自2016年以来AlphaGo接连击败顶级的人类围棋棋手之后，AI(人工智能)的能力和潜力再次刷新了我们的认知，并在全球掀起了一场人工智能大发展的热潮。人工智能到底会如何发展，一直都是媒体和整个社会讨论的焦点。AI研究人员是如何看待的呢？
最近，偶然在微信圈里看到北京大学的黄铁军教授为2018年图灵奖获得者、卷积神经网络之父YannLeCun的自传写的序，其中既有不谋而合之处，又有发人深省的地方。摘编如下：
黄教授在文中写道：人类智能是地球环境培育出的最美丽的花朵，我们在为自己骄傲的同时，也要警惕人类中心主义。地球不是宇宙的中心，人类智能也没有类似的独特地位，把人类智能视为人工智能的造物主，曾经禁锢了人工智能的发展。沉迷于寻求通用智能理论，将是阻碍人工智能发展的最大障碍。这个思想基本上贯穿全文，也是非常值得深思的部分。
对于智能的定义，黄教授认为，智能是系统通过获取和加工信息而获得的能力。智能系统的重要特征是能够从无序到有序（熵减）、从简单到复杂演化（进化）的。生命系统是智能系统，也是物理系统；既具有熵减的智能特征，也遵守熵增在内的物理规律。人工智能是智能系统，也是通过获取和加工信息而获得智能，只是智能载体从有机体扩展到一般性的机器。就像人可以分为精神和肉体两个层次（当然这两个层次从根本上密不可分），机器智能也可以分为载体（具有特定结构的机器）和智能（作为一种现象的功能）两个层次，两个层次同样重要。
人工智能技术的传统研究路径有符号主义、连接主义和行为主义。
符号主义有过辉煌，但不能从根本上解决智能问题，一个重要原因是“纸上得来终觉浅”：人类抽象出的符号，源头是身体对物理世界的感知，人类能够通过符号进行交流，是因为人类拥有类似的身体。计算机只处理符号，就不可能有类人感知和类人智能，人类可意会而不能言传的“潜智能”，不必或不能形式化为符号，更是计算机不能触及的。要实现类人乃至超人智能，就不能仅仅依靠计算机。
连接主义采取自底向上的路线，强调智能活动是由大量简单单元通过复杂连接后并行运行的结果，基本思想是：既然生物智能是由神经网络产生的，那就通过人工方式构造神经网络，再训练人工神经网络产生智能。它的困难在于，不知道什么样的神经网络能够产生预期智能，因此大量探索归于失败。20世纪80年代神经网络曾经兴盛一时，掀起本轮人工智能浪潮的深度神经网络只是少见的成功个案。
行为主义是第三条路径。生物智能是自然进化的产物，生物通过与环境以及其他生物之间的相互作用发展出越来越强的智能，人工智能也可以沿这个途径发展。这个学派在20世纪80年代末90年代初兴起，近年来颇受瞩目的波士顿动力公司的机器狗和机器人就是这个学派的代表作。行为主义遇到的困难和连接主义类似，那就是什么样的智能主体才是“可塑之才”。
黄教授认为，展望未来，人工智能的发展途径有三条：
一是继续推进“大数据大算力强算法”的信息技术方法，从而得到信息模型。收集尽可能多的数据，采用深度学习、注意力模型等算法，将大数据中蕴藏的规律转换为人工神经网络的参数，这实际上是凝练了大数据精华的“隐式知识库”，可以为各类文本、图像等信息处理应用提供共性智能模型。
二是推进“结构仿脑功能类脑性能超脑”的类脑途径，从而得到生命模型。把大自然亿万年进化训练出的生物神经网络作为新一代人工神经网络的蓝本，构造逼近生物神经网络的神经形态芯片和系统，站在人类智能肩膀上发展机器智能。
三是通过“强化学习物理模型算力”的自主学习途径，从而得到自主智能模型。其技术路线的核心是建立自然环境的物理模型，通过强化学习训练自主智能模型。比如，构造地球物理模型，训练出的人工智能系统能够适应地球环境，与人类共处共融；构造高精度物理模型（例如基于量子力学模型构造出粒子、原子、分子和材料模型），可以训练出能够从事物理学和材料学研究的人工智能；构造出宇宙及其他星球的物理模型，可以训练出的人工智能则有望走出地球，适应宇宙中更复杂的环境。（参考全文可查阅：黄铁军：沉迷于寻求通用智能理论，将是阻碍AI发展的最大障碍|YannLeCun自传《科学之路》序）
从以上研究路径和发展途径看，对现阶段的人工智能毋须过分魔幻，AI只是众多科研方向的其中之一，是计算机科学的一个分支。当前的人工智能还只能说是由自动控制向自动化的升级，本质上还是人的智能，仅仅也就停留在弱人工智能的初级阶段，离有知觉、有自我意识，可以独立思考问题并制定解决问题的最优方案甚至有自己的价值观和世界观体系的强人工智能更是相差十万八千里。
所以我们应该去思考，人工智能没有解决的是什么？智能的形成机制是什么？有没有脑科学和神经科学的可靠理论支撑？难道智能仅仅是算法吗？搞清楚这些问题，我们就不会陷入科幻的杞人忧天和恐慌之中而得出自己的判断。自然人的智能只是电信号吗，只是靠电力吗？没有电力供应的智能机器怎么运转，人类在发明电力之前可是有过几千年的文明史。（责任编辑王世新，图片源自网络）