性原理是超越因果律的第一因，且是唯一因，同時第一性原理一定是抽象的?！?第一性原理思維顯然與因果關(guān)系緊密相連，這或許為我們解決AI無法解釋因果關(guān)系的問題提供了一種新的思路。

由于思維邏輯和觀察視角直接影響對問題的理解，基于第一性原理思維無疑會有助于深刻理解問題。第一性原理應(yīng)用在企業(yè)獲得成功的典范人物是“鋼鐵俠”埃隆·馬斯克（Elon Musk）。在一次TED采訪中，他告訴大家他成功的秘密是運用了第一性原理思維。我們可以理解為第一性原理的思維方式是用物理學(xué)的角度看待世界，一層層撥開事物表象，看到里面的本質(zhì)，再從本質(zhì)一層層往上走。馬斯克的第一性原理思維方式在企業(yè)界引起了轟動，帶動了企業(yè)家依據(jù)第一性原理思考問題去進行顛覆式創(chuàng)新。

在AI基礎(chǔ)研究領(lǐng)域，基于第一性原理構(gòu)建世界模型是一個科學(xué)問題。而在自然語言處理（NLP）領(lǐng)域，能在50多種任務(wù)上取得驚艷效果的GPT-3模型，只是證明了現(xiàn)有技術(shù)的可擴展性，不可能走向AGI。從文獻和報道來看，GPT-3的基礎(chǔ)架構(gòu)并沒有太大變化，仍然是基于大數(shù)據(jù)（使用45TB數(shù)據(jù)進行訓(xùn)練）、大模型（擁有 1750 億個參數(shù)）、大算力（擁有超過 285000 個 CPU 內(nèi)核、10000 個 GPU 的超級計算機和 400Gbps 的網(wǎng)絡(luò)連接）這三種要素的神經(jīng)網(wǎng)絡(luò)AI。在關(guān)于GPT-3的論文中也說明了數(shù)據(jù)越大，參數(shù)量越大，模型的性能表現(xiàn)越好的觀點得到了驗證。論文中也暗示了AI中僅僅增加算力的局限性，算法設(shè)計方面沒有突破。

盡管 GPT-3表現(xiàn)出了巨大的潛力，但基于深度學(xué)習(xí)的AI仍然存在問題，包括存在偏見、依賴于預(yù)訓(xùn)練數(shù)據(jù)、不具有常識、沒有基于因果關(guān)系的推理能力、缺乏可解釋性等。GPT-3不可能理解人們賦予它的任務(wù)，也無法判斷命題是否有意義。凱文·拉克的博客展示了對GPT-3的圖靈測試。測試中有個問題是：“我的腳有多少只眼睛？” GPT-3答：“你的腳有兩只眼睛?！碑?dāng)一個句子中涉及的物體超過兩個時，GPT-3體現(xiàn)出短時記憶有限的缺陷，不會舉一反三，推理出現(xiàn)困難。

第一性原理思維是一種演繹性思維方式，是要堅持不懈地追求問題的本質(zhì)，然后用追本溯源得到的這些基礎(chǔ)知識來解決問題。我們基于第一性原理思維，從宏觀、介觀到微觀三個層次全方位來分析一下GPT-3系統(tǒng)。一個AI系統(tǒng)從宏觀上看是由軟件和硬件組成的系統(tǒng)，軟件是AI系統(tǒng)的靈魂，硬件是物理實體。從硬件角度來看，GPT-3所用的計算機仍然是馮·諾伊曼體系結(jié)構(gòu)：計算機的數(shù)制采用二進制，計算機按照人的指令編寫好的程序順序執(zhí)行。之所以采用二進制，是因為在用半導(dǎo)體材料制成的元器件中，用高電平表示1，低電平表示0。從基本的元器件構(gòu)成運算器、存儲器，再到集成電路，直至現(xiàn)代的超級計算機，均是人設(shè)計并制造出來的。計算機指令采用二進制編碼，有確定性的機器指令集。目前計算機所產(chǎn)生的隨機數(shù)也是偽隨機數(shù)，不可能像高等智慧生物那樣自主產(chǎn)生意識?，F(xiàn)有的AI芯片，也只是把人們設(shè)計的算法硬件化，AI的核心算法并沒有得到突破，硬件化后只是對現(xiàn)有的算法加速了，并沒有開發(fā)出真正的智能芯片。從軟件的角度來看，軟件是計算機程序+文檔及數(shù)據(jù)，程序包含了算法。在AI算法上，GPT-3采用了與GPT-2同樣的Transformer架構(gòu)，不同之處是它融合了一種稀疏自注意力機制。利用自注意力機制有效提高了訓(xùn)練速度，改善了循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）學(xué)習(xí)速度慢的缺點。因此，在馮·諾伊曼體系結(jié)構(gòu)與目前深度學(xué)習(xí)算法下，依據(jù)“無限猴子定理”，需要無限長時間才有可能完成一部《紅樓夢》，在有限時間內(nèi)能讓GPT-3產(chǎn)生一部類似《紅樓夢》的著作的概率也是無限小。即使產(chǎn)生了一部人們可以讀懂的著作，但GPT-3也完全不可理解其內(nèi)容是什么含義。所以在當(dāng)前的架構(gòu)下，GPT-3不會邁向AGI，不會像有些人說的是“硅基文明的崛起”。這就是基于第一性原理思維得出的結(jié)論。

