朱松純：對AI認知不足或產(chǎn)生“技術投機”的不良氛圍

　　中新經(jīng)緯4月3日電 題：對AI認知不足或產(chǎn)生“技術投機”的不良氛圍

　　作者 朱松純 北京大學人工智能研究院、智能學院院長

　　當下，大模型公司如DeepSeek、Manus等頻頻成為市場與媒體的關注焦點。隨著各種前沿技術不斷涌現(xiàn)，各方資本紛紛涌入，幾乎形成了“押寶大模型即押寶未來”的共識。然而，AI(人工智能)行業(yè)發(fā)展背后也存在一定認知偏差。

　　當前，關于AI的討論幾乎都被大模型能力所占據(jù)，而對基礎學科、原始創(chuàng)新以及對智能本質(zhì)的深入研究，關注度卻顯得不足。這種認知不足可能產(chǎn)生“技術投機”的不良氛圍。而對“AI for Science”(人工智能驅(qū)動的科學研究)也存在認知的偏差。AI的研究方向主要集中在視覺、語言、機器人等智能感知和行動能力上，而真正的科學研究是依靠Deep Learning for Science，即利用深度學習等工具輔助科學建模和數(shù)據(jù)分析。如果混淆了這些概念，就容易在科研的方向和資源投入上出現(xiàn)失誤。

　　對AI的認知水平關乎AI創(chuàng)新與戰(zhàn)略，認知AI可以從創(chuàng)新層次結構入手。AI的創(chuàng)新可分為五個層次：第一層也即最底層的，是哲學層面，即探討“智能”的本質(zhì)，智能的本質(zhì)是“主觀的”，每個人的決策都基于自己對世界的認知與價值體系，這些認識決定了行為。第二層是理論層面，也是建立認知的數(shù)學框架，如邏輯學、統(tǒng)計建模、概率計算等。第三層是模型層面，根據(jù)框架構建具體模型，如判別模型、生成模型、大模型等。第四層是算法層面，即在具體模型下，開發(fā)優(yōu)化算法，提高計算、推理、訓練的效率。第五層是工程與部署層面，把模型落地到硬件、平臺，優(yōu)化存儲、計算，形成可用的產(chǎn)品和系統(tǒng)。

　　然而，目前AI領域的一些創(chuàng)新主要局限于算法或部署層面，缺乏基本的科學框架，如對智能本質(zhì)、認知建模等方面的原創(chuàng)性突破。美國的AI創(chuàng)新很多集中在最底層的硬件(芯片、架構)、大模型以及算法優(yōu)化，那么中國AI企業(yè)想要彎道超車應在更高的哲學與理論層面實現(xiàn)創(chuàng)新。未來，解決人工智能的核心難題——比如認知建模、智能理論、學習機制等，仍是推動AI發(fā)展的核心動力。

　　應當注意到，最難解決的問題，恰恰在于文科所關心的社會復雜系統(tǒng)，比如人口、政策、文明演化、價值體系。這些問題目前無法建模、無法實驗，學界長期靠“口頭解釋”和“事后分析”。但如今，大規(guī)模仿真(模擬)實驗和智能體(Agent)建模的能力可能讓文科變成一門可實驗的科學。AI的真正前沿技術，是通過模擬與建模，讓文明、社會、經(jīng)濟與政策等可以進入可驗證的科學范疇，而非止步于圖像、語音和對話的優(yōu)化。

　　當下，我們已經(jīng)在智能哲學、理論框架、模型構建等方面取得了初步成果，正朝著算法優(yōu)化和工程部署邁進。接下來，要完成模型的工程化和商業(yè)化，與行業(yè)、應用深度適配，建立通用智能體工廠等。我們和大模型是共生共榮的關系，大模型為我們提供了基礎，我們要在其上構建通用智能體的認知與決策體系。(中新經(jīng)緯APP)

　　中新經(jīng)緯版權所有，未經(jīng)授權，不得轉載或以其他方式使用。

責任編輯：孫慶陽