在《MIT技術(shù)評論》（Technology Review）雜志中的一篇文章1評論到，OpenAI的新語言生成器GPT-3是“令人震驚的好”和“完全沒有頭腦”。至于未來GPT-3是否會邁向AGI，技術(shù)新聞網(wǎng)站The Verge的報道2給出了這樣一段話：“這種按規(guī)模改進的概念非常重要，它正好是關(guān)于AI未來的一場大辯論的核心：我們究竟是使用當(dāng)前的工具來構(gòu)建AGI，還是需要進行新的基礎(chǔ)發(fā)現(xiàn)？AI從業(yè)者對此尚未達成共識，仍存在大量爭論。這些主要可劃分成兩大陣營。一個陣營爭辯說，我們?nèi)鄙賱?chuàng)造人工智慧的關(guān)鍵組成部分，即計算機必須先了解因果關(guān)系等事物，然后才能接近人類的智能。另一個陣營則說，如果該領(lǐng)域的歷史能夠表明了什么的話，那么實際上AI的問題基本是可以通過向它們投入更多的數(shù)據(jù)和提高計算機的處理能力來解決的?！?/p>

OpenAI公司屬于后一陣營，他們一直認為巨大的計算力配合強化學(xué)習(xí)，是通往AGI必經(jīng)之路。但是大多數(shù)AI學(xué)者，包括ACM圖靈獎獲得者約書亞·本吉奧（Yoshua Bengio）和雅恩·樂昆，基本上是屬于前一陣營的，認為AGI是不可能創(chuàng)造出來的。從第一性原理出發(fā)，我們得到的結(jié)論是不可能實現(xiàn)AGI。對此，我們應(yīng)有非常清醒的認知：受物理規(guī)律的制約，深度學(xué)習(xí)框架的天花板很快就會來臨。如果在基礎(chǔ)理論方面沒有突破，基于深度學(xué)習(xí)的框架就不可能發(fā)展成為硅基文明的AGI。所謂的硅基文明是科學(xué)幻想，不是科學(xué)事實。GPT-3沒有產(chǎn)生技術(shù)革命，只是在應(yīng)用上取得了重大突破。未來我們?nèi)杂泻芏鄦栴}有待解決，還需要從第一性原理出發(fā)，重新構(gòu)建AI基礎(chǔ)理論框架，才能賦予AI常識，發(fā)展具有可解釋性的AI。

結(jié)束語

正如清華大學(xué)張鈸院士所說，在探索通往AGI的道路上，“現(xiàn)在走得并不遠，在出發(fā)點附近”。***主席說過，“路線是個綱，綱舉目張”，“人多，槍多，代替不了正確的路線”。即使AI從業(yè)人員多，算力也很強大，但如果路線不正確，我們就有可能走很多彎路，甚至?xí)萑刖植繕O值的坑里出不來。在AI基礎(chǔ)研究領(lǐng)域，正確的路線之一也許是摒棄類比思維，采用第一性原理的思維方式。

期望我們能以第一性原理為出發(fā)點，能在不遠的將來實現(xiàn)一個小目標(biāo)，即先讓AI具有基于物理規(guī)律的科學(xué)常識，讓人工智能不再是“人工智障”。本文也希望拋磚引玉，在演繹性思維模式下創(chuàng)新，在AI基礎(chǔ)理論上有顛覆性突破。

編輯：黃飛